Quelques méthodes de filtrage en Traitement d'Image
Quelques méthodes de filtrage en Traitement d'Image
Quelques méthodes de filtrage en Traitement d'Image
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
hal-00512280, version 1 - 29 Aug 2010<br />
QUELQUES MÉTHODES DE FILTRAGE EN TRAITEMENT<br />
D’IMAGE<br />
par<br />
Maïtine Bergounioux<br />
Résumé. — Nous prés<strong>en</strong>tons quelques <strong>métho<strong>de</strong>s</strong> <strong>de</strong> base <strong>en</strong> <strong>filtrage</strong> <strong>de</strong>s images<br />
numériques. Un bref aperçu du <strong>filtrage</strong> unidim<strong>en</strong>sionnel est donné puis les techniques<br />
linéaires et non linéaires sont abordées. Nous terminons par une ouverture sur les<br />
<strong>métho<strong>de</strong>s</strong> variationnelles très utilisées actuellem<strong>en</strong>t pour la déconvolution et la restauration<br />
<strong>de</strong>s images.<br />
Abstract (Some filtering methods in image processing). — We pres<strong>en</strong>t basic<br />
image processing <strong>de</strong>noising methods. We first recall breifly the main features of linear<br />
1D filtering technqiues. Th<strong>en</strong> we pres<strong>en</strong>t linear and non linear standard methods. We<br />
<strong>en</strong>d with variational methods that are more and more used for <strong>de</strong>convolution and<br />
image restoration.<br />
Table <strong>de</strong>s matières<br />
1. Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1<br />
2. Filtrage unidim<strong>en</strong>sionnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3<br />
3. Débruitage par <strong>filtrage</strong> linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
4. Débruitage par <strong>filtrage</strong> non linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
5. Filtrage variationnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31<br />
App<strong>en</strong>dice A. <strong>Quelques</strong> outils mathématiques. . . . . . . . . . . . . . . . . . . . . . 41<br />
Référ<strong>en</strong>ces. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52<br />
1. Introduction<br />
L’étu<strong>de</strong> d’un signal nécessite <strong>de</strong> supprimer au maximum le bruit parasite dû aux<br />
conditions d’acquisition. L’un <strong>de</strong>s buts du <strong>filtrage</strong> est <strong>de</strong> nettoyer le signal <strong>en</strong><br />
éliminant le plus <strong>de</strong> bruit possible tout <strong>en</strong> préservant le maximum d’informations. En<br />
Classification mathématique par sujets (2000). — 68U10, 49J40.<br />
Mots clefs. — Traitem<strong>en</strong>t d’image, <strong>filtrage</strong>, débruitage, segm<strong>en</strong>tation.
hal-00512280, version 1 - 29 Aug 2010<br />
2 BERGOUNIOUX<br />
outre, l’information cont<strong>en</strong>ue dans un signal n’est pas forcém<strong>en</strong>t <strong>en</strong>tièrem<strong>en</strong>t pertin<strong>en</strong>te<br />
: il faut sélectionner l’information utile suivant l’usage que l’on veut <strong>en</strong> faire.<br />
Par exemple, à l’écoute d’un morceau <strong>de</strong> musique, on peut vouloir un r<strong>en</strong>forcem<strong>en</strong>t<br />
<strong>de</strong>s sons graves. Une autre finalité du <strong>filtrage</strong> est donc <strong>de</strong> sélectionner et r<strong>en</strong>forcer<br />
certaines ban<strong>de</strong>s <strong>de</strong> fréqu<strong>en</strong>ces porteuses <strong>de</strong> l’information intéressante.<br />
Le <strong>filtrage</strong> <strong>de</strong>s images a la même finalité que celui <strong>de</strong>s signaux 1D. Il s’agit ess<strong>en</strong>tiellem<strong>en</strong>t<br />
d’<strong>en</strong>lever le bruit (parasite) ou <strong>de</strong> sélectionner certaines fréqu<strong>en</strong>ces. Si<br />
la notion <strong>de</strong> haute fréqu<strong>en</strong>ce ou basse fréqu<strong>en</strong>ce est naturelle <strong>en</strong> signal 1D (son aigu<br />
ou grave), la fréqu<strong>en</strong>ce spatiale est un concept plus délicat qui découle du fait<br />
que les images apparti<strong>en</strong>n<strong>en</strong>t au domaine spatial. La fréqu<strong>en</strong>ce est une gran<strong>de</strong>ur qui<br />
caractérise le nombre <strong>de</strong> phénomènes qui se déroul<strong>en</strong>t au cours d’un temps donné. Si<br />
<strong>en</strong> voiture, le long d’une route, on voit 2 ban<strong>de</strong>s blanches PAR secon<strong>de</strong> : c’est une<br />
fréqu<strong>en</strong>ce temporelle. Il est <strong>en</strong>suite facile <strong>de</strong> compr<strong>en</strong>dre que ce concept <strong>de</strong> fréqu<strong>en</strong>ce<br />
temporelle peut aussi se traduire <strong>en</strong> disant qu’il y a 200 ban<strong>de</strong>s blanches PAR<br />
kilomètre : c’est une fréqu<strong>en</strong>ce spatiale.<br />
Dans une image, les détails se répèt<strong>en</strong>t fréquemm<strong>en</strong>t sur un petit nombre <strong>de</strong> pixels,<br />
on dit qu’ils ont une fréqu<strong>en</strong>ce élevée : c’est le cas pour les bords et les contours dans<br />
une image. Au contraire, les fréqu<strong>en</strong>ces basses correspon<strong>de</strong>nt à <strong>de</strong>s variations qui se<br />
répèt<strong>en</strong>t peu car, diluées sur <strong>de</strong> gran<strong>de</strong>s parties <strong>de</strong> l’image, par exemple <strong>de</strong>s variations<br />
<strong>de</strong> fond <strong>de</strong> ciel.<br />
Nous verrons dans la suite que la plupart <strong>de</strong>s filtres agiss<strong>en</strong>t sélectivem<strong>en</strong>t sur ces<br />
fréqu<strong>en</strong>ces pour les sélectionner, <strong>en</strong> vue <strong>de</strong> les amplifier ou <strong>de</strong> les réduire tout comme<br />
dans le cas 1D.<br />
Les images peuv<strong>en</strong>t être <strong>en</strong>tâchées <strong>de</strong> bruits <strong>de</strong> nature différ<strong>en</strong>te. On s’intéressera<br />
ici aux bruits<br />
– additif, gaussi<strong>en</strong><br />
– <strong>de</strong> flou (convolution)<br />
– poivre et sel<br />
Les bruits multiplicatifs et/ou poissoni<strong>en</strong>s sont difficiles à appréh<strong>en</strong><strong>de</strong>r : nous n’<strong>en</strong><br />
parlerons pas ici. De la même façon, nous n’abor<strong>de</strong>rons pas le <strong>filtrage</strong> par on<strong>de</strong>lettes<br />
qui nécessite <strong>de</strong>s pré-requis importants.
hal-00512280, version 1 - 29 Aug 2010<br />
(a) Image originale (b) Bruit gaussi<strong>en</strong>, moy<strong>en</strong>ne<br />
nulle, écart-type σ 0.02<br />
FILTRAGE 3<br />
(c) Bruit gaussi<strong>en</strong>, moy<strong>en</strong>ne<br />
nulle, écart-type σ 0.1<br />
(d) Flou (e) Bruit poivre et sel (f) Bruit multiplicatif<br />
Figure 1. Exemples <strong>de</strong> perturbations d’une image (bruits et flou)<br />
2. Filtrage unidim<strong>en</strong>sionnel<br />
Avant <strong>de</strong> prés<strong>en</strong>ter les principales techniques <strong>de</strong> base pour le <strong>filtrage</strong> <strong>de</strong>s images,<br />
nous rappelons brièvem<strong>en</strong>t le principe du <strong>filtrage</strong> unidim<strong>en</strong>sionnel (pour plus <strong>de</strong> détails<br />
on peut se référer à [5]).<br />
Pour définir un filtre linéaire mathématiquem<strong>en</strong>t, on se donne <strong>de</strong>ux espaces vectoriels<br />
X (<strong>en</strong>trée) et Y (sortie) munis d’une topologie séqu<strong>en</strong>tielle et un opérateur A<br />
linéaire qui, à un signal e X dit signal d’<strong>en</strong>trée, associe un signal s Y appelé signal<br />
<strong>de</strong> sortie :<br />
A : e s : Ae .<br />
Définition 2.1 (Filtre). — Un filtre linéaire est un système linéaire continu qui<br />
vérifie les <strong>de</strong>ux propriétés suivantes :<br />
1. Il est invariant dans le temps : si Ta : x x¤ ¡ a est l’opérateur <strong>de</strong> translation<br />
alors<br />
TaA ATa.<br />
2. Si lim<br />
k ekt et alors on a lim<br />
k skt st. Cette propriété est équival<strong>en</strong>te<br />
à la causalité.
hal-00512280, version 1 - 29 Aug 2010<br />
4 BERGOUNIOUX<br />
Les espaces peuv<strong>en</strong>t être <strong>de</strong> dim<strong>en</strong>sion infinie (signaux analogiques) ou finie (signaux<br />
discrets ou numériques).<br />
Examinons l’effet d’un filtre linéaire A sur un signal périodique <strong>de</strong> X L2 p0, T (où<br />
T 0) <strong>de</strong> fréqu<strong>en</strong>ce λ 1T . On sait que ce signal peut s’écrire sous la forme<br />
(1) x <br />
cn <strong>en</strong>λ ,<br />
où on a posé<br />
nZ<br />
(2) eλ : t exp2iπλt ,<br />
<strong>de</strong> sorte que <strong>en</strong>λ eλn . On sait (grâce aux séries <strong>de</strong> Fourier) que la famille <strong>en</strong>λnZ<br />
forme une base hilberti<strong>en</strong>ne <strong>de</strong> X .<br />
Formellem<strong>en</strong>t 1<br />
£ <br />
<br />
Ax A<br />
<br />
cn A<strong>en</strong>λ.<br />
nZ<br />
cn <strong>en</strong>λ<br />
nZ<br />
On est donc ram<strong>en</strong>é à examiner l’effet <strong>de</strong> A sur <strong>en</strong>λ.<br />
Proposition 2.2. — Un filtre linéaire associe à tout signal expon<strong>en</strong>tiel d’<strong>en</strong>trée le<br />
même signal multiplié par un facteur indép<strong>en</strong>dant du temps, généralem<strong>en</strong>t complexe,<br />
appelé fonction <strong>de</strong> transfert ou gain complexe du filtre.<br />
Démonstration. — Cherchons l’image fλ A eλ <strong>de</strong> eλ par le filtre. On remarque que<br />
pour t fixé, on a eλt u eλteλu. Donc<br />
c’est-à-dire par linéarité <strong>de</strong> A<br />
u R fλt u Aeλteλu,<br />
fλt u eλt Aeλu eλtfλu.<br />
Pour u 0 , on obti<strong>en</strong>t fλt eλtfλ0; donc Aeλ fλ0eλ. Par conséqu<strong>en</strong>t, eλ<br />
est une fonction propre <strong>de</strong> A associée à la valeur propre fλ0 qui ne dép<strong>en</strong>d que <strong>de</strong><br />
λ. La fonction λ Hλ : fλ0 est appelée fonction <strong>de</strong> transfert du filtre.<br />
Repr<strong>en</strong>ons le signal périodique x défini par la relation (1) ; la sortie filtrée par A<br />
est donc<br />
y : Ax <br />
cnHnλ<strong>en</strong>λ .<br />
nZ<br />
En résumé, chaque coeffici<strong>en</strong>t <strong>de</strong> Fourier cn <strong>de</strong> x est transformé <strong>en</strong> γn : Hnλcn.<br />
Compte t<strong>en</strong>u <strong>de</strong>s propriétés <strong>de</strong> la transformée <strong>de</strong> Fourier F, si x est un signal<br />
numérique échantillonné avec 2N échantillons, on peut traduire la relation précé<strong>de</strong>nte<br />
par<br />
n 1, ¤ ¤ ¤ , N Yn Hnλ Xn ,<br />
1. On peut complètem<strong>en</strong>t justifier le calcul grâce à la linéarité et la continuité <strong>de</strong> l’opérateur A<br />
<strong>de</strong> X dans X
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 5<br />
où Y Fy et X Fx, c’est-à-dire Fy H. ¢ Fx , où .¢ désigne le produit<br />
composante par composante. Si on pose h 1<br />
2N F ¡1H, cela donne : y h ¦ x (où *<br />
désigne ici la convolution discrète.) Nous obt<strong>en</strong>ons donc le résultat suivant (que nous<br />
admettrons pour les signaux analogiques) :<br />
Théorème 2.3. — Un système linéaire continu est un filtre linéaire si et seulem<strong>en</strong>t<br />
si la relation <strong>en</strong>tre l’<strong>en</strong>trée e et la sortie s est une convolution :<br />
st h ¦ et <br />
<br />
¡<br />
où ht est la réponse impulsionnelle du filtre.<br />
Pour les filtres à temps discret on a<br />
sn <br />
hk <strong>en</strong>¡k .<br />
kZ<br />
hθ et ¡ θ dθ ,<br />
En d’autres termes les filtres linéaires continus unidim<strong>en</strong>sionnels sont<br />
et ne sont que <strong>de</strong>s filtres <strong>de</strong> convolution (où la convolution est continue ou<br />
discrète).<br />
– Dans le cas <strong>de</strong>s signaux analogiques (d’énergie finie, i.e. dans L 2 R par<br />
exemple), le signal <strong>de</strong> sortie s est donné par : s h ¦ e, où e est le signal<br />
d’<strong>en</strong>trée. Si on applique la transformation <strong>de</strong> Fourier, on obti<strong>en</strong>t ˆs ˆ hê. La<br />
transformée <strong>de</strong> Fourier H : ˆ h <strong>de</strong> h est la fonction <strong>de</strong> transfert du filtre. Le<br />
noyau <strong>de</strong> convolution h s’appelle la réponse impulsionnelle du filtre. En effet,<br />
si le signal d’<strong>en</strong>trée e est la mesure <strong>de</strong> Dirac δ on obti<strong>en</strong>t s h ¦ δ h. C’est<br />
donc bi<strong>en</strong> la sortie correspondant à une impulsion .<br />
– Dans le cas <strong>de</strong>s signaux discrets, on peut faire la même analyse. La transformation<br />
<strong>de</strong> Fourier est remplacée par la transformation <strong>de</strong> Fourier discrète et se<br />
calcule par FFT.<br />
Généralem<strong>en</strong>t, on distingue les filtres suivant l’action qu’ils ont sur le spectre (c’està-dire<br />
par la forme <strong>de</strong> leur fonction <strong>de</strong> transfert) :<br />
– un filtre passe-bas va éliminer ou atténuer fortem<strong>en</strong>t l’énergie <strong>de</strong>s hautes<br />
fréqu<strong>en</strong>ces d’un spectre <strong>en</strong> ne laissant passer que les basses fréqu<strong>en</strong>ces ;<br />
– un filtre passe-haut va éliminer ou atténuer fortem<strong>en</strong>t l’énergie <strong>de</strong>s basses<br />
fréqu<strong>en</strong>ces d’un spectre ;<br />
– un filtre passe-ban<strong>de</strong> ne conservera que l’énergie conc<strong>en</strong>trée dans une ban<strong>de</strong><br />
<strong>de</strong> fréqu<strong>en</strong>ces.<br />
– un filtre coupe-ban<strong>de</strong> ou filtre <strong>de</strong> réjection qui est le complém<strong>en</strong>taire du<br />
précé<strong>de</strong>nt.
