a la physique de l'information - Lisa - Université d'Angers
a la physique de l'information - Lisa - Université d'Angers
a la physique de l'information - Lisa - Université d'Angers
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
humain.<br />
Les images dans [129] sont bruitées par un bruit additif. Il serait intéressant <strong>de</strong> considérer <strong>de</strong>s<br />
coup<strong>la</strong>ges multiplicatifs comme ceux produits en imagerie cohérentes en présence <strong>de</strong> speckle. Au<br />
<strong>de</strong>là <strong>de</strong> ces extensions naturelles (voir également celles décrites en conclusion <strong>de</strong> [129]) l’étu<strong>de</strong><br />
[129] montre comment <strong>la</strong> résonance stochastique peut servir <strong>de</strong> banc <strong>de</strong> test pour <strong>de</strong> nouvelles<br />
mesures informationnelles. D’autres mesures <strong>de</strong> qualité <strong>de</strong>s images pourraient être évaluées dans<br />
un contexte <strong>de</strong> résonance stochastique comme les mesures récentes <strong>de</strong> sail<strong>la</strong>nce proposées par<br />
[87]. On pourrait même imaginer <strong>de</strong> transposer cette approche à d’autres types <strong>de</strong> stimuli. La<br />
résonance stochastique a en effet également été montrée en psychoacoustique (en particulier<br />
pour les personnes équipées d’imp<strong>la</strong>ntes cochléaires [42]). Ces expériences psychosensorielles<br />
sont fondamentales puisqu’elles montrent qu’au sta<strong>de</strong> ultime d’intégration du système nerveux<br />
<strong>de</strong>s effets <strong>de</strong> bruit utile existent. Une question ouverte est <strong>de</strong> connaître les méchanismes et<br />
échelles qui expliquent ces effets <strong>de</strong> bruits utiles observés sur nos propres sens. L’évaluation<br />
<strong>de</strong> mesures <strong>de</strong> qualité <strong>de</strong>s images ou <strong>de</strong>s sons inspirée à <strong>de</strong>s <strong>de</strong>grés <strong>de</strong> complexité divers du<br />
système sensoriel dans le contexte <strong>de</strong> <strong>la</strong> résonance stochastique constitue une voie intéressante<br />
pour construire <strong>de</strong>s éléments <strong>de</strong> réponse.<br />
3.4.3 Diffusion non linéaire façonnée par le bruit<br />
Le processus <strong>de</strong> diffusion non linéaire appliqué au traitement <strong>de</strong>s images a été introduit historiquement<br />
par PERONA et MALIK [109]. Il s’agit d’un processus inspiré <strong>de</strong> <strong>la</strong> diffusion <strong>de</strong><br />
<strong>la</strong> température dans lequel une image bruitée ψ0 est restaurée en considérant <strong>la</strong> solution <strong>de</strong><br />
l’équation aux dérivées partielles<br />
∂ψ<br />
∂t = div(g(∇ψ)∇ψ), ψ(x, y, t = 0) = ψ0 , (3.23)<br />
où le coefficient <strong>de</strong> diffusion est contrôlé par g(·) une fonction statique non linéaire décroissante<br />
<strong>de</strong> <strong>la</strong> norme du gradient ∇ψ. Des exemples <strong>de</strong> fonction g(·) proposées dans [109] sont<br />
u2<br />
−<br />
g(u) = e k2 , (3.24)<br />
ou encore<br />
1<br />
g(u) =<br />
1 + u2<br />
k2 , (3.25)<br />
avec le paramètre k qui peut être vu comme un seuil permettant d’ajuster l’amplitu<strong>de</strong> <strong>de</strong>s<br />
gradients qui sont préservés par le processus <strong>de</strong> diffusion. Le terme g(∇ψ) joue en effet le rôle<br />
<strong>de</strong> coefficient <strong>de</strong> diffusion dans l’ Éq. (3.23). Ainsi, les forts gradients <strong>de</strong> l’image se voient attribuer<br />
un faible coefficient <strong>de</strong> diffusion. Ils sont préservés. Les faibles gradients <strong>de</strong> l’image anticipés<br />
comme <strong>de</strong>s bruits sont diffusés par le processus <strong>de</strong> l’ Éq. (3.23). Les choix <strong>de</strong> <strong>la</strong> fonction non<br />
linéaire et du seuil étant arbitraires, on ne peut garantir leur optimalité qui dépend du contenu<br />
<strong>de</strong> l’image. Il est alors possible en partant d’un choix <strong>de</strong> fonction non linéaire et <strong>de</strong> paramètre k<br />
donnés <strong>de</strong> façonner <strong>la</strong> fonction non linéaire g(·) au moyen du bruit. Pour ce faire, on remp<strong>la</strong>ce<br />
<strong>la</strong> fonction g(u) dans l’ Éq. (3.23) par <strong>la</strong> fonction gη(u)<br />
gη(u) = g(u + η(x, y)) , (3.26)<br />
où η est un bruit indépendant et i<strong>de</strong>ntiquement distribué d’amplitu<strong>de</strong> efficace ση. Contrairement<br />
au bruit originel dans ψ0, le bruit η est volontairement injecté et on contrôle son niveau ση.<br />
La possibilité d’un effet bénéfique via le façonnage par le bruit du coefficient <strong>de</strong> diffusion est<br />
35/197