Quelques m

ethodes de filtrage en Traitement dImage

Matine Bergounioux

To cite this version:

Matine Bergounioux. Quelques methodes de filtrage en Traitement dImage. Cours donne dans
le cadre dune ecole CIMPA - en attente de publication dans les actes. 2010. <hal-00512280v1>

HAL Id: hal-00512280

https://hal.archives-ouvertes.fr/hal-00512280v1
Submitted on 29 Aug 2010 (v1), last revised 24 Jan 2011 (v2)

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.

Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.


QUELQUES METHODES
DE FILTRAGE EN TRAITEMENT
DIMAGE
par
Matine Bergounioux

R
esum
e. Nous pr
esentons quelques m
ethodes de base en filtrage des images
num
eriques. Un bref apercu du filtrage unidimensionnel est donn
e puis les techniques
lin
eaires et non lin
eaires sont abord
ees. Nous terminons par une ouverture sur les
m
ethodes variationnelles tr`
es utilis
ees actuellement pour la d
econvolution et la restauration des images.
Abstract (Some filtering methods in image processing). We present basic
image processing denoising methods. We first recall breifly the main features of linear
1D filtering technqiues. Then we present linear and non linear standard methods. We
end with variational methods that are more and more used for deconvolution and
image restoration.

Table des mati`

eres
1. Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Filtrage unidimensionnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Debruitage par filtrage lineaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. Debruitage par filtrage non lineaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. Filtrage variationnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Appendice A. Quelques outils mathematiques. . . . . . . . . . . . . . . . . . . . . .
References. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1
3
6
24
31
41
52

1. Introduction
Letude dun signal necessite de supprimer au maximum le bruit parasite d
u aux
conditions dacquisition. Lun des buts du filtrage est de nettoyer le signal en
eliminant le plus de bruit possible tout en preservant le maximum dinformations. En
Classification math
ematique par sujets (2000). 68U10, 49J40.
Mots clefs. Traitement dimage, filtrage, d
ebruitage, segmentation.

BERGOUNIOUX

outre, linformation contenue dans un signal nest pas forcement enti`erement pertinente : il faut selectionner linformation utile suivant lusage que lon veut en faire.
Par exemple, `
a lecoute dun morceau de musique, on peut vouloir un renforcement
des sons graves. Une autre finalite du filtrage est donc de selectionner et renforcer
certaines bandes de frequences porteuses de linformation interessante.
Le filtrage des images a la meme finalite que celui des signaux 1D. Il sagit essentiellement denlever le bruit (parasite) ou de selectionner certaines frequences. Si
la notion de haute frequence ou basse frequence est naturelle en signal 1D (son aigu
ou grave), la fr
equence spatiale est un concept plus delicat qui decoule du fait
que les images appartiennent au domaine spatial. La frequence est une grandeur qui
caracterise le nombre de phenom`enes qui se deroulent au cours dun temps donne. Si
en voiture, le long dune route, on voit 2 bandes blanches PAR seconde : cest une
frequence temporelle. Il est ensuite facile de comprendre que ce concept de frequence
temporelle peut aussi se traduire en disant quil y a 200 bandes blanches PAR
kilom`etre : cest une frequence spatiale.
Dans une image, les details se rep`etent frequemment sur un petit nombre de pixels,
on dit quils ont une frequence elevee : cest le cas pour les bords et les contours dans
une image. Au contraire, les frequences basses correspondent `a des variations qui se
rep`etent peu car, diluees sur de grandes parties de limage, par exemple des variations
de fond de ciel.
Nous verrons dans la suite que la plupart des filtres agissent selectivement sur ces
frequences pour les selectionner, en vue de les amplifier ou de les reduire tout comme
dans le cas 1D.
Les images peuvent etre entachees de bruits de nature differente. On sinteressera
ici aux bruits
additif, gaussien
de flou (convolution)
poivre et sel
Les bruits multiplicatifs et/ou poissoniens sont difficiles `a apprehender : nous nen
parlerons pas ici. De la meme facon, nous naborderons pas le filtrage par ondelettes
qui necessite des pre-requis importants.