hal-00512280, version 1 - 29 Aug 2010<br />
6 BERGOUNIOUX<br />
Figure 2. Différ<strong>en</strong>ts types <strong>de</strong> <strong>filtrage</strong><br />
3. Débruitage par <strong>filtrage</strong> linéaire<br />
3.1. Filtrage spatial (bruit additif). — Nous avons vu que les filtres linéaires<br />
d’un signal 1D sont et ne sont que <strong>de</strong>s filtres <strong>de</strong> convolution. Le <strong>filtrage</strong> spatial est<br />
aussi ess<strong>en</strong>tiellem<strong>en</strong>t une opération <strong>de</strong> convolution (2D).<br />
Si f est l’image à filtrer (ou à rehausser) et g le filtre spatial (ou PSF - Point<br />
Spread Function ou masque) on a :<br />
fx, y ¦ gx, y F ¡1<br />
<br />
<br />
<br />
<br />
Ffx, y ¤ Fgx, y<br />
<br />
<br />
.<br />
Gu,v<br />
G est la fonction <strong>de</strong> transfert du filtre. Une image numérique étant ess<strong>en</strong>tiellem<strong>en</strong>t<br />
discrète (pixels et niveaux <strong>de</strong> gris) nous allons prés<strong>en</strong>ter les filtres dans le cas discret.<br />
Dans tout ce qui suit x et y sont <strong>de</strong>s <strong>en</strong>tiers (coordonnées <strong>de</strong>s pixels) et f est à valeurs<br />
<strong>en</strong>tières (dans 0, ¤ ¤ ¤ , 255. Comme dans le cas unidim<strong>en</strong>sionnel, on peut distinguer<br />
trois types <strong>de</strong> <strong>filtrage</strong> :<br />
– Le filtre passe-bas diminue le bruit mais atténue les détails <strong>de</strong> l’image (flou<br />
plus prononcé)<br />
– Le filtre passe-haut acc<strong>en</strong>tue les contours et les détails <strong>de</strong> l’mage mais amplifie<br />
le bruit<br />
– Le filtre passe-ban<strong>de</strong> élimine certaines fréqu<strong>en</strong>ces indésirables prés<strong>en</strong>tes dans<br />
l’image<br />
On ne fait pas <strong>en</strong> général une convolution globale mais une transformation locale,<br />
basée sur le voisinage d’un point x, y :
hal-00512280, version 1 - 29 Aug 2010<br />
Figure 3. Convolution locale<br />
FILTRAGE 7<br />
Le noyau <strong>de</strong> convolution (masque, PSF ) du filtre κ est à support compact inclus<br />
dans x1, x2 ¢ y1, y2 :<br />
gx, y f ¦ κx, y <br />
x2 <br />
y2 <br />
ix1 jy1<br />
fx ¡ i, y ¡ jκi, j.<br />
Généralem<strong>en</strong>t le filtre est <strong>de</strong> dim<strong>en</strong>sions di impaires et est symétrique. Dans ce cas<br />
x1, x2 ¡ d1 d1<br />
,<br />
2<br />
(3) f ¦ κx, y <br />
d1¡12 <br />
2 et y1, y2 ¡ d2<br />
2<br />
d2¡12 <br />
i¡d1¡12 j¡d2¡12<br />
Table 1. Filtre(i,j) - d1 d2 3<br />
w1 w2 w3 y ¡ 1<br />
w4 w5 w6 y<br />
w7 w8 w9 y 1<br />
<br />
x ¡ 1 x x 1<br />
, d2<br />
2 ,<br />
fx i, y jκi, j.<br />
Ici d1 d2 d 3. On ne filtre pas les bords pour éviter <strong>de</strong>s distorsions ; donc<br />
κ0, 0 w5.<br />
Sur cet exemple on a précisém<strong>en</strong>t<br />
gx, y w1fx ¡ 1, y ¡ 1 w2fx, y ¡ 1 w3fx 1, y ¡ 1<br />
w4fx ¡ 1, y w5fx, y w6fx 1, y<br />
w7fx ¡ 1, y 1 w8fx, y 1 w9fx 1, y 1.
hal-00512280, version 1 - 29 Aug 2010<br />
8 BERGOUNIOUX<br />
Afin <strong>de</strong> conserver la moy<strong>en</strong>ne <strong>de</strong> l’image f, la somme <strong>de</strong>s élém<strong>en</strong>ts du filtre est normalisée<br />
à 1 : <br />
wi 1.<br />
i<br />
Un filtre 2D est dit séparable s’il est possible <strong>de</strong> décomposer le noyau <strong>de</strong> convolution<br />
h2D <strong>en</strong> <strong>de</strong>ux filtres 1D appliqués successivem<strong>en</strong>t <strong>en</strong> horizontal puis <strong>en</strong> vertical<br />
(ou inversem<strong>en</strong>t) :<br />
h2D h V 1D h H 1D,<br />
où le symbole désigne le produit t<strong>en</strong>soriel. On peut alors traiter séparém<strong>en</strong>t les<br />
lignes et les colonnes <strong>de</strong> l’image.<br />
Pour qu’un filtre 2D soit séparable il faut et il suffit que les coeffici<strong>en</strong>ts <strong>de</strong> ses<br />
lignes et <strong>de</strong> ses colonnes soi<strong>en</strong>t proportionnels.<br />
Exemple 3.1 (Filtres séparables ). — Ils sont obt<strong>en</strong>us comme suit. En pratique<br />
cela revi<strong>en</strong>t à faire un produit matriciel.<br />
a b c <br />
α<br />
β<br />
γ<br />
<br />
aα bα cα<br />
aβ bβ cβ<br />
aγ bγ cγ<br />
Exemple 3.2 (Filtre <strong>de</strong> moy<strong>en</strong>ne passe -bas ). —<br />
1<br />
9 ¤<br />
1 1 1<br />
1 1 1<br />
1 1 1<br />
1<br />
25 ¤<br />
<br />
α<br />
β<br />
γ<br />
¢ a b c .<br />
1 1 1 1 1<br />
1 1 1 1 1<br />
1 1 1 1 1<br />
1 1 1 1 1<br />
1 1 1 1 1<br />
Table 2. Filtres <strong>de</strong> moy<strong>en</strong>ne 3 x 3 et 5 x 5 respectivem<strong>en</strong>t
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 9<br />
(a) Image originale (b) Image bruitée (bruit gaussi<strong>en</strong> σ 0.05)<br />
(c) Filtre <strong>de</strong> moy<strong>en</strong>ne 3 x 3 (d) Filtre <strong>de</strong> moy<strong>en</strong>ne 5 x 5<br />
Figure 4. Effet <strong>de</strong> lissage<br />
Ce sont <strong>de</strong>s filtres séparables.
hal-00512280, version 1 - 29 Aug 2010<br />
10 BERGOUNIOUX<br />
Exemple 3.3 (Filtre gaussi<strong>en</strong>). —<br />
Si par exemple σ 0.8 on a le filtre 3 ¢ 3 suivant<br />
G¡1, ¡1 G0, ¡1 G1, ¡1<br />
G¡1, 0 G0, 0 G1, 0<br />
G¡1, 1 G0, 1 G1, 1<br />
et σ 1 pour un filtre 5 ¢ 5 donne <strong>en</strong>viron<br />
1<br />
300 ¤<br />
1 4 6 4 1<br />
4 18 30 18 4<br />
6 30 48 30 6<br />
4 18 30 18 4<br />
1 4 6 4 1<br />
1<br />
16 ¤<br />
.<br />
1 2 1<br />
2 4 2<br />
1 2 1<br />
Idéalem<strong>en</strong>t, on <strong>de</strong>vrait prévoir un filtre <strong>de</strong> taille 6σ 1 ¢ 6σ 1. En général un<br />
filtre gaussi<strong>en</strong> avec σ 1 est utilisé pour réduire le bruit, et si σ 1 c’est dans le but<br />
<strong>de</strong> fabriquer une image qu’on va utiliser pour faire un masque flou personnalisé.<br />
Il faut noter que plus σ est grand, plus le flou appliqué à l’image sera marqué.<br />
Exemple 3.4 (Filtre binômial). —<br />
Les coeffici<strong>en</strong>ts <strong>de</strong> ce filtre sont obt<strong>en</strong>us par le binôme <strong>de</strong> Newton. Un filtre 1D<br />
binômial d’ordre 4 est un filtre donné par le vecteur v 1<br />
1 4 6 4 1. Un filtre 2D<br />
16<br />
binômial d’ordre 4 est le filtre séparable donné par vv :<br />
1<br />
256 ¤<br />
1 4 6 4 1<br />
4 16 24 16 4<br />
6 24 36 24 6<br />
4 16 24 16 4<br />
1 4 6 4 1
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 11<br />
Ces filtres sont <strong>de</strong>s filtres passe-bas : ils atténu<strong>en</strong>t les détails <strong>de</strong> l’image (et donc le<br />
bruit additif) mais <strong>en</strong> érodant les contours ajout<strong>en</strong>t du flou à l’image. Nous verrons<br />
dans une section suivante comm<strong>en</strong>t atténuer le flou.<br />
3.2. Filtrage fréqu<strong>en</strong>tiel (bruit additif). —<br />
3.2.1. Filtre passe-bas. — Nous avons déjà parlé du filtre passe-bas idéal dans le<br />
cas <strong>de</strong> signaux unidim<strong>en</strong>sionnels. De manière analogue, on définit une fréqu<strong>en</strong>ce<br />
<strong>de</strong> coupure δc au <strong>de</strong>ssus <strong>de</strong> laquelle les fréqu<strong>en</strong>ces sont annulées (filtre idéal). La<br />
fonction <strong>de</strong> transfert est alors<br />
<br />
1<br />
Hλ, µ <br />
0<br />
<br />
si λ2 sinon<br />
µ 2 δc<br />
Figure 5. Fonction <strong>de</strong> transfert idéale <br />
Le créneau c<strong>en</strong>tré H admet une transformée <strong>de</strong> Fourier inverse qui est le sinus<br />
cardnal qui prés<strong>en</strong>te d’autant plus d’ondulations que la fréqu<strong>en</strong>ce <strong>de</strong> coupure est<br />
petite. Cela <strong>en</strong>traîne un flou qui sera d’autant plus réduit que δc est grand.<br />
(a) Image originale (b) Image filtrée<br />
Figure 6. Application d’un créneau idéal (δc 15% <strong>de</strong> la taille <strong>de</strong><br />
l’image) : on voit clairem<strong>en</strong>t les ondulations.
hal-00512280, version 1 - 29 Aug 2010<br />
12 BERGOUNIOUX<br />
On a vu que le filtre passe-bas idéal n’est pas réalisable et on fait donc une approximation<br />
<strong>de</strong> la fonction H précé<strong>de</strong>nte qui aura pour effet, non pas <strong>de</strong> couper les hautes<br />
fréqu<strong>en</strong>ces mais <strong>de</strong> les atténuer fortem<strong>en</strong>t. Le filtre suivant est le filtre passe-bas <strong>de</strong><br />
Butterworth La fonction <strong>de</strong> transfert est alors<br />
1<br />
Hλ, µ <br />
où δc est <strong>en</strong>core la fréqu<strong>en</strong>ce <strong>de</strong> coupure.<br />
1<br />
¢ 2n λ2 µ 2<br />
Figure 7. Fonction <strong>de</strong> transfert <strong>de</strong> Butterworth<br />
En traitem<strong>en</strong>t d’image, un filtre passe-bas atténue les hautes fréqu<strong>en</strong>ces : le résultat<br />
obt<strong>en</strong>u après un tel <strong>filtrage</strong> est un adoucissem<strong>en</strong>t <strong>de</strong>s détails et une réduction du bruit<br />
granuleux.<br />
3.2.2. Filtres passe-haut. — Le filtre passe-haut idéal est obt<strong>en</strong>u <strong>de</strong> manière<br />
symétrique au passe- bas par<br />
Le filtre passe-haut <strong>de</strong> Butterworth est donné par<br />
Hλ, µ <br />
1<br />
1<br />
δc<br />
¢ 2n δc <br />
λ2 µ 2
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 13<br />
Un filtre passe haut favorise les hautes fréqu<strong>en</strong>ces spatiales, comme les détails, et<br />
<strong>de</strong> ce fait, il améliore le contraste. Toutefois, il produit <strong>de</strong>s effets secondaires :<br />
– augm<strong>en</strong>tation du bruit : dans les images avec un rapport Signal/ Bruit<br />
faible, le filtre augm<strong>en</strong>te le bruit granuleux dans l’image.<br />
– effet <strong>de</strong> bord : il est possible que sur les bords <strong>de</strong> l’image apparaisse un<br />
cadre. Mais cet effet est souv<strong>en</strong>t négligeable et peut s’éliminer <strong>en</strong> tronquant les<br />
bords <strong>de</strong> l’image où <strong>en</strong> faisant une réflexion <strong>de</strong> quelques pixels <strong>de</strong> l’image autour<br />
<strong>de</strong> son cadre.<br />
(a) Filtrage passe-bas (b) Filtrage passe-haut<br />
Figure 8. Filtrage passe-bas et passe-haut avec un filtre <strong>de</strong> Butterworth<br />
(n 4 et δc 0.15¦ taille <strong>de</strong> l’image)<br />
3.2.3. Filtres passe-ban<strong>de</strong>. — Ils permett<strong>en</strong>t <strong>de</strong> ne gar<strong>de</strong>r que les fréqu<strong>en</strong>ces comprises<br />
dans un certain intervalle :<br />
<br />
1<br />
Hλ, µ <br />
si δc ¡ ε<br />
2 λ2 µ 2 δc ε<br />
0 sinon<br />
2<br />
ε est la largeur <strong>de</strong> ban<strong>de</strong> et δc la fréqu<strong>en</strong>ce <strong>de</strong> coupure.<br />
Figure 9. Fonction <strong>de</strong> transfert d’un filtre passe-ban<strong>de</strong> idéal
hal-00512280, version 1 - 29 Aug 2010<br />
14 BERGOUNIOUX<br />
3.3. Application au <strong>filtrage</strong> différ<strong>en</strong>tiel. — Dans les modèles différ<strong>en</strong>tiels, on<br />
considère l’image comme une fonction continue f : I ¢ I 0, 255 dont on étudie<br />
le comportem<strong>en</strong>t local à l’ai<strong>de</strong> <strong>de</strong> ses dérivées. Une telle étu<strong>de</strong> n’a <strong>de</strong> s<strong>en</strong>s que si la<br />
fonction f est assez régulière. Ce n’est pas toujours le cas ! ! une image noir et blanc<br />
sera discontinue (<strong>en</strong> fait continue par morceaux) les zones <strong>de</strong> discontinuité étant par<br />
ess<strong>en</strong>ce les contours.<br />
Au premier ordre on peut calculer <strong>en</strong> chaque point Mx, y, le gradi<strong>en</strong>t <strong>de</strong> l’image :<br />
∇fx, y f f<br />
,<br />
x y .<br />
Grâce au plongem<strong>en</strong>t dans l’espace continu, un grand nombre d’opérations d’analyse<br />
peuv<strong>en</strong>t s’exprimer <strong>en</strong> termes d’équations aux dérivées partielles. Ceci permet <strong>de</strong><br />
donner un fon<strong>de</strong>m<strong>en</strong>t mathématique satisfaisant aux traitem<strong>en</strong>ts et aussi <strong>de</strong> fournir<br />
<strong>de</strong>s <strong>métho<strong>de</strong>s</strong> pour les calculer, par <strong>de</strong>s schémas numériques <strong>de</strong> résolution.<br />
Les filtres différ<strong>en</strong>tiels permett<strong>en</strong>t <strong>de</strong> mettre <strong>en</strong> évi<strong>de</strong>nce certaines variations spatiales<br />
<strong>de</strong> l’image. Ils sont utilisés comme traitem<strong>en</strong>ts <strong>de</strong> base dans <strong>de</strong> nombreuses<br />
opérations comme le rehaussem<strong>en</strong>t <strong>de</strong> contraste ou la détection <strong>de</strong> contours.<br />
En pratique, il faut approcher les gradi<strong>en</strong>ts pour travailler avec <strong>de</strong>s gradi<strong>en</strong>ts<br />
discrets. Les approximations les plus simples <strong>de</strong>s dérivées directionnelles se font<br />
par différ<strong>en</strong>ces finies. On peut les calculer par exemple à l’ai<strong>de</strong> convolution avec <strong>de</strong>s<br />
noyaux très simples : par exemple, l’approximation <strong>de</strong> f<br />
se fait par convolution avec<br />
