Mod` eles convexes et algorithmes d’optimisation en imagerie.
Pierre Weiss.
April 18, 2011
II/ Le principe du Maximum A Posteriori (MAP) et son application
en reconstruction d’images.
Probl` emes inverses : mal position
Hypoth` eses : Les donn´ ees u
0∈
Rnsont obtenues ` a partir du mod` ele
u
0= B(Au) o` u :
•
u ∈ H est la donn´ ee exacte
(dans ce cours, on supposera que H =
Rm).
•
A est un op´ erateur lin´ eaire ou affine (d´ eterministe).
•
B mod´ elise les pertubations al´ eatoires.
Probl` eme Inverse : retrouver u ` a partir de u
0. Mal position : l’op´ erateur A :
•
n’est pas de rang plein.
•
a de petites valeurs singuli` eres.
•
est compact (cadre Hilbertien).
Probl` emes inverses : mal position
Un probl` eme mal pos´ e typique : la d´ econvolution
u
0= h ? u + b
•
u ∈
Rn: donn´ ee exacte.
•
u
0∈
Rn: donn´ ee observ´ ee.
•
h : noyau de convolution.
•
b : bruit gaussien de variance σ
2.
La d´ econvolution sans r´ egularisation : u ˆ
0= ˆ h · u ˆ + ˆ b ' ˆ h · u. ˆ
Raisonnement fallacieux :u ˆ '
uˆˆ0h
⇒ u ' F
−1ˆ u0
ˆh
Probl` emes inverses : mal position
Figure: La d´econvolution directe sans bruit.
Probl` emes inverses : mal position
Figure: La d´econvolution directe avec bruit.
Probl` eme : si | h(ζ)| ˆ est faible
ˆb(ζ)|ˆh(ζ)|
explose, et on amplifie
fortement certaines fr´ equences.
R´ egularisation des probl` emes inverses et MAP
L’id´ ee du MAP : On sait que :
u
0= h ? u + b Id´ ee :
Trouver u
∗∈ arg max
u∈Rn
P (u|u
0) Loi de Bayes :
P (u|u
0) = P(u
0|u) · P (u)
P (u
0)
R´ egularisation des probl` emes inverses et MAP
Donc :
arg max
u∈Rn
P (u|u
0) (1)
= arg max
u∈Rn
P (u
0|u) · P(u)
P (u
0) (2)
= arg min
u∈Rn
− log
P (u
0|u) · P (u) P (u
0)
(3)
= arg min
u∈Rn
− log (P(u
0|u)) − log (P (u)) . (4)
Que vaut P (u
0|u) ?
Ca d´ epend des cas, mais en g{en´ eral, on peut le calculer.
Exemple :
Bruit additif ind´ ependant de u.
u
0= Au + b
P (u
0|u) = P (Au + b|u) (5)
= P (b). (6)
•
Bruit blanc gaussien : P (u
0|u) ∝ exp
−
kAu−u2σ20k2.
•
Bruit blanc laplacien : P (u
0|u) ∝ exp(−λkAu − u
0k
1).
•
Bruit blanc uniforme : P (u
0|u) ∝
1 si kAu − u
0k
∞≤ α
0 si kAu − u
0k
∞> α .
Que vaut P (u) ? A priori sur les images naturelles.
Une question bien plus complexe ! 1. Qu’est-ce qu’une image ?
2. Y’a-t-il un sens ` a d´ efinir une densit´ e de probabilit´ e sur l’espace des images ?
3. Doit-on se limiter a des classes d’images (e.g. les images de cerveau...) ?
4. Est-ce que les probl` emes d’optimisation r´ esultants peuvent ˆ
etre r´ esolus ?
Dans cet expos´ e, on tranche hardiment, sans po´ esie : 1. Un tableau de pixels.
2. Peu importe puisqu’on vient de l’´ ecrire !
3. Oui, des images “r´ eguli` eres” sur des ensembles ` a bords r´ eguliers.
4. Bien sˆ ur si P (u) = exp(−J (u)) o` u J est convexe.
Que vaut P (u) ? A priori sur les images naturelles.
Une question bien plus complexe ! 1. Qu’est-ce qu’une image ?
2. Y’a-t-il un sens ` a d´ efinir une densit´ e de probabilit´ e sur l’espace des images ?
3. Doit-on se limiter a des classes d’images (e.g. les images de cerveau...) ?
4. Est-ce que les probl` emes d’optimisation r´ esultants peuvent ˆ
etre r´ esolus ?
Dans cet expos´ e, on tranche hardiment, sans po´ esie : 1. Un tableau de pixels.
2. Peu importe puisqu’on vient de l’´ ecrire !
3. Oui, des images “r´ eguli` eres” sur des ensembles ` a bords r´ eguliers.
4. Bien sˆ ur si P (u) = exp(−J(u)) o` u J est convexe.
Que vaut P (u) ? A priori sur les images naturelles.
Que vaut P (u), la probabilit´ e a priori des images?
Une longue histoire....