FILTRAGE

(a) Image originale

(d) Flou

(b) Bruit gaussien, moyenne

nulle,
ecart-type 0.02

(c) Bruit gaussien, moyenne

nulle,
ecart-type 0.1

(e) Bruit poivre et sel

(f) Bruit multiplicatif

Figure 1. Exemples de perturbations dune image (bruits et flou)

2. Filtrage unidimensionnel
Avant de presenter les principales techniques de base pour le filtrage des images,
nous rappelons bri`evement le principe du filtrage unidimensionnel (pour plus de details
on peut se referer `
a [5]).
Pour definir un filtre lineaire mathematiquement, on se donne deux espaces vectoriels X (entree) et Y (sortie) munis dune topologie sequentielle et un operateur A
lineaire qui, `
a un signal e P X dit signal dentree, associe un signal s P Y appele signal
de sortie :
A : e s : Aeq .
D
efinition 2.1 (Filtre). Un filtre lineaire est un syst`eme lineaire continu qui
verifie les deux proprietes suivantes :
1. Il est invariant dans le temps : si Ta : x x aq est loperateur de translation
alors
Ta A ATa .

2. Si lim ek tq etq alors on a lim sk tq stq. Cette propriete est equivalente

k

a la causalite.
`

BERGOUNIOUX

Les espaces peuvent etre de dimension infinie (signaux analogiques) ou finie (signaux discrets ou numeriques).
u
Examinons leffet dun filtre lineaire A sur un signal periodique de X L2p 0, T q (o`
T 0) de frequence 1T . On sait que ce signal peut secrire sous la forme
x

(1)

cn en ,

nPZ

o`
u on a pose
(2)

exp2itq ,

e : t

ace aux series de Fourier) que la famille en qnPZ

de sorte que en e qn . On sait (gr
forme une base hilbertienne de X .
Formellement 1q

Ax A

cn en

nPZ

nPZ

cn Aen q.

On est donc ramene `

a examiner leffet de A sur en .
Proposition 2.2. Un filtre lineaire associe `
a tout signal exponentiel dentree le
meme signal multiplie par un facteur independant du temps, generalement complexe,
appele fonction de transfert ou gain complexe du filtre.
Demonstration. Cherchons limage f A e de e par le filtre. On remarque que
pour t fix
e, on a e t uq e tqe uq. Donc

u P R

f t

uq Ae tqe quq,

cest-`
a-dire par linearite de A
f t

uq e tq rAe uqs e tqf uq.

Pour u 0 , on obtient f tq e tqf 0q; donc Ae f 0qe . Par consequent, e

est une fonction propre de A associee `a la valeur propre f 0q qui ne depend que de
. La fonction H q : f 0q est appelee fonction de transfert du filtre.
Reprenons le signal periodique x defini par la relation (1) ; la sortie filtree par A
est donc

y : Ax
cn H nqen .
nPZ

En resume, chaque coefficient de Fourier cn de x est transforme en n : H nqcn .

Compte tenu des proprietes de la transformee de Fourier F, si x est un signal
numerique echantillonne avec 2N echantillons, on peut traduire la relation precedente
par
n P t1, , N Yn H nq Xn ,
1. On peut compl`
etement justifier le calcul gr
ace a
` la lin
earit
e et la continuit
e de lop
erateur A
de X dans X

FILTRAGE

o`
u Y F y q et X F xq, cest-`
a-dire F y q H. F xq , o`
u . designe le produit
1

1
u*
composante par composante. Si on pose h 2N F H q, cela donne : y h x (o`
designe ici la convolution discr`ete.) Nous obtenons donc le resultat suivant (que nous
admettrons pour les signaux analogiques) :
Th
eor`
eme 2.3. Un syst`eme lineaire continu est un filtre lineaire si et seulement
si la relation entre lentree e et la sortie s est une convolution :
stq rh estq

hq et q d ,

o`
u htq est la r
eponse impulsionnelle du filtre.
Pour les filtres `
a temps discret on a
sn

h e
P

k n k

k Z

En dautres termes les filtres lin

eaires continus unidimensionnels sont
et ne sont que des filtres de convolution (o`
u la convolution est continue ou
discr`
ete).
Dans le cas des signaux analogiques (denergie finie, i.e. dans L2 Rq par
exemple), le signal de sortie s est donne par : s h e, o`
u e est le signal
e. La
dentree. Si on applique la transformation de Fourier, on obtient s h

transformee de Fourier H : h de h est la fonction de transfert du filtre. Le

noyau de convolution h sappelle la r
eponse impulsionnelle du filtre. En effet,
si le signal dentree e est la mesure de Dirac on obtient s h h. Cest
donc bien la sortie correspondant `a une impulsion .
Dans le cas des signaux discrets, on peut faire la meme analyse. La transformation de Fourier est remplacee par la transformation de Fourier discr`ete et se
calcule par FFT.
Generalement, on distingue les filtres suivant laction quils ont sur le spectre (cesta-dire par la forme de leur fonction de transfert) :
`
un filtre passe-bas va eliminer ou attenuer fortement lenergie des hautes
frequences dun spectre en ne laissant passer que les basses frequences ;
un filtre passe-haut va eliminer ou attenuer fortement lenergie des basses
frequences dun spectre ;
un filtre passe-bande ne conservera que lenergie concentree dans une bande
de frequences.
un filtre coupe-bande ou filtre de r
ejection qui est le complementaire du
precedent.