0 ¡ 1 1. En effet, dans ce cas, la formule générale <strong>de</strong> convolution discrète (3) donne<br />
(avec d1 3 et d2 0) :<br />
gx, y <br />
1<br />
<br />
i¡1 j0<br />
De même l’approximation <strong>de</strong> f<br />
y<br />
fx i, y jκi, j ¡fx, y fx 1, y f<br />
x, y.<br />
x<br />
x<br />
se fait par convolution avec<br />
gx, y ¡fx, y fx, y 1 f<br />
x, y.<br />
y<br />
0 ¡1 1 y<br />
<br />
x ¡ 1 x x 1<br />
<br />
0<br />
¡1<br />
1<br />
<br />
:<br />
0 y ¡ 1<br />
¡1 y<br />
1 y 1<br />
<br />
x<br />
Table 3. Masques (κi, j) <strong>de</strong>s gradi<strong>en</strong>ts par rapport à x (gauche) et y (droite)
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 15<br />
On utilise plus souv<strong>en</strong>t ¡1 0<br />
<br />
1 et ¡1<br />
<br />
0 qui produis<strong>en</strong>t <strong>de</strong>s frontières plus<br />
1<br />
épaisses mais qui sont bi<strong>en</strong> c<strong>en</strong>trées. Ces opérations sont très s<strong>en</strong>sibles au bruit et on<br />
les combine généralem<strong>en</strong>t avec un filtre lisseur dans la direction orthogonale à celle <strong>de</strong><br />
dérivation, par exemple par le noyau suivant (ou sa transposée) : 1 2 1. On obti<strong>en</strong>t<br />
alors <strong>de</strong>s filtres séparables. Le calcul <strong>de</strong>s dérivées directionnelles <strong>en</strong> x et y revi<strong>en</strong>t<br />
finalem<strong>en</strong>t à la convolution avec les noyaux suivants :<br />
f<br />
x x, y f ¦ hxx, y et<br />
f<br />
y x, y f ¦ hyx,<br />
avec hx ¡1 0 1 1 2 1<br />
y<br />
t ¤<br />
¥ ¡1 0 1<br />
¡2 0<br />
<br />
2 et<br />
hy 1 2 1 ¡1 2 1<br />
¡1 0 1<br />
t ¤<br />
¥ ¡1 ¡2 ¡1<br />
0 0<br />
<br />
0 .<br />
1<br />
Ce sont les masques <strong>de</strong> Sobel.<br />
2 1<br />
(a) Original (b) Noyau ¡1 0 1 (c) Noyau ¡1 0 1 t<br />
Figure 10. Gradi<strong>en</strong>ts avec <strong>de</strong>s noyaux sans <strong>filtrage</strong><br />
(a) Gradi<strong>en</strong>t horizontal (b) Gradi<strong>en</strong>t vertical (c) Norme du gradi<strong>en</strong>t<br />
Figure 11. Gradi<strong>en</strong>ts <strong>de</strong> Sobel
hal-00512280, version 1 - 29 Aug 2010<br />
16 BERGOUNIOUX<br />
Figure 12. Gradi<strong>en</strong>ts <strong>de</strong> Robinson dans 3 directions différ<strong>en</strong>tes (voir tableau<br />
4. suivant)<br />
(a) Original (b) Norme du gradi<strong>en</strong>t<br />
(c) Gradi<strong>en</strong>t <strong>en</strong> x (d) Gradi<strong>en</strong>t <strong>en</strong> y<br />
Figure 13. Détection <strong>de</strong> contours par une convolution <strong>de</strong> type Sobel
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 17<br />
Types <strong>de</strong> masque Amplitu<strong>de</strong> Direction<br />
Masques <strong>de</strong> Roberts<br />
-1 0<br />
0 1<br />
G1, G2<br />
0 -1<br />
1 0<br />
Masques <strong>de</strong> Sobel<br />
1 0 -1<br />
2 0 -2<br />
1 0 -1<br />
Gx, Gy<br />
1 2 1<br />
0 0 0<br />
-1 -2 -1<br />
Masques <strong>de</strong> Prewitt<br />
1 0 -1<br />
1 0 -1<br />
1 0 -1<br />
Gx, Gy<br />
1 1 1<br />
0 0 0<br />
-1 -1 -1<br />
Masques <strong>de</strong> Kirsh<br />
5 5 5<br />
-3 0 -3<br />
-3 -3 -3<br />
A G 2 1 G2 2 θ π<br />
+ arctan<br />
<br />
A G2 x G2 y θ = arctan<br />
<br />
A G2 x G2 y θ = arctan<br />
4<br />
¢ G2<br />
Direction<br />
G1<br />
¢ Gy<br />
Gx<br />
¢ Gy<br />
Gx<br />
maximum <strong>de</strong>s Gi correspondant<br />
+ les 7 autres masques obt<strong>en</strong>us par au Gi sélectionné<br />
permutation circulaire <strong>de</strong>s coeffici<strong>en</strong>ts<br />
Gi pour i <strong>de</strong> 1 à 8<br />
Masques <strong>de</strong> Robinson<br />
1 1 1<br />
1 -2 1<br />
-1 -1 -1<br />
+ les 7 autres masques obt<strong>en</strong>us par<br />
permutation circulaire <strong>de</strong>s coeffici<strong>en</strong>ts<br />
Gi pour i <strong>de</strong> 1 à 8<br />
Table 4. Différ<strong>en</strong>ts types <strong>de</strong> masques - gradi<strong>en</strong>ts<br />
maximum <strong>de</strong>s Gi I<strong>de</strong>m
hal-00512280, version 1 - 29 Aug 2010<br />
18 BERGOUNIOUX<br />
De la même façon, l’approximation par différ<strong>en</strong>ces finies la plus simple <strong>de</strong> la<br />
dérivée secon<strong>de</strong> est la convolution par le noyau 1 ¡ 2 1 pour l’approximation <strong>de</strong><br />
2 <br />
f<br />
et <br />
x2 1<br />
<br />
¡2 pour l’approximation <strong>de</strong><br />
1<br />
2f y2 . Le laplaci<strong>en</strong> ∆f 2f x2 2 f<br />
y2 peut<br />
donc être approché par l’un opérateurs linéaires suivants :<br />
Laplaci<strong>en</strong> discret - 4 Laplaci<strong>en</strong> discret - 8 Laplaci<strong>en</strong> <strong>de</strong> Robinson<br />
0 1 0<br />
1 -4 1<br />
0 1 0<br />
1 1 1<br />
1 -8 1<br />
1 1 1<br />
1 -2 1<br />
-2 4 -2<br />
1 -2 1<br />
(a) Laplaci<strong>en</strong> 4-connexe (b) Laplaci<strong>en</strong> 8-connexe (c) Laplaci<strong>en</strong> <strong>de</strong> Robinson<br />
Figure 14. Calcul du laplaci<strong>en</strong><br />
Les filtres prés<strong>en</strong>tés dans cette section sont ess<strong>en</strong>tiellem<strong>en</strong>t <strong>de</strong>s filtres passe-haut.<br />
Ils permett<strong>en</strong>t d’isoler les détails d’une image (les contours et les textures sur une<br />
image non bruitée et le bruit <strong>en</strong> plus sur une image bruitée).<br />
3.4. Filtrage par équations aux dérivées partielles. —<br />
3.4.1. Équation <strong>de</strong> la chaleur. — Considérons un <strong>filtrage</strong> gaussi<strong>en</strong> dans le cadre<br />
continu. On sait que si l’image <strong>de</strong> départ est une fonction uo définie sur R2 (mais<br />
L à support compact), l’image filtrée est la convolée <strong>de</strong> uo avec un noyau gaussi<strong>en</strong><br />
Gσx Gσx1, x2 1<br />
¢<br />
exp ¡<br />
2πσ2 x21 x2 2<br />
2σ2 <br />
1<br />
¢<br />
exp ¡<br />
2πσ2 x2<br />
2σ2 <br />
.
hal-00512280, version 1 - 29 Aug 2010<br />
On pose ut, x ht, ¤ ¦ uox où ht, x G 1<br />
2tx <br />
FILTRAGE 19<br />
4πt exp<br />
¢<br />
¡ x2<br />
4t<br />
<br />
. Comme<br />
ht, ¤ C R 2 a ses dérivées bornées et uo L 1 R 2 , la convolée ut, ¤ est aussi C <br />
et on peut calculer ∆u :<br />
t 0, x R 2<br />
∆ut, x 2u x2 t, x<br />
1<br />
2u x2 t, x ∆ht, ¤ ¦ uox.<br />
2<br />
Un rapi<strong>de</strong> calcul montre que<br />
¢<br />
∆ht, x ¡ 1<br />
4πt2 x2 16πt3 ¢<br />
exp ¡ x2<br />
<br />
<br />
4t<br />
et on obti<strong>en</strong>t<br />
∆ut, x <br />
¢<br />
¡ 1<br />
t<br />
¢<br />
¡ 1<br />
t<br />
x2 4t2 <br />
ut, x.<br />
x2 4t2 <br />
ht, x,<br />
D’autre part, pour t 0 on peut dériver directem<strong>en</strong>t u par rapport à t :<br />
<br />
u<br />
h<br />
t, x <br />
t t t, yuox ¡ ydy<br />
et on obti<strong>en</strong>t finalem<strong>en</strong>t<br />
u<br />
t t, x ¡ ∆ut, x 0 sur 0, t¢R2 .<br />
D’autre part, avec<br />
on obti<strong>en</strong>t<br />
<br />
ut, x <br />
R<br />
R<br />
1<br />
4πt exp<br />
¢<br />
¡ y2<br />
4t<br />
<br />
uox ¡ ydy<br />
lim<br />
t0 ut, x δx, uo uox,<br />
car la famille <strong>de</strong> Gaussi<strong>en</strong>nes converge au s<strong>en</strong>s <strong>de</strong>s distributions vers la mesure <strong>de</strong><br />
Dirac.<br />
Figure 15. Gaussi<strong>en</strong>nes
hal-00512280, version 1 - 29 Aug 2010<br />
20 BERGOUNIOUX<br />
La fonction filtrée u vérifie l’équation aux dérivées partielles suivante (équation<br />
<strong>de</strong> la chaleur) :<br />
<br />
u<br />
t, x ¡ ∆ut, x 0 dans 0, T ¢Ω<br />
(4)<br />
t<br />
u0, x uox x Ω<br />
où Ω est le cadre <strong>de</strong> l’image, i.e. l’ouvert <strong>de</strong> R 2 où la fonction u est définie. On<br />
peut alors imposer soit <strong>de</strong>s conditions aux limites au bord <strong>de</strong> Ω (niveau <strong>de</strong> gris fixé)<br />
soit <strong>de</strong>s conditions aux limites périodiques <strong>en</strong> périodisant la fonction u (si le cadre est<br />
rectangle par exemple).<br />
On peut alors utiliser un schéma aux différ<strong>en</strong>ces finies pour calculer la solution <strong>de</strong><br />
l’EDP. Suivant le temps d’évolution, on obti<strong>en</strong>t une version plus ou moins lissée <strong>de</strong><br />
l’image <strong>de</strong> départ.<br />
(a) Original (b) Image bruitée σ 0.1 (c) Image filtrée<br />
Figure 16. Filtrage par EDP <strong>de</strong> la chaleur avec pas <strong>de</strong> temps dt 0.2 et<br />
15 itérations<br />
3.4.2. Mise <strong>en</strong> œuvre numérique. — La mise <strong>en</strong> œuvre numérique se fait avec une<br />
discrétisation <strong>en</strong> différ<strong>en</strong>ces finies, la plupart du temps explicite <strong>en</strong> raison <strong>de</strong> la très<br />
gran<strong>de</strong> taille <strong>de</strong>s images (et donc <strong>de</strong>s matrices associées). La condition <strong>de</strong> Neumann<br />
est assurée grâce à une réflexion <strong>de</strong> l’image par rapport à ses bords. En traitem<strong>en</strong>t<br />
d’image on considère souv<strong>en</strong>t que la taille est donnée par le nombre <strong>de</strong> pixels <strong>de</strong> sorte<br />
que le pas <strong>de</strong> discrétisation est h 1. On peut discrétiser le gradi<strong>en</strong>t <strong>de</strong> différ<strong>en</strong>tes<br />
manières (c<strong>en</strong>trée, à droite, à gauche )<br />
(5) δxui,j ui 1,j ¡ ui¡1,j<br />
2<br />
, δyui,j ui,j 1 ¡ ui,j¡1<br />
,<br />
2<br />
δ x ui,j ui 1,j ¡ ui,j, δ y ui,j ui,j 1 ¡ ui,j,<br />
δ ¡ x ui,j ui,j ¡ ui¡1,j, δ ¡ y ui,j ui,j ¡ ui,j¡1.
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 21<br />
La norme du gradi<strong>en</strong>t peut se calculer par un schéma ENO (Ess<strong>en</strong>tially Non Oscillatory).<br />
Deux approximations possibles <strong>de</strong> ∇u sont<br />
ou<br />
∇ ui,j <br />
∇ ¡ ui,j <br />
<br />
maxδ ¡ x ui,j, 0 2 minδ x ui,j, 0 2 maxδ ¡ y ui,j, 0 2 minδ y ui,j0 2 ,<br />
<br />
maxδ x ui,j, 0 2 minδ ¡ x ui,j, 0 2 maxδ y ui,j, 0 2 minδ ¡ y ui,j0 2 .<br />
Si l’opérateur gradi<strong>en</strong>t est discrétisé par différ<strong>en</strong>ces finies à droite, alors une discrétisation<br />
possible <strong>de</strong> la diverg<strong>en</strong>ce est donnée par<br />
(6) div pi,j <br />
<br />
<br />
<br />
p 1 i,j ¡ p1 i¡1,j si 1 i N<br />
p 1 i,j si i 1<br />
¡p 1 i¡1,j si i N<br />
<br />
<br />
avec p p 1 , p 2 et N, M est la taille <strong>de</strong> l’image.<br />
<br />
p 2 i,j ¡ p2 i,j¡1 si 1 j M<br />
p 2 i,j si j 1<br />
¡p 2 i,j¡1 si j M<br />
3.5. Déconvolution (cas d’un flou). — Une autre source <strong>de</strong> perturbation d’une<br />
image est le flou . Nous avons vu qu’un filtre <strong>de</strong> convolution passe-bas permettait<br />
d’<strong>en</strong>lever le bruit additif mais que l’image filtrée était floutée. Cela s’explique par<br />
le fait que l’opérateur <strong>de</strong> convolution est régularisant. Un tel opérateur est souv<strong>en</strong>t<br />
modélisé par un produit <strong>de</strong> convolution, <strong>de</strong> noyau positif symétrique h (qui est la<br />
plupart du temps gaussi<strong>en</strong>). Il n’est pas nécessairem<strong>en</strong>t inversible (et même lorsqu’il<br />
est inversible, son inverse est souv<strong>en</strong>t numériquem<strong>en</strong>t difficile à calculer).<br />
3.5.1. Approche spatiale : équation <strong>de</strong> la chaleur rétrogra<strong>de</strong> (inverse). — Nous<br />
avons constaté précé<strong>de</strong>mm<strong>en</strong>t que faire une convolution par un noyau gaussi<strong>en</strong> revi<strong>en</strong>t<br />
à résoudre une équation <strong>de</strong> la chaleur. Le pas <strong>de</strong> temps joue le rôle <strong>de</strong> l’écart type <strong>de</strong><br />
la gaussi<strong>en</strong>ne. Pour faire l’opération inverse, la déconvolution on peut donc imaginer<br />
<strong>de</strong> résoudre une équation <strong>de</strong> la chaleur rétrogra<strong>de</strong> <strong>en</strong> partant <strong>de</strong> l’état final <br />
qui est l’image floutée et <strong>en</strong> ajustant le pas <strong>de</strong> temps au rapport signal sur bruit.<br />
(7)<br />
<br />
<br />
<br />
u<br />
t, x ∆ut, x 0 dans 0, T ¢Ω<br />
t<br />
uT, x uox x Ω
hal-00512280, version 1 - 29 Aug 2010<br />
22 BERGOUNIOUX<br />
(a) Image floutée (b) Original (c) Itération 5<br />
Figure 17. Déconvolution par équation <strong>de</strong> la chaleur inverse : dt 1.5<br />
Cette équation est notoirem<strong>en</strong>t mal posée (on ne peut assurer ni l’exist<strong>en</strong>ce d’une<br />
solution, ni la stabilité d’un schéma numérique) et il convi<strong>en</strong>t <strong>de</strong> ne faire qu’un petit<br />
nombre d’itérations.<br />
(a) Itération 6 (b) Itération 8<br />
Figure 18. Déconvolution par équation <strong>de</strong> la chaleur inverse : dt 1<br />
3.5.2. Filtre inverse et Algorithme <strong>de</strong> Van Cittert. — L’algorithme <strong>de</strong> Van Cittert<br />
repose sur la formulation fréqu<strong>en</strong>tielle d’une convolution. Supposons que h soit<br />
l’opérateur <strong>de</strong> flou (inconnu ou donné par étalonnage <strong>de</strong>s appareils <strong>de</strong> mesure). On<br />
ne pr<strong>en</strong>d pas <strong>en</strong> compte le bruit. L’image floutée f vérifie f h ¦ u, où u est l’image<br />
originale (qu’on veut retrouver). Une formulation équival<strong>en</strong>te est ˆ f ˆ hû c’est-à-dire<br />
û ˆ f<br />
ˆh .