Mais deux types de probabilit´ es a priori surnagent :
•
Les a priori de parcimonie.
•
Les a priori de r´ egularit´ e.
Mod´ elisation des images : a priori de parcimonie
L’image u ∈
Rns’´ ecrit : u =
m
X
i=1
y
iψ
i|{z}
“atome”
= Ry Avec
•
m ≥ n.
•
R = [ψ
1, ψ
2, ..., ψ
m] surjectif (notation Matlab).
La probabilit´ e satisfait :
P (x) ∝ min
y,Ry=x
||y
i||
0(Exemple de sinus + diracs).
Mod´ elisation des images : a priori de parcimonie
N’a-t-on pas juste d´ eplac´ e le probl` eme?
Comment choisir R pour bien repr´ esenter les images ?
•
Th´ eorie de l’information : La meilleure transform´ ee pour repr´ esenter des fonctions C
2par morceaux ` a bord C
2est la transform´ ee en curvelets, bandlets...
•
Exp´ erimentalement : choisir des transform´ ees en ondelettes redondantes ou des unions de transform´ ees harmoniques.
Ce sont des mod` eles assez grossiers!
Mod´ elisation des images : a priori de parcimonie
N’a-t-on pas juste d´ eplac´ e le probl` eme?
Comment choisir R pour bien repr´ esenter les images ?
•
Th´ eorie de l’information : La meilleure transform´ ee pour repr´ esenter des fonctions C
2par morceaux ` a bord C
2est la transform´ ee en curvelets, bandlets...
•
Exp´ erimentalement : choisir des transform´ ees en ondelettes redondantes ou des unions de transform´ ees harmoniques.
Ce sont des mod` eles assez grossiers!
Mod´ elisation des images : a priori de parcimonie
N’a-t-on pas juste d´ eplac´ e le probl` eme?
Comment choisir R pour bien repr´ esenter les images ?
•
Th´ eorie de l’information : La meilleure transform´ ee pour repr´ esenter des fonctions C
2par morceaux ` a bord C
2est la transform´ ee en curvelets, bandlets...
•
Exp´ erimentalement : choisir des transform´ ees en ondelettes redondantes ou des unions de transform´ ees harmoniques.
Ce sont des mod` eles assez grossiers!
Mod´ elisation des images : a priori de parcimonie
Un exemple de MAP pour le d´ ebruitage : Trouver arg min
y∈Rn
||Ry − x
0||
22+ ||y||
0Probl` eme NP - complet.
⇒ Relaxation convexe : Trouver arg min
y∈Rn
||Ry − x
0||
22+ ||y||
1Probl` eme d’optimisation convexe non lisse.
Mod´ elisation des images : a priori de r´ egularit´ e
Une image est essentiellement “r´ eguli` ere”
Mod´ elisation des images : a priori de r´ egularit´ e
Une image est essentiellement “r´ eguli` ere”
Mod´ elisation des images : a priori de r´ egularit´ e
Si P(x) = exp(−J (x)), alors le probl` eme devient : arg min
x∈H
||Ax − x
0||
b+ J(x) O` u J mesure la “r´ egularit´ e”. Exemples :
Continu Discret
J(x) = ||x||
2H1(Ω)J(x) = ||∇x||
22. J (x) = T V (x) J(x) = ||∇x||
1. J(x) = ||x||
B(Besov) J (x) = ||R
∗x||
1(7)
Mod´ elisation des images : a priori de r´ egularit´ e
Mod´ elisation des images : comparaison.
Figure: Comparaison a priori de r´egularit´e et a priori de parcimonie.
Mod´ elisation des images : comparaison.
R´ esultat th´ eorique : cas du d´ ebruitage A priori de r´ egularit´ e :
Soit U = arg min
x∈Rn
||x − x
0||
22+ ||Dx||
1A priori de parcimonie :
Soit V = arg min
y∈Rn
||Ry − x
0||
22+ ||y||
1Th´ eor` eme : Pour tout D de rang plein, il existe R tel que pour tout x
0, U = RV .
L’inverse n’est pas vrai !
Elad etal, Analysis versus synthesis in signal priors, Inverse Problems, vol. 23, n 3, p. 947-968, 2007.
Ecriture g´ en´ erale des probl` emes inverses
Trouver arg min
x∈Rn n
X
i=1
λ
iφ
i(A
ix − b
i)
Minimiser une somme de compos´ ees de fonction convexes avec des transform´ ees affines... Ou
Trouver arg min
x∈Rn n
X
i=1
λ
iφ
i(A
ix − b
i) sous les contraintes :
φ
k(B
kx − b
k) ≤ α
k∀k
(simplifie l’estimation de param` etres)
Analyse num´ erique : premi` eres remarques
Difficult´ es num´ eriques importantes
•
Non diff´ erentiabilit´ e.
•
Dimensions gigantesques (> 10
7inconnues).
•
Contraintes de temps interactif/r´ eel.
⇒
•
Utilisation de m´ ethodes de premier ordre.
•
Obtenir des solutions de pr´ ecision mod´ er´ ee.
•