BERGOUNIOUX

Figure 2. Differents types de filtrage

3. D
ebruitage par filtrage lin
eaire
3.1. Filtrage spatial (bruit additif ). Nous avons vu que les filtres lineaires
dun signal 1D sont et ne sont que des filtres de convolution. Le filtrage spatial est
aussi essentiellement une operation de convolution (2D).
Si f est limage `
a filtrer (ou `
a rehausser) et g le filtre spatial (ou PSF - Point
Spread Function ou masque) on a :
f x, y q g x, y q F 1

F f x, y
F
g
x,
y
.

qq

qq

G u,v

G est la fonction de transfert du filtre. Une image numerique etant essentiellement

discr`ete (pixels et niveaux de gris) nous allons presenter les filtres dans le cas discret.
Dans tout ce qui suit x et y sont des entiers (coordonnees des pixels) et f est `a valeurs
enti`eres (dans t0, , 255q. Comme dans le cas unidimensionnel, on peut distinguer
trois types de filtrage :
Le filtre passe-bas diminue le bruit mais attenue les details de limage (flou
plus prononce)
Le filtre passe-haut accentue les contours et les details de lmage mais amplifie le bruit
Le filtre passe-bande elimine certaines frequences indesirables presentes dans
limage
On ne fait pas en general une convolution globale mais une transformation locale,
basee sur le voisinage dun point x, y q :

FILTRAGE

Figure 3. Convolution locale

Le noyau de convolution (masque, PSF ) du filtre est `a support compact inclus

dans rx1 , x2 s ry1 , y2 s :
g x, y q f

qx, yq

f x i, y jqi, jq.
x2

y2

i x 1 j y1

Generalement le filtre est de dimensions di impaires et est symetrique. Dans ce cas

rx1 , x2 s r d21 , d21 s

(3)

d1 1q2

f qx, yq
i

ry1 , y2 s r d22 , d22 s,

et

d2 1q2

d1 1q2 j d2 1q2

w1
w4
w7

w2
w5
w8

x1 x
Table 1. Filtre(i,j) - d1

w3
w6
w9

f x

i, y

j qi, j q.

y1
y
y 1

d2 3

Ici d1 d2 d 3. On ne filtre pas les bords pour eviter des distorsions ; donc
0, 0q w5 .
Sur cet exemple on a precisement
g x, y q w1 f x 1, y 1q w2 f x, y 1q w3 f x 1, y 1q
w4 f x 1, y q w5 f x, y q w6 f x 1, y q
w7 f x 1, y 1q w8 f x, y 1q w9 f x 1, y 1q.

BERGOUNIOUX

Afin de conserver la moyenne de limage f , la somme des elements du filtre est normalisee `
a 1 : wi 1.
i

Un filtre 2D est dit s

eparable sil est possible de decomposer le noyau de convolution h2D en deux filtres 1D appliques successivement en horizontal puis en vertical
(ou inversement) :
h2D

hV1D hH1D ,

o`
u le symbole designe le produit tensoriel. On peut alors traiter separement les
lignes et les colonnes de limage.
Pour quun filtre 2D soit separable il faut et il suffit que les coefficients de ses
lignes et de ses colonnes soient proportionnels.

Exemple 3.1 (Filtres s

eparables ). Ils sont obtenus comme suit. En pratique
cela revient `
a faire un produit matriciel.

a
a
a

b
b
b

c
c
c

Exemple 3.2 (Filtre de moyenne passe -bas ).

1
9

1
1
1

1
1
1

1
1
1

1
25

1
1
1
1
1

1
1
1
1
1

1
1
1
1
1

1
1
1
1
1

1
1
1
1
1

Table 2. Filtres de moyenne 3 x 3 et 5 x 5 respectivement

c .

FILTRAGE

(a) Image originale

(c) Filtre de moyenne 3 x 3

Figure 4. Effet de lissage

Ce sont des filtres separables.

(b) Image bruit

ee (bruit gaussien

0.05)

(d) Filtre de moyenne 5 x 5

BERGOUNIOUX

10

Exemple 3.3 (Filtre gaussien).