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 23<br />
Le filtre inverse est le plus simple <strong>de</strong>s filtres. Dans certaines conditions, il peut donner<br />
<strong>de</strong> très bons résultats. Il consiste donc à calculer 1ˆ h et à l’appliquer à l’image floutée.<br />
C’est le meilleur filtre pour déconvoluer une image non bruitée. L’image restaurée<br />
est presque i<strong>de</strong>ntique à l’image d’origine. Toutefois il n’est pas toujours possible <strong>de</strong><br />
calculer 1ˆ h. Une alternative est l’algorithme <strong>de</strong> Van Cittert.<br />
Posons ˆg 1 ¡ ˆ h <strong>de</strong> sorte que formellem<strong>en</strong>t on obti<strong>en</strong>t<br />
û ˆ f<br />
1 ¡ ˆg <br />
£<br />
<br />
ˆg<br />
k1<br />
k<br />
<br />
ˆf.<br />
£<br />
n<br />
Si on pose uo f et ûn ˆg k<br />
<br />
ˆf pour tout n 1 on obti<strong>en</strong>t<br />
ou <strong>de</strong> manière équival<strong>en</strong>te<br />
k0<br />
ûn 1 ˆ f ˆgûn ˆ f 1 ¡ ˆ hûn,<br />
un 1 f un ¡ h ¦ un.<br />
(a) Itération 4 (b) Itération 8<br />
Figure 19. Déconvolution par algorithme <strong>de</strong> Van Cittert : h est un<br />
masque gaussi<strong>en</strong> <strong>de</strong> taille 9 et d’écart-type σ 1 (connu)<br />
La principale difficulté dans l’utilisation <strong>de</strong> cet algorithme est le choix a priori du<br />
filtre h.<br />
Le filtre inverse est une technique très utile pour la déconvolution mais il ne pr<strong>en</strong>d<br />
pas <strong>en</strong> compte le bruit. f est une image floutée et bruitée : f h ¦ u b, où u<br />
est l’image originale à restaurer et b un bruit blanc gaussi<strong>en</strong>, le passage à un filtre
hal-00512280, version 1 - 29 Aug 2010<br />
24 BERGOUNIOUX<br />
inverse donne û ˆ f<br />
ˆh ¡ ˆb . Le bruit blanc chargeant uniformém<strong>en</strong>t les fréqu<strong>en</strong>ces on<br />
ˆh<br />
a ˆb 1 et si h est un filtre passe- bas ˆ h 0 au vosinage <strong>de</strong> l’infini (c’est-à-dire au<br />
<strong>de</strong>ssus d’une fréqu<strong>en</strong>ce <strong>de</strong> coupure λc). Il s’<strong>en</strong>suit que le <strong>filtrage</strong> est efficace dans une<br />
ban<strong>de</strong> <strong>de</strong> fréqu<strong>en</strong>ces inférieures à λc mais que le bruit est amplifié au <strong>de</strong>là.<br />
Pour traiter <strong>de</strong>s images à la fois floutées et bruitées on préfère utiliser le filtre <strong>de</strong><br />
Wi<strong>en</strong>er.<br />
4. Débruitage par <strong>filtrage</strong> non linéaire<br />
4.1. Filtres médians. — Ce ne sont pas <strong>de</strong>s filtres linéaires (et donc pas <strong>de</strong>s filtres<br />
<strong>de</strong> convolution).<br />
où Sx, y est un voisinage <strong>de</strong> x, y.<br />
30 10 20<br />
10 250 25<br />
20 25 30<br />
gx, y médianefn, m n, m Sx, y ,<br />
<br />
bruit<br />
<br />
10 10 20 20 25 25 30 30 250<br />
<br />
médiane<br />
On remplace la valeur du pixel par la valeur médiane ou la valeur moy<strong>en</strong>ne. Ce filtre<br />
est utile pour contrer l’effet Poivre et Sel (P& S) c’est-à-dire <strong>de</strong>s faux 0 et<br />
255 dans l’image.<br />
Figure 20. Image bruitée Poivre et Sel
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 25<br />
(a) Filtre <strong>de</strong> moy<strong>en</strong>ne -taille 3 (b) Filtre médian - taille 3<br />
(c) Filtre <strong>de</strong> moy<strong>en</strong>ne -taille 5 (d) Filtre médian - taille 5<br />
(e) Filtre <strong>de</strong> moy<strong>en</strong>ne -taille 7 (f) Filtre médian - taille 7<br />
Figure 21. Comparaison filtres <strong>de</strong> moy<strong>en</strong>ne et filtres médians<br />
Si le bruit P& S est supérieur à la moitié <strong>de</strong> la dim<strong>en</strong>sion du filtre, le <strong>filtrage</strong> est<br />
inefficace.
hal-00512280, version 1 - 29 Aug 2010<br />
26 BERGOUNIOUX<br />
4.2. Modèle <strong>de</strong> Peronna-Malik. — Pour améliorer les résultats obt<strong>en</strong>us par<br />
l’EDP <strong>de</strong> la chaleur, Peronna et Malik ont proposé <strong>de</strong> modifier l’équation <strong>en</strong> y<br />
intégrant un processus <strong>de</strong> détection <strong>de</strong>s bords :<br />
<br />
<br />
u<br />
t, x div c∇u∇ut, x dans 0, T ¢Ω<br />
t<br />
(8)<br />
u<br />
<br />
0 sur 0, T ¢Ω<br />
n<br />
u0, x uox x Ω<br />
où c est une fonction décroissante <strong>de</strong> R dans R .<br />
(a) Image originale (b) Image bruitée σ 0.1<br />
(c) Filtrage par EDP <strong>de</strong> la chaleur<br />
(d) Filtrage avec le modèle <strong>de</strong><br />
Peronna-Malik<br />
Figure 22. Filtrage par EDP <strong>de</strong> la chaleur avec pas <strong>de</strong> temps dt 0.2 et<br />
15 itérations et modèle <strong>de</strong> Peronna-Malik avec dt 0.4, α 1 et 10 itérations<br />
Si c 1, on retrouve l’équation <strong>de</strong> la chaleur. On impose souv<strong>en</strong>t lim<br />
t <br />
ct 0<br />
et c0 1. Ainsi, dans les régions <strong>de</strong> faible gradi<strong>en</strong>t, l’équation agit ess<strong>en</strong>tiellem<strong>en</strong>t<br />
comme l’EDP <strong>de</strong> la chaleur, et dans les régions <strong>de</strong> fort gradi<strong>en</strong>t, la régularisation est<br />
stoppée ce qui permet <strong>de</strong> préserver les bords. Un exemple <strong>de</strong> fonction c est :<br />
ct <br />
1<br />
1 tα 2<br />
ou ct <br />
1<br />
où α est un paramètre positif.<br />
1 tα2
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 27<br />
4.3. Approche fréqu<strong>en</strong>tielle : Filtre <strong>de</strong> Wi<strong>en</strong>er. — Le filtre <strong>de</strong> Wi<strong>en</strong>er lui, ne<br />
caractérise pas le signal et le bruit par leur forme analytique mais par leurs propriétés<br />
statistiques. On considère que les images sont <strong>de</strong>s réalisations d’un processus aléatoire<br />
stationnaire : on cherche alors à minimiser la moy<strong>en</strong>ne du carré <strong>de</strong> la différ<strong>en</strong>ce <strong>en</strong>tre<br />
l’image initiale et l’image restaurée. Ce filtre est très efficace pour traiter <strong>de</strong>s images<br />
dégradées à la fois par du flou et du bruit. On considère donc une image dégradée<br />
f h ¦ u b, où u est l’image originale à restaurer, h un noyau <strong>de</strong> convolution<br />
symétrique positif (répon<strong>de</strong> impulsionnelle du filtre flou ) et b est une bruit <strong>de</strong> loi<br />
<strong>de</strong> probabilité (i<strong>de</strong>ntique pour chaque pixel) µ. L’hypothèse généralem<strong>en</strong>t faite est<br />
celle d’un bruit plan gaussi<strong>en</strong> d’écart-type σ.<br />
On modélise donc le problème par une formulation au s<strong>en</strong>s <strong>de</strong>s moindres carrés<br />
<strong>en</strong> considérant l’erreur quadratique f ¡ h ¦ u 2 L 2 que l’on va minimiser. Le problème<br />
<strong>de</strong> minimisation n’admettant pas nécessairem<strong>en</strong>t <strong>de</strong> solution conv<strong>en</strong>able, on ajoute<br />
un terme <strong>de</strong> régularisation quadratique <strong>de</strong> la forme q ¦ u 2 L 2. Le noyau q sera fixé<br />
ultérieurem<strong>en</strong>t <strong>en</strong> fonction du rapport signal sur bruit.<br />
En appliquant la transformation <strong>de</strong> Fourier le problème <strong>de</strong> minimisation s’écrit<br />
alors<br />
min<br />
UL 2 R F ¡ HU2 2<br />
UQ 2 2,<br />
où U û, F ˆ f, Q ˆq et H ˆ h. La solution U <strong>de</strong> ce problème est obt<strong>en</strong>ue par<br />
dérivation :<br />
On obti<strong>en</strong>t<br />
c’est-à-dire<br />
V L 2 R HU ¡ F, HV L 2 QU, QV L 2 0.<br />
(9) U <br />
¯HHU ¡ F Q 2 U 0,<br />
¯H<br />
H2 F.<br />
Q2 Le principe du <strong>filtrage</strong> <strong>de</strong> Wi<strong>en</strong>er est <strong>de</strong> fixer Q 2 <strong>en</strong> fonction d’une estimation du<br />
rapport signal sur bruit. Lorsque Q 0 on retrouve le <strong>filtrage</strong> inverse (pas <strong>de</strong> bruit).<br />
Idéalem<strong>en</strong>t, il faudrait choisir<br />
Qω ˆ bω<br />
ûω ,<br />
mais le choix le plus courant est <strong>de</strong> pr<strong>en</strong>dre l’inverse du rapport signal sur bruit :<br />
Q 2 ˆ b 2 <br />
û 2 ,<br />
où ˆ b 2 (resp. û 2 ) est la puissance spectrale moy<strong>en</strong>ne <strong>de</strong> b (resp. u)<br />
Pour implém<strong>en</strong>ter le filtre <strong>de</strong> Wi<strong>en</strong>er, nous <strong>de</strong>vons être <strong>en</strong> mesure d’estimer correctem<strong>en</strong>t<br />
la puissance spectrale <strong>de</strong> l’image d’origine et du bruit. Pour un bruit blanc
hal-00512280, version 1 - 29 Aug 2010<br />
28 BERGOUNIOUX<br />
gaussi<strong>en</strong>, la puissance spectrale moy<strong>en</strong>ne est égale à la variance σ 2 du bruit. La puissance<br />
spectrale <strong>de</strong> u est difficile à obt<strong>en</strong>ir puisqu’on ne connaît pas u ! ! Toutefois<br />
f h ¦ u b ˆ f ˆ hû ˆ b ˆ f 2 ˆ h 2 û 2 ˆ b 2 ,<br />
puisque le bruit b et l’image sont indép<strong>en</strong>dants. Donc, pour un bruit gaussi<strong>en</strong><br />
û 2 ˆ f 2 ¡ ˆ b 2<br />
ˆ h 2<br />
ˆ f2 ¡ σ2 ˆ h2 .<br />
En résumé, la fonction <strong>de</strong> transfert du filtre <strong>de</strong> Wi<strong>en</strong>er est donnée par<br />
ˆh<br />
(10) W <br />
ˆ h2 ,<br />
Q2 avec dans le cas où b est un bruit blanc gaussi<strong>en</strong> d’écart-type σ<br />
(11) Q 2 σ2 ˆ h 2<br />
ˆ f 2 ¡σ<br />
Remarque 4.1. — Rappelons que le spectre <strong>de</strong> puissance d’un signal est obt<strong>en</strong>u<br />
par la transformée <strong>de</strong> Fourier <strong>de</strong> sa fonction d’autocorrélation (Théorème <strong>de</strong> Wi<strong>en</strong>er-<br />
Khinchine).<br />
On peut bi<strong>en</strong> sûr tester à l’aveugle différ<strong>en</strong>tes valeurs <strong>de</strong> Q que l’on peut supposer<br />
constant.<br />
Dans l’exemple suivant, l’image a été floutée par un filtre gaussi<strong>en</strong> <strong>de</strong> taille 9 et<br />
d’écart-type 1. Elle a aussi été réfléchie pour minimiser les effets <strong>de</strong> bord.<br />
Figure 23. Déconvolution par filtre <strong>de</strong> Wi<strong>en</strong>er d’une image floutée (Q 0.15)<br />
Dans l’exemple suivant, l’image a été floutée par un filtre gaussi<strong>en</strong> <strong>de</strong> taille 9<br />
d’écart-type σf 1 et bruitée par un bruit additif gaussi<strong>en</strong> d’écart type σb 0.1.<br />
2 .
