traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
34<br />
Chapitre 2 - Traitement d’images <strong>par</strong> <strong>modèles</strong><br />
<strong>discrets</strong> <strong>sur</strong> graphes<br />
2.3.3.5 Critère d’arrêt<br />
Afin de déterminer automatiquement le nombre d’itérations, nous pouvons utiliser un critère<br />
de terminaison défini comme ‖f t (v)−f t−1 (v)‖<br />
< ε. Ceci permet de stopper les itérations lorsque<br />
‖f t (v)‖<br />
peu de modifications interviennent <strong>sur</strong> f t .<br />
2.3.4 Liens vers d’autres approches<br />
Nous présentons ici les liens qui existent entre notre approche <strong>par</strong> régularisation et d’autres<br />
approches de la littérature. Notre approche définit une famille de filtres anisotropiques linéaires<br />
(p = 2) et non linéaires (p = 1). En modifiant la topologie du graphe et les poids des arêtes, nous<br />
obtenons naturellement les trois <strong>modèles</strong> de <strong>traitement</strong> que sont les <strong>traitement</strong>s local, semi local<br />
et non local. Par exemple, pour le <strong>traitement</strong> d’image, si l’on considère un graphe de type grille<br />
en 8-voisinage avec une fonction de poids dont le vecteur de caractéristiques est F f (v) = f(v),<br />
on obtient un <strong>traitement</strong> local. Si l’on augmente la connectivité des noeuds en les reliant à des<br />
noeuds proches spatialement on obtient un <strong>traitement</strong> semi-local. Enfin, si l’on considère un vecteur<br />
caractéristique représentant un patch (un ensemble des valeurs autour du noeud courant),<br />
on obtient un <strong>traitement</strong> non local. Ce <strong>traitement</strong> non local peut, à l’extrême, être effectué <strong>sur</strong><br />
le graphe complet pour considérer un <strong>traitement</strong> complètement non local. En modifiant ensuite<br />
la fonction de pondération associée aux arêtes du graphe, nous obtenons plusieurs connexions<br />
avec des approches de la littérature.<br />
Prenons tout d’abord le cas de p = 2 et λ = 0. Avec une fonction de poids de type g 3 et F f (v) =<br />
f(v), nous obtenons un <strong>traitement</strong> équivalent au filtre bilatéral. De même, avec une fonction de<br />
poids de type g 2 , nous obtenons un <strong>traitement</strong> équivalent au filtre de YAROSLAVSKY. Si l’on<br />
considère un <strong>traitement</strong> non local avec une fonction de type g 2 et F f (v) = [f(u), v ∈ B v,s ] T un<br />
carré centré en v de taille s, on obtient un <strong>traitement</strong> équivalent au filtre non local de BUADES.<br />
On peut montrer également le lien qui existe entre le filtrage proposé et le filtrage spectral <strong>sur</strong><br />
graphe pour p = 2 et λ = 0 [COIFMA05, SZLAM06]. Dans ce cas, l’expression (2.15) se réduit<br />
ϕ (t)<br />
vuf (t) (u) où ϕ vu peut être interprété comme la probabilité de passer d’un<br />
à f (t+1) (v) = ∑ u∼v<br />
noeud v à un noeud u en une marche. En prenant la matrice Markov P (v, u) = ϕ vu et F la<br />
matrice de f, la précédente équation itérative peut être réécrite comme F t+1 = P F (t) = P t F (0) .<br />
Une façon équivalente de considérer les puissances de P est de décomposer F selon les premiers<br />
vecteurs propres de P . Ceci permet de définir une base pour n’importe quelle fonction<br />
f ∈ H(v) et celle-ci peut être décomposée selon les k premiers vecteurs propres de P <strong>par</strong><br />
f = ∑ i=k<br />
i=1 〈f, v i〉 H(V ) v i , ce qui peut être interprété comme un filtrage dans le domaine spectral.<br />
Quand λ ≠ 0 et que les poids sont constants, on obtient un <strong>traitement</strong> équivalent au EDP discrètes<br />
proposées <strong>par</strong> CHAN [CHAN01B] (pour p = 1, c’est la régularisation <strong>par</strong> variation totale<br />
et pour p = 2 c’est la régularisation L 2 ). Plus généralement, si les poids ne sont pas constants,<br />
cela correspond à une régularisation L 2 ou <strong>par</strong> variation totale <strong>sur</strong> des graphes de topologies<br />
arbitraires. On remarque que cette régularisation est naturellement non locale en augmentant la<br />
connectivité des noeuds du graphe.