0.8 on a le filtre 3 3 suivant

G1, 1q G0, 1q G1, 1q
1

G1, 0q
G0, 0q
G1, 0q
16
G1, 1q
G0, 1q
G1, 1q
et 1 pour un filtre 5 5 donne environ
Si par exemple

1
300

1
4
6
4
1

4
6 4
18 30 18
30 48 30
18 30 18
4
6 4

1
2
1

2
4
2

1
2
1

1
4
6 .
4
1

Idealement, on devrait prevoir un filtre de taille 6 1q 6 1q. En general un

filtre gaussien avec 1 est utilise pour reduire le bruit, et si 1 cest dans le but
de fabriquer une image quon va utiliser pour faire un masque flou personnalise.
Il faut noter que plus est grand, plus le flou applique `a limage sera marque.
Exemple 3.4 (Filtre bin
omial).
Les coefficients de ce filtre sont obtenus par le bin
ome de Newton. Un filtre 1D
1
bin
omial dordre 4 est un filtre donne par le vecteur v
r1 4 6 4 1s. Un filtre 2D
16
bin
omial dordre 4 est le filtre separable donne par v v :

1
256

1
4
6
4
1

4
16
24
16
4

6
4 1
24 16 4
36 24 6
24 16 4
6
4 1

FILTRAGE

11

Ces filtres sont des filtres passe-bas : ils attenuent les details de limage (et donc le
bruit additif) mais en erodant les contours ajoutent du flou `a limage. Nous verrons
dans une section suivante comment attenuer le flou.
3.2. Filtrage fr
equentiel (bruit additif ).
3.2.1. Filtre passe-bas. Nous avons dej`
a parle du filtre passe-bas ideal dans le
cas de signaux unidimensionnels. De mani`ere analogue, on definit une fr
equence
de coupure c au dessus de laquelle les frequences sont annulees (filtre ideal). La
fonction de transfert est alors

1 si 2 2 c
H , q
0 sinon

Figure 5. Fonction de transfert ideale

Le creneau centre H admet une transformee de Fourier inverse qui est le sinus
cardnal qui presente dautant plus dondulations que la frequence de coupure est
petite. Cela entrane un flou qui sera dautant plus reduit que c est grand.

(a) Image originale

(b) Image filtr

ee

Figure 6. Application dun creneau ideal (c

limage) : on voit clairement les ondulations.

15% de la taille de

12

BERGOUNIOUX

On a vu que le filtre passe-bas ideal nest pas realisable et on fait donc une approximation de la fonction H precedente qui aura pour effet, non pas de couper les hautes
frequences mais de les attenuer fortement. Le filtre suivant est le filtre passe-bas de
Butterworth La fonction de transfert est alors
1
H , q

2n
2 2
c

1
o`
u c est encore la frequence de coupure.

Figure 7. Fonction de transfert de Butterworth

En traitement dimage, un filtre passe-bas attenue les hautes frequences : le resultat

obtenu apr`es un tel filtrage est un adoucissement des details et une reduction du bruit
granuleux.
3.2.2. Filtres passe-haut. Le filtre passe-haut ideal est obtenu de mani`ere
symetrique au passe- bas par

Le filtre passe-haut de Butterworth est donne par

H , q

c
2

2n
2

FILTRAGE

13

Un filtre passe haut favorise les hautes frequences spatiales, comme les details, et
de ce fait, il ameliore le contraste. Toutefois, il produit des effets secondaires :
augmentation du bruit : dans les images avec un rapport Signal/ Bruit
faible, le filtre augmente le bruit granuleux dans limage.
effet de bord : il est possible que sur les bords de limage apparaisse un
cadre. Mais cet effet est souvent negligeable et peut seliminer en tronquant les
bords de limage o`
u en faisant une reflexion de quelques pixels de limage autour
de son cadre.

(a) Filtrage passe-bas

(b) Filtrage passe-haut

Figure 8. Filtrage passe-bas et passe-haut avec un filtre de Butterworth

(n 4 et c 0.15 taille de limage)

3.2.3. Filtres passe-bande. Ils permettent de ne garder que les frequences comprises dans un certain intervalle :

1 si c 2 2 c
2
2
H , q
0 sinon
est la largeur de bande et c la frequence de coupure.