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 29<br />
Figure 24. Déconvolution par filtre <strong>de</strong> Wi<strong>en</strong>er d’une image floutée et bruitée<br />
On peut dériver d’autres filtres sur le modèle ci-<strong>de</strong>ssus. Citons<br />
– le filtre <strong>de</strong> Wi<strong>en</strong>er paramétrique Q γQo où Qo est donné par la relation<br />
(11) et 0 γ 1.<br />
Si γ 0 on retrouve le filtre inverse et γ 1 le filtre <strong>de</strong> Wi<strong>en</strong>er.<br />
– le filtre <strong>de</strong> Cannon :<br />
W <br />
<br />
1<br />
ˆ h 2 Q 2<br />
où Q est donné par (11).<br />
– le filtre <strong>de</strong> moy<strong>en</strong>ne géométrique :<br />
W 1<br />
ˆ hs <br />
ˆh<br />
ˆ h2 Q2 1<br />
2<br />
,<br />
1¡s<br />
où Q est donné par (11). Si s 1 on retrouve le filtre inverse, s 0 le filtre <strong>de</strong><br />
Wi<strong>en</strong>er et s 0.5 le filtre <strong>de</strong> Canon.<br />
4.4. Déconvolution <strong>de</strong> Richardson-Lucy. — L’algorithme <strong>de</strong> Richardson-Lucy<br />
est un algorithme itératif spatial. Comme précé<strong>de</strong>mm<strong>en</strong>t on considère une image<br />
dégradée par du flou (noyau h connu ou estimé) et du bruit b : f h ¦ u b.<br />
On veut i<strong>de</strong>ntifier u. L’itération courante est<br />
<br />
f<br />
uk 1 uk<br />
uk ¦ h ¦ ˇ <br />
h ,<br />
avec (par exemple) uo f et ˇ hx, y h¡x, ¡y.<br />
Lorsque la réponse impulsionnelle du flou h n’est pas connue on fait une<br />
déconvolution aveugle ( blind <strong>de</strong>convolution ) avec l’algorihme suivant :<br />
,
hal-00512280, version 1 - 29 Aug 2010<br />
30 BERGOUNIOUX<br />
Algorithme <strong>de</strong> Richardson-Lucy aveugle<br />
(1) Initialisation : choix <strong>de</strong> uo et ho<br />
(2) (a) Estimation <strong>de</strong> h<br />
(b) Estimation <strong>de</strong> u<br />
(3) uk 1 maxuk, 0.<br />
hk 1 <br />
uk 1 uk<br />
hk<br />
i,j uki, j<br />
<br />
f<br />
¦ ǔk<br />
uk ¦ hk<br />
<br />
f<br />
uk ¦ hk 1 ¦ ˇ <br />
hk 1 ,<br />
(a) Image dégradée (b) Itération 5<br />
(c) Itération 10 (d) Itération 20<br />
Figure 25. Déconvolution par l’algorithme <strong>de</strong> Richardson-Lucy aveugle -<br />
Initialisation avec un masque gaussi<strong>en</strong> <strong>de</strong> taille 11 et d’écart-type σ 10
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 31<br />
5. Filtrage variationnel<br />
La définition du filtre <strong>de</strong> Wi<strong>en</strong>er suggère fortem<strong>en</strong>t l’utilisation <strong>de</strong> <strong>métho<strong>de</strong>s</strong> variationnelles<br />
puisqu’il s’agit <strong>de</strong> minimiser <strong>de</strong>s erreurs tout <strong>en</strong> se donnant un a priori sur<br />
l’image. Nous allons préciser cette idée.<br />
Etant donnée une image originale, on suppose qu’elle a été dégradée par un bruit<br />
additif v, et év<strong>en</strong>tuellem<strong>en</strong>t par un opérateur R <strong>de</strong> flou. Un tel opérateur est souv<strong>en</strong>t<br />
modélisé par un produit <strong>de</strong> convolution, et n’est pas nécessairem<strong>en</strong>t inversible<br />
(et même lorsqu’il est inversible, son inverse est souv<strong>en</strong>t numériquem<strong>en</strong>t difficile à<br />
calculer). A partir <strong>de</strong> limage observée f Ru v (qui est donc une version dégradée<br />
<strong>de</strong> l’image originale u), on cherche à reconstruire u. Si on suppose que le bruit additif<br />
v est gaussi<strong>en</strong>, la métho<strong>de</strong> du Maximum <strong>de</strong> Vraisemblance nous conduit à chercher u<br />
comme solution du problème <strong>de</strong> minimisation<br />
inf<br />
u f ¡ Ru 2 2,<br />
où ¤ 2 désigne la norme dans L 2 . Il s’agit d’un problème inverse mal posé : <strong>en</strong><br />
d’autres termes, l’exist<strong>en</strong>ce et/ou l’unicité <strong>de</strong> solutions n’est pas assurée et si c’est le<br />
cas, la solution n’est pas stable (continue par rapports aux données). Pour le résoudre<br />
numériquem<strong>en</strong>t, on est am<strong>en</strong>é à introduire un terme <strong>de</strong> régularisation, et à considérer<br />
le problème<br />
inf<br />
u<br />
f ¡ Ru 2 2<br />
<br />
ajustem<strong>en</strong>t aux données<br />
Lu<br />
<br />
Régularisation<br />
Dans toute la suite, nous ne considèrerons que le cas où est R est l’opérateur<br />
i<strong>de</strong>ntité (Ru u). Comm<strong>en</strong>çons par un procédé <strong>de</strong> régularisation classique : celui <strong>de</strong><br />
Tychonov.<br />
5.1. Régularisation <strong>de</strong> Tychonov. — C’est un procédé <strong>de</strong> régularisation très<br />
classique mais trop sommaire dans le cadre du traitem<strong>en</strong>t d’image. Nous le prés<strong>en</strong>tons<br />
sur un exemple.<br />
Soit V H 1 o Ω et H L 2 Ω : on considère le problème <strong>de</strong> minimisation originel<br />
(ajustem<strong>en</strong>t aux données) :<br />
P min<br />
uV u ¡ ud 2 H,<br />
où ud est l’image observée (données) et le problème régularisé suivant : pour tout<br />
α 0<br />
Pα min<br />
uV u ¡ ud 2 H α∇u 2 H.<br />
Non seulem<strong>en</strong>t on veut ajuster u à la donnée ud, mais on impose égalem<strong>en</strong>t que le<br />
gradi<strong>en</strong>t soit assez petit (cela dép<strong>en</strong>d du paramètre α). Une image dont le gradi<strong>en</strong>t<br />
est petit est lissée , estompée. Les bords sont érodés et la restauration donnera une<br />
image floutée.<br />
.
hal-00512280, version 1 - 29 Aug 2010<br />
32 BERGOUNIOUX<br />
Il est facile <strong>de</strong> voir sur l’exemple suivant que la fonctionnnelle Ju u ¡ ud 2 H<br />
n’est pas coercive sur V :<br />
Ω 0, 1, unx x n , ud 0.<br />
On voit que un2 1<br />
, u<br />
2n n<br />
n2 . On a donc<br />
2n ¡ 1<br />
lim<br />
n unV et lim<br />
n Jun 0.<br />
Il n’est donc même pas clair (a priori) que le problème P ait une solution.<br />
Proposition 5.1. — Supposons que P admet au moins une solution ũ. Le problème<br />
Pα admet une solution unique uα. De la famille uα on peut extraire une sous-suite<br />
qui converge (faiblem<strong>en</strong>t ) dans V vers une solution u ¦ <strong>de</strong> P lorsque α 0.<br />
Démonstration. — Le problème Pα admet une solution unique uα car la fonctionnelle<br />
α∇u 2 H,<br />
Jα u ¡ ud 2 H<br />
est coercive et strictem<strong>en</strong>t convexe (c’est <strong>en</strong> gros la norme <strong>de</strong> V à une partie affine<br />
près). Montrons maint<strong>en</strong>ant que la famille uα est bornée dans V . On pourra ainsi<br />
<strong>en</strong> extraire une sous-suite faiblem<strong>en</strong>t converg<strong>en</strong>te dans V vers u ¦ V .<br />
En particulier pour ũ :<br />
(12) Jũ Juα<br />
<br />
ũ solution <strong>de</strong> P<br />
u V Jαuα Jαu.<br />
Jαuα Juα α∇uα 2 H Jαũ<br />
<br />
uα solution <strong>de</strong> Pα<br />
Jũ α∇ũ 2 H.<br />
Par conséqu<strong>en</strong>t, pour α αo, Jαuα est borné indép<strong>en</strong>damm<strong>en</strong>t <strong>de</strong> α. Ceci <strong>en</strong>traîne<br />
que la famille uαααo est bornée dans H. D’autre part, avec (12) on a aussi<br />
α∇uα 2 H Jũ α∇ũ 2 H ¡ Juα Jũ α∇ũ 2 H ¡ Jũ α∇ũ 2 H ;<br />
par conséqu<strong>en</strong>t la famille uαααo est bornée dans V . On peut donc <strong>en</strong> extraire une<br />
sous-suite qui converge (faiblem<strong>en</strong>t ) dans V vers u ¦ . D’autre part l’équation (12)<br />
montre que<br />
lim<br />
α0 Jαuα Jũ infP.<br />
Par semi-continuité inférieure <strong>de</strong> J il vi<strong>en</strong>t<br />
Ju ¦ lim inf<br />
α0 Juα lim inf<br />
α0 Jαuα infP.<br />
Par conséqu<strong>en</strong>t u ¦ est une solution <strong>de</strong> P.<br />
Cherchons maint<strong>en</strong>ant le moy<strong>en</strong> <strong>de</strong> calculer uα. Comme la fonctionnelle est strictem<strong>en</strong>t<br />
convexe, une condition nécessaire et suffisante d’optimalité est<br />
J αuα 0.
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 33<br />
Un calcul assez standard montre que<br />
u V J <br />
<br />
αuα ¤ u uα ¡ udxuxdx ∇uαx∇uxdx<br />
Ω <br />
Ω<br />
uα ¡ ud ¡ ∆uαxuxdx.<br />
Ω<br />
Par conséqu<strong>en</strong>t l’équation d’Euler qui fournit la solution uα est la suivante :<br />
uα ¡ ud ¡ ∆uα 0, uα H 1 o Ω.<br />
On peut se cont<strong>en</strong>ter d’approcher la solution uα <strong>en</strong> écrivant la formulation dynamique :<br />
u<br />
¡ ∆u u ud.<br />
t<br />
Remarque 5.2. — L’approche dynamique revi<strong>en</strong>t ici à calculer une suite minimisante<br />
par une métho<strong>de</strong> <strong>de</strong> <strong>de</strong>sc<strong>en</strong>te <strong>de</strong> gradi<strong>en</strong>t : <strong>en</strong> effet, l’algorithme du gradi<strong>en</strong>t à<br />
pas constant donne<br />
ut δt ¡ ut<br />
δt<br />
¡J αut;<br />
Par passage à la limite quand δt 0, on obti<strong>en</strong>t<br />
u<br />
t ¡J αu ∆u ¡ u ud.<br />
Le terme <strong>de</strong> régularisation classique Lu ∇u 2 2( régularisation <strong>de</strong> Tychonov)<br />
n’est pas adapté au problème <strong>de</strong> restauration dimages : l’image restaurée u est alors<br />
beaucoup trop lissée car le Laplaci<strong>en</strong> est un opérateur <strong>de</strong> diffusion isotrope. En particulier,<br />
les bords sont érodés. Une approche beaucoup plus efficace consiste à considérer<br />
la variation totale, c’est à dire à pr<strong>en</strong>dre Lu Du que nous allons définir dans<br />
la section suivante.<br />
Cela conduit à une minimisation <strong>de</strong> fonctionnelle dans un espace <strong>de</strong> Banach particulier,<br />
mais bi<strong>en</strong> adapté au problème : l’espace <strong>de</strong>s fonctions à variation bornée que<br />
nous comm<strong>en</strong>çons par prés<strong>en</strong>ter.<br />
5.2. Le modèle continu <strong>de</strong> Rudin-Osher-Fatemi. —<br />
5.2.1. Prés<strong>en</strong>tation. — Il faut trouver une alternative à la régularisation <strong>de</strong> Tychonov<br />
qui est trop viol<strong>en</strong>te. La première idée consiste à remplacer le terme <strong>de</strong> régularisation<br />
∇u2 H qui est <strong>en</strong> réalité une pénalisation par une norme V , par une norme moins<br />
contraignante et régularisante. Rudin-Osher et Fatemi [14] ont proposé un modèle où<br />
l’image est décomposée <strong>en</strong> <strong>de</strong>ux parties : ud u v où v est le bruit et u la partie<br />
régulière . On va donc a priori chercher la solution du problème sous la forme u v<br />
avec u BV Ω et v L2Ω et ne faire porter la régularisation que sur la partie<br />
bruit . Cela conduit à :<br />
1<br />
PROF min Ju<br />
2ε v22 u BV Ω, v L 2 Ω, u v ud .
hal-00512280, version 1 - 29 Aug 2010<br />
34 BERGOUNIOUX<br />
Ici Ju désigne la variation totale <strong>de</strong> u et ε 0.<br />
Théorème 5.3. — Le problème PROF admet une solution unique.<br />
Démonstration. — Soit un BV Ω, vn L 2 Ω une suite minimisante. Comme vn<br />
est bornée dans L 2 R on peut <strong>en</strong> extraire une sous-suite (notée <strong>de</strong> la même façon)<br />
faiblem<strong>en</strong>t converg<strong>en</strong>te vers v ¦ dans L 2 R. Comme la norme <strong>de</strong> L 2 R est convexe,<br />
sci, il vi<strong>en</strong>t<br />
v ¦ 2 2 lim inf<br />
n vn 2 2.<br />
De la même façon un ud ¡ vn est bornée dans L 2 R et donc dans L 1 Ω puisque Ω<br />
est borné. Comme Jun est borné, il s’<strong>en</strong>suit que un est bornée dans BV Ω. Grâce<br />
à la compacité <strong>de</strong> l’injection <strong>de</strong> BV Ω dans L 1 Ω (voir [2, 12]), cela <strong>en</strong>traîne que<br />
un converge (à une sous-suite près) fortem<strong>en</strong>t dans L 1 Ω vers u ¦ BV Ω.<br />
D’autre part J est semi-continue inférieurem<strong>en</strong>t (sci), donc<br />
et finalem<strong>en</strong>t<br />
Ju ¦ <br />
Ju ¦ lim inf<br />
n Jun,<br />
1<br />
2ε v¦ 2 2 lim inf<br />
n Jun<br />
1<br />
2ε vn 2 2 infPROF .<br />
Comme un vn ud pour tout n, on a u ¦ v ¦ ud. Par conséqu<strong>en</strong>t u ¦ est une<br />
solution du problème PROF .<br />
La fonctionnelle est strictem<strong>en</strong>t convexe par rapport au couple u, v et la contrainte<br />
est affine. On a donc unicité.<br />
Nous aurons besoin d’établir <strong>de</strong>s conditions d’optimalité pour la ou les solutions<br />
optimales <strong>de</strong>s modèles proposés. Toutefois les fonctionnelles considérées (<strong>en</strong> particulier<br />
J) ne sont <strong>en</strong> général pas Gâteaux-différ<strong>en</strong>tiables et nous <strong>de</strong>vons utiliser <strong>de</strong>s notions<br />
d’analyse non lisse (voir annexe).<br />
5.2.2. Condition d’optimalité du premier ordre. — Le problème PROF peut s’écrire<br />
<strong>de</strong> la manière (équival<strong>en</strong>te) suivante<br />
(13) min Fu : Ju<br />
uBV Ω<br />
1<br />
2ε u ¡ ud 2 2.<br />
La fonctionnelle F est convexe et ū est solution <strong>de</strong> PROF si et seulem<strong>en</strong>t si<br />
0 Fū. La relation : 0 Fū ū F ¦ 0, est vraie même si l’espace n’est<br />
pas réflexif (voir annexe et [2] Théorème 9.5.1 p 333). On peut utiliser le théorème<br />
A.25 pour calculer Fu. L’application u u ¡ ud 2 2 est continue sur L 2 Ω est<br />
J est finie sur BV Ω à valeurs dans R e. D’autre part u u ¡ ud 2 2 est<br />
Gâteaux différ<strong>en</strong>tiable sur L 2 Ω.<br />
Donnons tout d’abord une caractérisation <strong>de</strong> la conjuguée <strong>de</strong> F<strong>en</strong>chel <strong>de</strong> J.
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 35<br />
Théorème 5.4. — La transformée <strong>de</strong> F<strong>en</strong>chel J ¦ <strong>de</strong> la fonctionnelle J variation<br />
totale est l’indicatrice <strong>de</strong> l’<strong>en</strong>semble ¯ K, où<br />
K : ξ div ϕ ϕ C 1 c Ω, R 2 , ϕ 1 .<br />
Démonstration. — Comme J est positivem<strong>en</strong>t homogène la conjuguée J ¦ <strong>de</strong> J est<br />
l’indicatrice d’un <strong>en</strong>semble convexe fermé ˜ K (proposition A.35).<br />
Montrons d’abord que K ˜ K : soit u K. Par définition <strong>de</strong> J<br />
Ju sup ξ, u ,<br />
ξK<br />
où ¤, ¤ désigne le produit <strong>de</strong> dualité <strong>en</strong>tre BV Ω et son dual. Par conséqu<strong>en</strong>t ξ, u¡<br />
Ju 0 pour tous ξ K et u BV Ω. On déduit donc que pour tout u ¦ K<br />
J ¦ u ¦ sup u<br />
uK<br />
¦ , u ¡ Ju 0.<br />
Comme J ¦ ne pr<strong>en</strong>d qu’une seule valeur finie on a J ¦ u ¦ 0, et donc u ¦ ˜ K. Par<br />
conséqu<strong>en</strong>t K ˜ K et comme ˜ K est fermé :<br />
En particulier<br />
Ju sup<br />
ξK<br />
u, ξ sup<br />
ξ ¯ K<br />
Comme J ¦¦ J, il vi<strong>en</strong>t<br />
et donc<br />
sup<br />
ξK<br />
(14) sup<br />
ξK<br />
u, ξ sup<br />
ξ ˜ K<br />
u, ξ sup<br />
ξ ˜ K<br />
u, ξ sup<br />
ξ ¯ K<br />
¯K ˜ K.<br />
u, ξ sup<br />
ξ ˜ u, ξ ¡ J<br />
K<br />
¦ ξ J ¦¦ u.<br />
u, ξ sup u, ξ ,<br />
ξK<br />
u, ξ sup<br />
ξ ˜ u, ξ .<br />
K<br />
Supposons maint<strong>en</strong>ant qu’il existe u ¦ ˜ K tel que u ¦ ¯ K. On peut alors séparer<br />
strictem<strong>en</strong>t u ¦ et le convexe fermé ¯ K. Il existe α R et uo tels que<br />
D’après (14) il vi<strong>en</strong>t<br />
sup<br />
ξ ˜ K<br />
uo, u ¦ α sup<br />
v ¯ uo, v .<br />
K<br />
uo, ξ uo, u ¦ α sup<br />
v ¯ K<br />
On a donc une contradiction : ˜ K ¯ K.<br />
uo, v sup<br />
v ˜ uo, v .<br />
K<br />
D’après la définition du sous-différ<strong>en</strong>tiel (voir Annexe B. Définition A.22, p.46), u<br />
est une solution <strong>de</strong> PROF si et seulem<strong>en</strong>t si<br />
¢<br />
1<br />
0 Ju<br />
2ε u ¡ ud 2 <br />
u ¡ ud<br />
2 Ju.<br />
ε
hal-00512280, version 1 - 29 Aug 2010<br />
36 BERGOUNIOUX<br />
Comme J est convexe, sci, propre on peut appliquer le corollaire A.42. Donc<br />
ud ¡ u<br />
ε<br />
Ju u J ¦ ud ¡ u<br />
ε<br />
0 ¡u J ¦ ud ¡ u<br />
.<br />
ε<br />
Nous aimerions alors appliquer (par exemple) la proposition A.28 mais elle fait interv<strong>en</strong>ir<br />
la notion <strong>de</strong> projection qui n’est définie que dans le cadre hilberti<strong>en</strong>. Or J ¦ est<br />
la conjuguée <strong>de</strong> J pour la dualité BV, BV . Nous allons donc conclure et calculer<br />
J ¦ u une fois le problème discrétisé : le cadre fonctionnel est alors hilberti<strong>en</strong>.<br />
5.3. Modèle discret. — On va maint<strong>en</strong>ant considérer <strong>de</strong>s images discrètes (ce qui<br />
est le cas <strong>en</strong> pratique). Une image discrète est une matrice N¢N que nous i<strong>de</strong>ntifierons<br />
à une vecteur <strong>de</strong> taille N 2 (par exemple <strong>en</strong> la rangeant ligne par ligne). On note X<br />
l’espace euclidi<strong>en</strong> RN¢N et Y X ¢ X. On munit X du produit scalaire usuel<br />
u, vX <br />
uijvij,<br />
1i,jN<br />
et <strong>de</strong> la norme associée : ¤ X.<br />
Nous allons donner une formulation discrète <strong>de</strong> ce qui a été fait auparavant et <strong>en</strong><br />
particulier définir une variation totale discrète que nous noterons <strong>de</strong> la même façon.<br />
Pour cela nous introduisons une version discrète <strong>de</strong> l’opérateur gradi<strong>en</strong>t. Si u X, le<br />
gradi<strong>en</strong>t ∇u est un vecteur <strong>de</strong> Y donné par<br />
avec<br />
(15) ∇u 1 i,j <br />
(16) ∇u 2 i,j <br />
∇ui,j ∇u 1 i,j, ∇u 2 i,j,<br />
ui 1,j ¡ ui,j si i N<br />
0 si i N<br />
ui,j 1 ¡ ui,j si j N<br />
0 si j N<br />
La variation totale discrète est alors donnée par<br />
(17) Ju <br />
1i,jN<br />
∇ui,j,<br />
<br />
où ∇ui,j ∇u1 i,j2 ∇u2 i,j2 . On introduit égalem<strong>en</strong>t une version discrète<br />
<strong>de</strong> l’opérateur <strong>de</strong> diverg<strong>en</strong>ce. On le définit par analogie avec le cadre continu <strong>en</strong> posant<br />
div ¡∇ ¦ ,<br />
où ∇ ¦ est l’opérateur adjoint <strong>de</strong> ∇, c’est-à-dire<br />
p Y, u X ¡div p, uX p, ∇uY p 1 , ∇ 1 uX p 2 , ∇ 2 uX.
hal-00512280, version 1 - 29 Aug 2010<br />
On peut alors vérifier que<br />
<br />
<br />
(18) div pi,j <br />
<br />
p 1 i,j ¡ p1 i¡1,j<br />
p 1 i,j<br />
¡p 1 i¡1,j<br />
FILTRAGE 37<br />
si 1 i N<br />
si i 1<br />
si i N<br />
<br />
<br />
<br />
p 2 i,j ¡ p2 i,j¡1 si 1 j N<br />
p 2 i,j<br />
¡p 2 i,j¡1<br />
Nous utiliserons aussi une version discrète du laplaci<strong>en</strong> définie par<br />
∆u div ∇u.<br />
si j 1<br />
si j N<br />
On va remplacer le problème PROF (dans la version (13)) par le problème obt<strong>en</strong>u<br />
après discrétisation suivant<br />
(19) min<br />
uX Ju<br />
1<br />
2ε u ¡ ud 2 X.<br />
Il est facile <strong>de</strong> voir que ce problème a une solution unique que nous allons caractériser.<br />
On rappelle que gi,j g1 i,j2 g2 i,j2 et que la version discrète <strong>de</strong> la variation<br />
totale est donnée (<strong>de</strong> manière analogue au cas continu) par<br />
où<br />
Ju sup u, ξ .<br />
ξK<br />
(20) K : ξ div g g Y, gi,j 1, i, j ,<br />
est la version discrète <strong>de</strong> K : ξ div ϕ ϕ C 1 c Ω, R 2 , ϕ 1 . Nous pouvons,<br />
comme dans le cas <strong>de</strong> la dim<strong>en</strong>sion infinie <strong>en</strong>r une caractérisation <strong>de</strong> la conjuguée<br />
<strong>de</strong> F<strong>en</strong>chel <strong>de</strong> J. (le démonstration est analogue).<br />
Théorème 5.5. — La transformée <strong>de</strong> F<strong>en</strong>chel J ¦ <strong>de</strong> la fonctionnelle J variation<br />
totale approchée définie sur X, est l’indicatrice <strong>de</strong> l’<strong>en</strong>semble ¯ K, où K est donné<br />
par (20).<br />
Le résultat suivant donne la caractérisation att<strong>en</strong>due <strong>de</strong> la solution [7] :<br />
Théorème 5.6. — La solution <strong>de</strong> (19 ) est donnée par<br />
(21) u ud ¡ PεKud,<br />
où PK est le projecteur orthogonal sur K.<br />
Démonstration. — Nous avons vu que u est solution <strong>de</strong> (19 ) si et seulem<strong>en</strong>t si<br />
Ceci est aussi équival<strong>en</strong>t à<br />
0 ud ¡ u<br />
ε<br />
0 ¡u J ¦ ud ¡ u<br />
.<br />
ε<br />
ud<br />
¡<br />
ε<br />
1<br />
ε J¦ ud ¡ u<br />
.<br />
ε
hal-00512280, version 1 - 29 Aug 2010<br />
38 BERGOUNIOUX<br />
On <strong>en</strong> déduit que w ud ¡ u<br />
ε<br />
est un minimiseur <strong>de</strong><br />
w ¡ ud<br />
ε 2<br />
2<br />
1<br />
ε J¦ w.<br />
Comme J ¦ est l’indicatrice <strong>de</strong> K, cela implique que ud ¡ u<br />
ε<br />
gonale <strong>de</strong> ud<br />
ε<br />
ud 1<br />
sur K. Comme PK <br />
ε ε PεKud, on peut conclure.<br />
Tout revi<strong>en</strong>t maint<strong>en</strong>ant à calculer<br />
est la projection ortho-<br />
PεKud argmin ε div p ¡ ud 2 X pi,j 1, i, j 1, ¤ ¤ ¤ , N .<br />
On peut le résoudre par une métho<strong>de</strong> <strong>de</strong> point fixe : p o 0.<br />
n 1<br />
(22) p<br />
§<br />
1 ρ §∇ div pn §<br />
¡ udεi,j§ .<br />
i,j pn i,j ρ ∇ div pn ¡ udε i,j<br />
Théorème 5.7 (Algorithme <strong>de</strong> projection <strong>de</strong> Chambolle [7])<br />
Si le paramètre ρ dans (22) vérifie ρ 18, alors ε div p n PεKud.<br />
La solution du problème est donc donnée par<br />
u ud ¡ ε div p où p lim<br />
n pn .
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 39<br />
(a) Image originale (b) Image bruitée avec un bruit gaussi<strong>en</strong><br />
σ 0.1<br />
(c) Modèle ROF avec ε 1 (d) Modèle ROF avec ε 30<br />
Figure 26. Filtrage ROF : s<strong>en</strong>sibilité au paramètre ε<br />
5.4. Déconvolution. — Dans cette section on suppose que l’opérateur R est<br />
différ<strong>en</strong>t <strong>de</strong> l’i<strong>de</strong>ntité. On le suppose linéaire. En pratique, c’est un opérateur <strong>de</strong><br />
convolution avec un noyau positif symétrique h qui est la plupart du temps gaussi<strong>en</strong>.<br />
L’image observée est donc <strong>de</strong> la forme : Rf b avec Rf h ¦ f. Nous avons déjà<br />
traité dans la section 3 la question <strong>de</strong> la déconvolution. Nous généralisons donc ici le<br />
principe du filtre <strong>de</strong> Wi<strong>en</strong>er.<br />
Le problème PROF se généralise donc <strong>de</strong> la manière suivante<br />
(23) min Fu : Ju<br />
uBV Ω<br />
1<br />
2ε Ru ¡ ud 2 2.<br />
où R est un opérateur <strong>de</strong> convolution à noyau symétrique et positif. La fonctionnelle<br />
F est convexe et ū est solution <strong>de</strong> PROF si et seulem<strong>en</strong>t si 0 Fū. Nous avons
hal-00512280, version 1 - 29 Aug 2010<br />
40 BERGOUNIOUX<br />
un résultat analigue à celui <strong>de</strong> la section précé<strong>de</strong>nte. Nous npous plaçons dans le cas<br />
discret :<br />
Théorème 5.8. — La solution uε <strong>de</strong> (23 ) est caractérisée par l’exist<strong>en</strong>ce <strong>de</strong> µε<br />
vérifiant<br />
(24) µε R¦ ud ¡ Ru<br />
,<br />
ε<br />
(25) uε uε µε ¡ PKuε µε,<br />
où PK est le projecteur orthogonal sur K donné le théorème 5.5 (ou sa version<br />
discrète) et R ¦ est l’opérateur adjoint <strong>de</strong> R.<br />
Démonstration. — Une condition nécessaire et suffisante pour que u soit une solution<br />
<strong>de</strong> (23 ) est<br />
¢<br />
1<br />
0 Ju<br />
2ε Ru ¡ ud 2 <br />
X R¦ Ru ¡ ud<br />
Ju.<br />
ε<br />
Ceci est équival<strong>en</strong>t à<br />
où on posé<br />
u J ¦ µε,<br />
µε R¦ ud ¡ Ru<br />
.<br />
ε<br />
Comme J ¦ 1K, la proposition A.28 indique que<br />
d’où le résultat.<br />
u 1Kµε µε PKuε µε,<br />
On peut maint<strong>en</strong>ant résoudre le système (24-25) par une métho<strong>de</strong> <strong>de</strong> point fixe,<br />
qui conduit à l’algorithme :<br />
(1) Initialisation : uo ud, n 0.<br />
Algorithme<br />
(2) Etape n : un est connu<br />
– Calcul <strong>de</strong> µn R¦ ud ¡ Rn<br />
ε<br />
– Calcul <strong>de</strong> un 1 un µn PKun µn<br />
Il est clair que si la suite un converge vers uε alors µn converge vers µε et uε, µε<br />
vérifie le système (24-25). C’est donc une solution du problème (discret).
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 41<br />
App<strong>en</strong>dice A<br />
<strong>Quelques</strong> outils mathématiques<br />
A.1. Optimisation dans les espaces <strong>de</strong> Banach. — Sauf m<strong>en</strong>tion du contraire,<br />
on considère dans toute la section un espace <strong>de</strong> Banach réflexif V <strong>de</strong> dual (topologique)<br />
V . On note V la norme <strong>de</strong> V et ¤, ¤ le crochet <strong>de</strong> dualité <strong>en</strong>tre V et V .<br />
A.1.1. Semi-continuité et convexité <strong>de</strong> fonctionnelles sur V . —<br />
Définition A.1. — Une fonction J <strong>de</strong> V dans R est semi-continue<br />
inférieurem<strong>en</strong>t (sci) sur V si elle satisfait aux conditions équival<strong>en</strong>tes :<br />
– a R, u V Ju a est fermé<br />
– ū V, lim inf Ju Jū.<br />
uū<br />
Théorème A.2. — Toute fonction convexe sci pour la topologie forte (celle <strong>de</strong> la<br />
norme) <strong>de</strong> V est <strong>en</strong>core sci pour la topologie faible <strong>de</strong> V .<br />
En pratique ce résultat s’utilise sous la forme du corollaire suivant :<br />
Corollaire A.3. — Soit J une fonctionnelle convexe <strong>de</strong> V dans R sci (par<br />
exemple continue) pour la topologie forte. Si vn est une suite <strong>de</strong> V faiblem<strong>en</strong>t<br />
converg<strong>en</strong>te vers v alors<br />
Jv lim inf<br />
n Jvn.<br />
A.1.2. Gâteaux-différ<strong>en</strong>tiabilité <strong>de</strong>s fonctionnelles convexes. —<br />
Définition A.4. — Soit J une fonctionnelle <strong>de</strong> V dans R . On dit que J est<br />
Gâteaux-différ<strong>en</strong>tiable <strong>en</strong> u dom J si la dérivée directionnelle<br />
J u; v lim<br />
t0<br />
Ju tv ¡ Ju<br />
,<br />
t<br />
existe dans toute direction v <strong>de</strong> V et si l’application<br />
est linéaire continue.<br />
v J u; v<br />
De manière générale on notera ∇Ju la Gâteaux-différ<strong>en</strong>tielle <strong>de</strong> J <strong>en</strong> u. C’est un<br />
élém<strong>en</strong>t du dual V .<br />
Si V est un espace <strong>de</strong> Hilbert, avec le théorème <strong>de</strong> représ<strong>en</strong>tation <strong>de</strong> Riesz (voir<br />
[6] par exemple) on i<strong>de</strong>ntifie V et son dual ; on note alors<br />
J u; v ∇Ju, v ,<br />
où , désigne le produit scalaire <strong>de</strong> V . L’élém<strong>en</strong>t ∇Ju <strong>de</strong> V est le gradi<strong>en</strong>t <strong>de</strong> J<br />
<strong>en</strong> u.
hal-00512280, version 1 - 29 Aug 2010<br />
42 BERGOUNIOUX<br />
Il est clair que si J est différ<strong>en</strong>tiable au s<strong>en</strong>s classique <strong>en</strong> u (on dit alors Fréchet<br />
- différ<strong>en</strong>tiable), alors J est Gâteaux-différ<strong>en</strong>tiable <strong>en</strong> u, et la dérivée classique et la<br />
dérivée au s<strong>en</strong>s <strong>de</strong> Gâteaux conci<strong>de</strong>nt.<br />
La réciproque est fausse comme le montre le contre-exemple suivant : soit f <strong>de</strong><br />
R2 dans R définie par :<br />
2 y si x y ,<br />
fx, y <br />
0 sinon<br />
La fonction f est continue <strong>en</strong> (0,0) et Gâteaux-différ<strong>en</strong>tiable <strong>en</strong> (0,0) mais pas Fréchet<br />
- différ<strong>en</strong>tiable <strong>en</strong> (0,0).<br />
Théorème A.5. — Soit J : C V R, Gâteaux différ<strong>en</strong>tiable sur C, avec C<br />
convexe. J est convexe si et seulem<strong>en</strong>t si<br />
(26) u, v C ¢ C Jv Ju 〈∇Ju, v ¡ u〉<br />
Théorème A.6. — Soit J : C V R, Gâteaux différ<strong>en</strong>tiable sur C, avec C<br />
convexe. J est convexe si et seulem<strong>en</strong>t si ∇J est un opérateur monotone, c’està-dire<br />
(27) u, v C ¢ C 〈∇Ju ¡ ∇Jv, u ¡ v〉 0.<br />
Remarque A.7. — Supposons que D soit un opérateur strictem<strong>en</strong>t monotone :<br />
(28) u, v C ¢ C, u v, 〈∇Ju ¡ ∇Jv, u ¡ v〉 0.<br />
alors J est strictem<strong>en</strong>t convexe. En effet, on peut repr<strong>en</strong>dre la <strong>de</strong>uxième partie <strong>de</strong><br />
la démonstration du théorème précé<strong>de</strong>nt : ϕ est strictem<strong>en</strong>t décroissante sur 0, 1<br />
et donc ne s’annule qu’<strong>en</strong> un point a au plus. ϕ est alors strictem<strong>en</strong>t croissante sur<br />
0, a et strictem<strong>en</strong>t décroissante sur a, 1 donc strictem<strong>en</strong>t positive sur 0, 1.<br />
On définit <strong>de</strong> manière analogue la (Gâteaux) dérivée secon<strong>de</strong> <strong>de</strong> J <strong>en</strong> u, comme<br />
étant la dérivée <strong>de</strong> la fonction (vectorielle) u ∇Ju. On la note D 2 Ju et on<br />
l’appellera aussi Hessi<strong>en</strong> par abus <strong>de</strong> langage ; ce Hessi<strong>en</strong> est i<strong>de</strong>ntifiable à une matrice<br />
carrée n ¢ n lorsque V R n .<br />
A.1.3. Minimisation dans un Banach réflexif. — Comm<strong>en</strong>çons par un résultat très<br />
général <strong>de</strong> minimisation d’une fonctionnelle semi-continue sur un <strong>en</strong>semble fermé <strong>de</strong><br />
V .<br />
Définition A.8. — On dit que J : V R est coercive si<br />
lim Jx .<br />
xV
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 43<br />
Théorème A.9. — On suppose que V est un Banach réflexif. Soit J une fonctionnelle<br />
<strong>de</strong> V dans R, semi-continue inférieurem<strong>en</strong>t pour la topologie faible <strong>de</strong> V . Soit K<br />
un sous-<strong>en</strong>semble non vi<strong>de</strong> et faiblem<strong>en</strong>t fermé <strong>de</strong> V . On suppose que J est propre<br />
(c’est-à-dire qu’il existe un élém<strong>en</strong>t vo <strong>de</strong> K tel que Jvo ). Alors le problème<br />
<strong>de</strong> minimisation suivant :<br />
(29) P<br />
<br />
Trouver u tel que<br />
Ju inf Jv v K ,<br />
admet au moins une solution dans l’un <strong>de</strong>s cas suivants :<br />
Jv ,<br />
– soit J est coercive i.e. lim<br />
vV <br />
– soit K est borné.<br />
Démonstration. — On pose d inf Jv v K ; d , sinon J serait<br />
i<strong>de</strong>ntiquem<strong>en</strong>t égale à sur K.<br />
Soit une suite minimisante, c’est-à-dire une suite un <strong>de</strong> K telle que Jun d.<br />
Montrons que cette suite est bornée dans V . Si K est borné, c’est clair. Sinon, on<br />
suppose que J est coercive. Si un n’est pas bornée, on peut <strong>en</strong> extraire une sous-suite<br />
<strong>en</strong>core notée un telle que lim<br />
n unV . La coercivité <strong>de</strong> J implique alors que<br />
Jun converge vers ce qui est <strong>en</strong> contradiction avec le fait que d .<br />
V est un Banach réflexif, donc sa boule unité est faiblem<strong>en</strong>t compacte ; on peut<br />
donc extraire <strong>de</strong> la suite un une sous-suite <strong>en</strong>core notée un qui converge faiblem<strong>en</strong>t<br />
vers u dans V . On va montrer que u est solution <strong>de</strong> (29).<br />
Comme K est un <strong>en</strong>semble faiblem<strong>en</strong>t fermé, la limite faible u <strong>de</strong> la suite un <strong>de</strong> K<br />
est bi<strong>en</strong> un élém<strong>en</strong>t <strong>de</strong> K.<br />
D’autre part, on sait que J est sci faible ; on a donc<br />
ce qui donne<br />
un u dans V Ju lim inf<br />
n Jun,<br />
Ju lim inf<br />
n Jun lim<br />
n Jun d Ju.<br />
On a donc Ju d et u K : u est bi<strong>en</strong> solution.<br />
Un corollaire important concerne le cas convexe.<br />
Corollaire A.10. — On suppose que V est un Banach réflexif. Soit J une fonctionnelle<br />
<strong>de</strong> V dans R, convexe semi-continue inférieurem<strong>en</strong>t V propre et K un sous<strong>en</strong>semble<br />
convexe non vi<strong>de</strong> et fermé <strong>de</strong> V . Si J est coercive ou si K est borné, le<br />
problème <strong>de</strong> minimisation admet une solution. Si, <strong>de</strong> plus, J est strictem<strong>en</strong>t convexe<br />
la solution est unique.<br />
Rappelons <strong>en</strong>fin le Théorème donnant une condition nécessaire d’optimalité du premier<br />
ordre.
hal-00512280, version 1 - 29 Aug 2010<br />
44 BERGOUNIOUX<br />
Théorème A.11. — Soi<strong>en</strong>t K un sous-<strong>en</strong>semble convexe, non vi<strong>de</strong> <strong>de</strong> V et J une<br />
fonctionnelle <strong>de</strong> K vers R Gâteaux-différ<strong>en</strong>tiable sur K. Soit u dans V une solution<br />
du problème P. Alors<br />
(30) v K, ∇Ju, v ¡ u 0.<br />
A.1.4. Exemple : Projection sur un convexe fermé. — Dans ce qui suit V est un<br />
espace <strong>de</strong> Hilbert muni d’un produit scalaire ¤, ¤ et <strong>de</strong> la norme associée ¤ et C<br />
est un sous-<strong>en</strong>semble convexe et fermé <strong>de</strong> V .<br />
Théorème A.12. — Etant donnés C un sous-<strong>en</strong>semble convexe, fermé et non vi<strong>de</strong><br />
<strong>de</strong> V et x un élém<strong>en</strong>t quelconque <strong>de</strong> V . Alors le problème<br />
min x ¡ y 2 , y C <br />
a une solution unique x ¦ C. De plus x ¦ C est caractérisé par :<br />
(31) y C x ¡ x ¦ , y ¡ x ¦ 0.<br />
Démonstration. — Nous avons affaire à un problème <strong>de</strong> moindres carrés. La fonction<br />
coût est continue, coercive et strictem<strong>en</strong>t convexe et l’<strong>en</strong>semble C est convexe fermé.<br />
On peut donc appliquer le corollaire A.10. La caractérisation <strong>de</strong> x ¦ s’obti<strong>en</strong>t par<br />
application du théorème 30 et <strong>de</strong> son corollaire.<br />
Nous avons une secon<strong>de</strong> caractérisation <strong>de</strong> x ¦ <strong>de</strong> manière immédiate :<br />
Corollaire A.13. — Sous les hypothèses du théorème (A.12) on peut caractériser<br />
le projeté x ¦ C <strong>de</strong> x par :<br />
(32) y C x ¦ ¡ y, y ¡ x 0.<br />
Le point x ¦ est le projeté <strong>de</strong> x sur C. L’application πC V C qui à x associe<br />
son projeté x ¦ est la projection sur C. Le projeté πCx est donc le point <strong>de</strong> C qui<br />
est le plus près <strong>de</strong> x. On définit <strong>de</strong> manière standard la fonction distance d’un<br />
point x à l’<strong>en</strong>semble C par<br />
(33) dx, C inf x ¡ y.<br />
yC<br />
Dans le cas où C est un convexe fermé, on vi<strong>en</strong>t donc <strong>de</strong> démontrer que<br />
dx, C x ¡ πCx.<br />
Proposition A.14. — La projection πC est continue <strong>de</strong> V dans C. Plus précisém<strong>en</strong>t<br />
on a<br />
x, y V ¢ V πCx ¡ πCy x ¡ y,<br />
c’est-à-dire πC est une contraction.
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 45<br />
Remarque A.15. — 1. Si x C alors πCx x. Plus généralem<strong>en</strong>t si C V alors<br />
πC IdV .<br />
2. Le théorème A.12 est faux si C n’est pas convexe ou si C n’est pas fermé.<br />
3. La projection πC n’est pas différ<strong>en</strong>tiable <strong>en</strong> général, mais l’application x x ¡<br />
πCx 2 l’est.<br />
Exemple A.16 (Projection sur un sous-espace vectoriel)<br />
Dans le cas où C est un sous-espace vectoriel fermé <strong>de</strong> V , c’est bi<strong>en</strong> sûr un convexe<br />
fermé non vi<strong>de</strong>. L’opérateur <strong>de</strong> projection est dans ce cas linéaire (c’est faux dans<br />
le cas général). Le projeté x ¦ d’un élém<strong>en</strong>t x, sur C, est caractérisé par<br />
y C x ¡ x ¦ , y 0.<br />
Cela signifie que x ¡ x ¦ C (l’orthogonal <strong>de</strong> C). On retrouve ainsi la classique<br />
projection orthogonale sur un sous-espace vectoriel fermé.<br />
A.2. Analyse convexe et analyse non lisse. —<br />
A.2.1. Théorème <strong>de</strong> Hahn -Banach. — Dans ce qui suit X est un espace <strong>de</strong> Banach<br />
réel <strong>de</strong> dual X (pas nécessairem<strong>en</strong>t réflexif).<br />
Le Théorème <strong>de</strong> Hahn-Banach, sous sa forme géométrique, permet <strong>de</strong> séparer <strong>de</strong>s<br />
<strong>en</strong>sembles convexes. Il est très important <strong>en</strong> analyse convexe et sert <strong>en</strong> particulier à<br />
exhiber <strong>de</strong>s multiplicateurs <strong>en</strong> optimisation. Nous rappelons ici la forme géométrique<br />
<strong>de</strong> ce théorème qui est la seule utile dans notre cas ainsi que <strong>de</strong>s corollaires importants.<br />
Pour les démonstrations et plus <strong>de</strong> précisions nous r<strong>en</strong>voyons au livre <strong>de</strong> h. brézis<br />
[6].<br />
Définition A.17 (Hyperplan affine). — Un hyperplan affine fermé est un <strong>en</strong>semble<br />
<strong>de</strong> la forme<br />
H x X αx β 0 ,<br />
où α X est une forme linéaire continue non nulle sur X et β R.<br />
Dans le cas où X est un espace <strong>de</strong> Hilbert V (<strong>en</strong> particulier si V R n ), on peut<br />
i<strong>de</strong>ntifier V à son dual et tout hyperplan affine fermé est <strong>de</strong> la forme<br />
H x V α, x V β 0 ,<br />
où ¤, ¤ V désigne le produit scalaire <strong>de</strong> V , α V, α 0 et β R.<br />
Définition A.18 (Séparation). — Soi<strong>en</strong>t A et B <strong>de</strong>ux sous-<strong>en</strong>sembles non vi<strong>de</strong>s<br />
<strong>de</strong> X . On dit que l’hyperplan affine H d’équation : αx β 0, sépare A et B au<br />
s<strong>en</strong>s large si<br />
x A αx β 0 et y B αy β 0.
hal-00512280, version 1 - 29 Aug 2010<br />
46 BERGOUNIOUX<br />
On dit que H sépare A et B strictem<strong>en</strong>t s’il existe ε 0 tel que<br />
x A αx β ¡ε et y B αy β ε.<br />
Donnons à prés<strong>en</strong>t la première forme géométrique du théorème <strong>de</strong> Hahn-Banach :<br />
Théorème A.19. — Soi<strong>en</strong>t A et B <strong>de</strong>ux sous-<strong>en</strong>sembles <strong>de</strong> X convexes, non vi<strong>de</strong>s<br />
et disjoints. On suppose que A est ouvert. Alors, il existe un hyperplan affine fermé<br />
qui sépare A et B au s<strong>en</strong>s large.<br />
Corollaire A.20. — Soit C un convexe non vi<strong>de</strong> <strong>de</strong> R n et fermé et x ¦ C. Alors :<br />
x ¦ Int C si et seulem<strong>en</strong>t si il n’existe aucune forme linéaire séparant x ¦ et C.<br />
Citons ausi la <strong>de</strong>uxième forme géométrique du théorème <strong>de</strong> Hahn-Banach :<br />
Théorème A.21. — Soi<strong>en</strong>t A et B <strong>de</strong>ux sous-<strong>en</strong>sembles <strong>de</strong> X convexes, non vi<strong>de</strong>s<br />
et disjoints. On suppose que A est fermé et que B est compact. Alors, il existe un<br />
hyperplan affine fermé qui sépare A et B strictem<strong>en</strong>t.<br />
A.2.2. Sous-différ<strong>en</strong>tiel. —<br />
Définition A.22. — Soit f : X R et u dom f (i.e. fu ). Le<br />
sous-différ<strong>en</strong>tiel <strong>de</strong> f <strong>en</strong> u est l’<strong>en</strong>semble fu (év<strong>en</strong>tuellem<strong>en</strong>t vi<strong>de</strong> ) <strong>de</strong>s u ¦ X <br />
tels que<br />
v X fv fu 〈u ¦ , v ¡ u〉 .<br />
Les élém<strong>en</strong>ts u ¦ sont appelés sous-gradi<strong>en</strong>ts.<br />
Remarque A.23. — 1. f : X R atteint son minimum <strong>en</strong> u dom f si et<br />
seulem<strong>en</strong>t si<br />
0 fu.<br />
2. Si f, g : X R et u dom f dom g, on a<br />
3. Comme<br />
fu <br />
vX<br />
fu gu f gu.<br />
u ¦ X <br />
〈u ¦ , v ¡ u〉 fv ¡ fu ,<br />
fu est un sous-<strong>en</strong>semble convexe, fermé pour la topologie faible *, comme intersection<br />
<strong>de</strong> convexes fermés.<br />
4. Pour tout λ 0 on a λfu λfu.
hal-00512280, version 1 - 29 Aug 2010<br />
A.2.3. Li<strong>en</strong> avec la Gâteaux-différ<strong>en</strong>tiabilité. —<br />
FILTRAGE 47<br />
Théorème A.24. — Soit f : X R convexe. Si f est Gâteauxdiffér<strong>en</strong>tiable<br />
<strong>en</strong> u dom f, elle est sous-différ<strong>en</strong>tiable et fu f u.<br />
Réciproquem<strong>en</strong>t, si f est finie, continue <strong>en</strong> u et ne posssè<strong>de</strong> qu’un seul sous-gradi<strong>en</strong>t,<br />
alors f est Gâteaux-différ<strong>en</strong>tiable <strong>en</strong> u et fu f u.<br />
A.2.4. Sous-différ<strong>en</strong>tiel d’une somme <strong>de</strong> fonctions. —<br />
Théorème A.25. — Soi<strong>en</strong>t f et g convexes, sci à valeurs dans R . On suppose<br />
qu’il existe uo dom f dom g tel que f soit continue <strong>en</strong> uo. Alors<br />
u X f gu fu gu.<br />
Démonstration. — La démonstration est laissée <strong>en</strong> exercice. Elle se fait suivant un<br />
schéma maint<strong>en</strong>ant classique : si u ¦ f gu, on définit<br />
et<br />
C1 v, a fv¡ v ¡ u, u ¦ ¡fu a ,<br />
C2 v, a a gu ¡ gv .<br />
Ce sont <strong>de</strong>ux convexes. On sépare alors int C1 et C2 grâce au théorème <strong>de</strong> Hahn-<br />
Banach.<br />
Le résultat suivant s’<strong>en</strong> déduit mais on peut le montrer directem<strong>en</strong>t sans hypothèse<br />
<strong>de</strong> convexité sur les <strong>de</strong>ux fonctions :<br />
Théorème A.26. — Supposons que f est Gâteaux-différ<strong>en</strong>tiable, ϕ est convexe et<br />
que le problème suivant<br />
min fu ϕu,<br />
uX<br />
a (au moins) une solution ū. Alors<br />
¡f u ϕū.<br />
Nous admettrons <strong>en</strong>fin le résultat suivant :<br />
Théorème A.27. — Soit Λ linéaire continue <strong>de</strong> V dans Y (espaces <strong>de</strong> banach). Soit<br />
f convexe, sci <strong>de</strong> V dans R continue <strong>en</strong> au moins un point <strong>de</strong> son domaine<br />
(supposé non vi<strong>de</strong>). Alors<br />
où Λ ¦ est l’opérateur adjoint <strong>de</strong> Λ.<br />
u V f ¥ Λu Λ ¦ fΛu,<br />
Pour plus <strong>de</strong> détails sur ces notions là on peut consulter [3, 9]. Nous terminons<br />
par un exemple important.
hal-00512280, version 1 - 29 Aug 2010<br />
48 BERGOUNIOUX<br />
A.2.5. Application à l’indicatrice d’un <strong>en</strong>semble. — Dans le cas où f est la fonction<br />
indicatrice d’un sous-<strong>en</strong>semble non vi<strong>de</strong> K <strong>de</strong> X :<br />
fu <strong>de</strong>f<br />
<br />
0 si u K,<br />
1Ku <br />
,<br />
sinon<br />
le sous-différ<strong>en</strong>tiel <strong>de</strong> f <strong>en</strong> u est le cône normal <strong>de</strong> K <strong>en</strong> u :<br />
1Ku NKu u ¦ X <br />
〈u ¦ , v ¡ u〉 0 pour tout v K .<br />
Dans le cas où X est un espace <strong>de</strong> Hilbert i<strong>de</strong>ntifié à son dual, et K un sous-<strong>en</strong>semble<br />
fermé, convexe non vi<strong>de</strong> <strong>de</strong> X , nous allons préciser le sous-différ<strong>en</strong>tiel <strong>de</strong> 1K <strong>en</strong> u<br />
(c’est-à-dire le cône normal à K <strong>en</strong> u ) :<br />
Proposition A.28. — Soit u K, où K est un sous-<strong>en</strong>semble fermé, convexe non<br />
vi<strong>de</strong> <strong>de</strong> X espace <strong>de</strong> Hilbert. Alors<br />
λ 1Ku λ cu λ<br />
¡ ΠKu<br />
c<br />
λ<br />
c <br />
pour tout c réel strictem<strong>en</strong>t positif, où ΠK est la projection <strong>de</strong> X sur le convexe K.<br />
Démonstration. — Remarquons tout d’abord que 1Ku est un sous-<strong>en</strong>semble <strong>de</strong> X .<br />
On rappelle égalem<strong>en</strong>t que si ΠK est la projection <strong>de</strong> X sur le convexe fermé K,<br />
l’image ΠKw d’un élém<strong>en</strong>t quelconque <strong>de</strong> X est caractérisée par<br />
v K w ¡ ΠKw, v ¡ ΠKw X 0,<br />
où ¤, ¤ X désigne le produit scalaire <strong>de</strong> X . Soit λ 1Ku : λ est caractérisé par<br />
v K λ, v ¡ u X 0<br />
c’est-à-dire, pour tout c 0<br />
v K<br />
¢<br />
u λ<br />
<br />
¡ u, v ¡ u<br />
c X<br />
0.<br />
D’après ce qui précè<strong>de</strong> (<strong>en</strong> posant w u λ<br />
c )<br />
λ 1Ku u ΠKu λ<br />
λ<br />
λ<br />
λ cu ¡ ΠKu<br />
c c c .<br />
A.2.6. Calcul pratique : transformation <strong>de</strong> Leg<strong>en</strong>dre-F<strong>en</strong>chel. —<br />
Définition A.29. — Soit f : X ¯ R une fonction. La transformée <strong>de</strong> Leg<strong>en</strong>dre-<br />
F<strong>en</strong>chel ou conjuguée <strong>de</strong> f est la fonction f ¦ : X ¯ R définie par<br />
(34) ℓ X <br />
f ¦ ℓ sup<br />
ℓu ¡ fu .<br />
uX
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 49<br />
Remarque A.30. — (a) Si f pr<strong>en</strong>d la valeur ¡, alors f ¦ . Si f est propre<br />
(c’est-à-dire non in<strong>de</strong>ntiquem<strong>en</strong>t égale à ) alors f ¦ est à valeurs dans R .<br />
(a) On notera désormais ℓu ℓ, u , où ¤, ¤ désigne le produit <strong>de</strong> dualité<br />
<strong>en</strong>tre X et X . Ce produit <strong>de</strong> dualité conci<strong>de</strong> avec le produit scalaire dans le cas où<br />
X est un espace <strong>de</strong> Hilbert, après i<strong>de</strong>ntification <strong>de</strong> X et <strong>de</strong> son dual.<br />
L’équation (34) s’écrit alors<br />
u ¦ X <br />
f ¦ u ¦ sup<br />
u<br />
uX<br />
¦ , u ¡ fu .<br />
Définition A.31. — Soit A X un <strong>en</strong>semble (non vi<strong>de</strong>). La fonction d’appui<br />
<strong>de</strong> l’<strong>en</strong>semble A est la fonction σA : X R définie par σA 1A ¦ où 1A<br />
désigne l’indicatrice <strong>de</strong> A<br />
1Ax <br />
0 si x A,<br />
sinon.<br />
Exemple A.32. — Soit A un <strong>en</strong>semble et fx dx, A. Alors f ¦ σA 1 B ¦.<br />
Proposition A.33. — Pour toute fonction f : X R , la fonction f ¦ est<br />
convexe et sci pour la topologie faible *.<br />
Démonstration. — Par définition<br />
f ¦ sup ϕu,<br />
udomf<br />
où dom f est le domaine <strong>de</strong> f ( i.e. l’<strong>en</strong>semble <strong>de</strong>s élém<strong>en</strong>ts u X tels que fu est<br />
finie) et ϕu : X R est définie par<br />
ϕuu ¦ u ¦ , u ¡fu.<br />
Chacune <strong>de</strong>s fonctions ϕu est affine et continue, donc convexe et sci pour la topologie<br />
faible <strong>de</strong> X . Il <strong>en</strong> est <strong>de</strong> même pour le sup.<br />
Exemple A.34. — Soit f : u uX . Alors f ¦ 1 B ¦ où B est la boule unité <strong>de</strong><br />
X .<br />
Plus généralem<strong>en</strong>t<br />
Proposition A.35. — Soit f une fonction positivem<strong>en</strong>t homogène (propre) <strong>de</strong> X<br />
dans R . Sa conjuguée f ¦ est l’indicatrice d’un sous-<strong>en</strong>semble K convexe et<br />
fermé <strong>de</strong> X .
hal-00512280, version 1 - 29 Aug 2010<br />
50 BERGOUNIOUX<br />
Démonstration. — Soit f une fonction positivem<strong>en</strong>t homogène (propre) <strong>de</strong> X dans<br />
R . Soit u ¦ X . Deux cas se prés<strong>en</strong>t<strong>en</strong>t :<br />
uo X tel que u ¦ , uo ¡ fuo 0. Alors par homogénéité, pour tout λ 0<br />
u ¦ , λuo ¡ fλuo λu ¦ , uo ¡ fuo f ¦ u ¦ .<br />
Donc, <strong>en</strong> passant à la limite pour λ on obti<strong>en</strong>t f ¦ u ¦ .<br />
Dans le cas contraire<br />
u X u ¦ , u ¡ fu 0,<br />
et donc f ¦ u ¦ 0. Or par définition <strong>de</strong> f ¦ ,<br />
u ¦ , 0 ¡ f0 f ¦ u ¦ ;<br />
comme f est positivem<strong>en</strong>t homogène f0 fn ¦ 0 n ¦ f0 pour tout n N et<br />
donc f0 0. On a donc finalem<strong>en</strong>t : f ¦ u ¦ 0.<br />
Posons K u ¦ X ¦ f ¦ u ¦ 0 . On vi<strong>en</strong>t <strong>de</strong> montrer que f ¦ 1K. Comme f ¦<br />
est convexe, sci K est fermé, convexe.<br />
Nous allons maint<strong>en</strong>ant donner un résultat reliant f g et f ¦ g ¦ qui est le<br />
fon<strong>de</strong>m<strong>en</strong>t <strong>de</strong> la théorie <strong>de</strong> la dualité <strong>en</strong> analyse convexe :<br />
Théorème A.36. — Soi<strong>en</strong>t f, g : X R <strong>de</strong>s fonctions convexes telles qu’il<br />
existe uo domg avec f continue <strong>en</strong> uo. Alors<br />
inf fu gu max<br />
uX u ¦ X ¡f ¦ u ¦ ¡ g ¦ ¡u ¦ .<br />
Remarque A.37. — Notons que dans le théorème le sup dans le terme <strong>de</strong> droite<br />
est toujours atteint (c’est un max ) ce qui n’est pas le cas dans le terme <strong>de</strong> gauche.<br />
où l’inf n’est pas nécessairem<strong>en</strong>t atteint.<br />
Corollaire A.38. — Soit f : X R une fonction convexe continue <strong>en</strong><br />
u X . Alors<br />
fu max<br />
u ¦ X u¦ , u ¡f ¦ u ¦ .<br />
Démonstration. — Posons g 1u. On a g ¦ u ¦ u ¦ , u pour tout u ¦ X . Les<br />
fonctions f et g sont convexes et f est continue <strong>en</strong> u dom g. On a donc d’après le<br />
théorème précé<strong>de</strong>nt :<br />
fu inf f gu max<br />
uX u ¦ X ¡f ¦ u ¦ ¡ g ¦ ¡u ¦ max<br />
u ¦ X u¦ , u ¡f ¦ u ¦ .<br />
On peut généraliser ce résultat à <strong>de</strong>s fonctions convexes sci.
hal-00512280, version 1 - 29 Aug 2010<br />
FILTRAGE 51<br />
Théorème A.39. — Soit f : X R une fonction convexe semi-continue<br />
inférieurem<strong>en</strong>t. Alors, pour tout u X<br />
fu max<br />
u ¦ X u¦ , u ¡f ¦ u ¦ .<br />
Démonstration. — Voir [3] p. 89. C’est une démonstration similaire à celle du<br />
théorème (A.36).<br />
Terminons par un résultat <strong>de</strong> bi-dualité que nous admettrons.<br />
Théorème A.40. — Soit f une fonction propre, convexe et sci <strong>de</strong> X dans R .<br />
Alors f ¦¦ f.<br />
A.2.7. Li<strong>en</strong> avec le sous-différ<strong>en</strong>tiel. —<br />
Théorème A.41. — Soit f : X R et f ¦ sa conjuguée. Alors<br />
Démonstration. — Soit u ¦ fu :<br />
Donc<br />
u ¦ fu fu f ¦ u ¦ 〈u ¦ , u〉 .<br />
v X fv fu 〈u ¦ , v ¡ u〉 .<br />
f ¦ u ¦ 〈u ¦ , u〉 ¡ fu sup〈u ¦ , v〉 ¡ fv v X f ¦ u ¦ .<br />
On obti<strong>en</strong>t : fu f ¦ u ¦ 〈u ¦ , u〉.<br />
Réciproquem<strong>en</strong>t, si fu f ¦ u ¦ 〈u ¦ , u〉 on a pour tout v X<br />
c’est-à-dire u ¦ fu.<br />
〈u ¦ , u〉 ¡ fu f ¦ u ¦ 〈u ¦ , v〉 ¡ fv,<br />
〈u ¦ , v ¡ u〉 fv ¡ fu,<br />
Corollaire A.42. — Si f : X R est convexe, propre et sci, alors<br />
u ¦ fu u f ¦ u ¦ .<br />
Démonstration. — il suffit d’appliquer le théorème précé<strong>de</strong>nt à f ¦ et d’utiliser le fait<br />
que lorsque f est convexe, propre et sci alors f f ¦¦ .
hal-00512280, version 1 - 29 Aug 2010<br />
52 BERGOUNIOUX<br />
Référ<strong>en</strong>ces<br />
[1] Aubert G. et Kornprobst P., Mathematical Problems in Image Processing, Applied Mathematical<br />
Sci<strong>en</strong>ce 147, Springer 2006<br />
[2] Attouch H., Buttazzo G. et Michaille G., Variational analysis in Sobolev and BV spaces,<br />
MPS-SIAM Series on Optimization, 2006<br />
[3] Azé D., Elém<strong>en</strong>ts d’analyse convexe et variationnelle, Ellipses, Paris, 1997.<br />
[4] Barbu V.- Precupanu Th., Convexity and Optimization in Banach Spaces, Sijthoff &<br />
Noordhoff, Bucarest 1978.<br />
[5] Bergounioux M. Métho<strong>de</strong>s mathématiques pour le traitem<strong>en</strong>t du signal, Collection<br />
Mathématiques Appliquées pour le Master/SMAI , Dunod, Paris, 2010<br />
[6] Brézis H., Analyse Fonctionnelle, Masson, Paris, 1987.<br />
[7] Chambolle A., An algorithm for total variation minimization and applications, JMIV,<br />
20, 89-97,2004.<br />
[8] Dautray R. - Lions J.L., Analyse mathématique et calcul numérique, 9 volumes, Masson,<br />
Paris, 1987.<br />
[9] Ekeland I. - Temam R., Analyse convexe et problèmes variationnels, Dunod, Paris, 1973.<br />
[10] Evans L. - Gariepy R., Measure theory and fine properties of functions, CRC Press,<br />
Boca Raton, Flori<strong>de</strong>, 1992.<br />
[11] Gasquet C. et Witomski P., Analyse <strong>de</strong> Fourier et applications, Masson, 1995.<br />
[12] Pallara D., Ambrosio L., Fusco N., Functions of boun<strong>de</strong>d variations and free discontinuity<br />
problems, Oxford Mathematical Monographs, 2000.<br />
[13] Rudin W., Analyse réelle et complexe, Masson, 1978.<br />
[14] Rudin L., Osher S. et Fatemi E., Non linear total variation based noise removal algorithms,<br />
Physica D, 20, pp. 259-268, 1992<br />
Bergounioux, Université d’Orléans, Départem<strong>en</strong>t <strong>de</strong> mathématique, BP 6759, F-45067 Orléans<br />
Ce<strong>de</strong>x 2 E-mail : maitine.bergounioux@univ-orleans.fr<br />
Url : http://web.mac.com/maitine.bergounioux/iWeb/PagePro/Accueil.html