Figure 9. Fonction de transfert dun filtre passe-bande ideal

BERGOUNIOUX

14

3.3. Application au filtrage diff

erentiel. Dans les mod`eles differentiels, on
consid`ere limage comme une fonction continue f : I I r0, 255s dont on etudie
le comportement local `
a laide de ses derivees. Une telle etude na de sens que si la
fonction f est assez reguli`ere. Ce nest pas toujours le cas ! ! une image noir et blanc
sera discontinue (en fait continue par morceaux) les zones de discontinuite etant par
essence les contours.
Au premier ordre on peut calculer en chaque point M x, y q, le gradient de limage :
f x, y q

f , f q.
x y

Grace au plongement dans lespace continu, un grand nombre doperations danalyse peuvent sexprimer en termes dequations aux derivees partielles. Ceci permet de
donner un fondement mathematique satisfaisant aux traitements et aussi de fournir
des methodes pour les calculer, par des schemas numeriques de resolution.
Les filtres differentiels permettent de mettre en evidence certaines variations spatiales de limage. Ils sont utilises comme traitements de base dans de nombreuses
operations comme le rehaussement de contraste ou la d
etection de contours.
En pratique, il faut approcher les gradients pour travailler avec des gradients
discrets. Les approximations les plus simples des derivees directionnelles se font
par differences finies. On peut les calculer par exemple `a laide convolution avec des
f se fait par convolution avec
noyaux tr`es simples : par exemple, lapproximation de
x
r0 1 1s. En effet, dans ce cas, la formule generale de convolution discr`ete (3) donne
(avec d1 3 et d2 0) :
1

g x, y q
i

1 j 0

f x

i, y

f
De meme lapproximation de
y

j qi, j q f x, y q

1

x1 x

f x, yq.
x

1, y q

0
se fait par convolution avec 1 :

g x, y q f x, y q

f x

f x, y

1q

f x, yq.
y
0
1
1

y1
y
y 1

x
Table 3. Masques (i, j q) des gradients par rapport a
` x (gauche) et y (droite)

FILTRAGE

On utilise plus souvent

r1

15

1
1s et 0 qui produisent des fronti`eres plus

1
epaisses mais qui sont bien centrees. Ces operations sont tr`es sensibles au bruit et on
les combine generalement avec un filtre lisseur dans la direction orthogonale `a celle de
derivation, par exemple par le noyau suivant (ou sa transposee) : r1 2 1s. On obtient
alors des filtres separables. Le calcul des derivees directionnelles en x et y revient
finalement `
a la convolution avec les noyaux suivants :
f x, yq f h qx, yq et f x, yq f h qx, yq
x
y
x
y

1 0 1
avec h r1 0 1s r1 2 1s 2 0 2 et
1 12 01 1
h r1 2 1s r1 2 1s 0
0
0 .
t

1
Ce sont les masques de Sobel.

(a) Original

(b) Noyau

r1 0 1s

(c) Noyau

r1 0 1st

Figure 10. Gradients avec des noyaux sans filtrage

(a) Gradient horizontal

(b) Gradient vertical

Figure 11. Gradients de Sobel

(c) Norme du gradient

BERGOUNIOUX

16

Figure 12. Gradients de Robinson dans 3 directions differentes (voir tableau 4. suivant)

(a) Original

(b) Norme du gradient

(c) Gradient en x

(d) Gradient en y

Figure 13. Detection de contours par une convolution de type Sobel

FILTRAGE

Types de masque

17

Amplitude

Direction

Masques de Roberts
-1
0

0
1

0
1

-1
0

G21

G22

G2
+ arctan
G1

G 1 , G2

Masques de Sobel
1
2
1

0
0
0

-1
-2
-1
Gx ,

1 2
0 0
-1 -2
Gy

1
0
-1

1
0
-1

G2x

G2y

Gy
= arctan
Gx

G2x

G2y

= arctan

Masques de Prewitt
1
1
1

0
0
0

-1
-1
-1
Gx ,

1 1
0 0
-1 -1
Gy

Gy
Gx

Masques de Kirsh
Direction

5
-3
-3

5
0
-3

5
-3
-3

maximum des Gi

+ les 7 autres masques obtenus par

correspondant
au Gi s
electionn
e

permutation circulaire des coefficients

Gi pour i de 1 `
a8

Masques de Robinson
1
1
-1

1
-2
-1

1
1
-1

maximum des Gi

+ les 7 autres masques obtenus par

permutation circulaire des coefficients
Gi pour i de 1 `
a8

Table 4. Differents types de masques - gradients

Idem

BERGOUNIOUX

18

De la meme facon, lapproximation par differences finies la plus simple de la

derivee seconde est la convolution par le noyau r1 2 1s pour lapproximation de

2 f et 12 pour lapproximation de 2 f . Le laplacien f 2 f 2 f peut

x2 y 2
x2
y2
1
donc etre approche par lun operateurs lineaires suivants :

Laplacien discret - 4
0
1
0

1
-4
1

0
1
0

(a) Laplacien 4-connexe

Laplacien discret - 8
1
1
1

1
-8
1

Laplacien de Robinson

1
1
1

1
-2
1

(b) Laplacien 8-connexe

-2
4
-2

1
-2
1

(c) Laplacien de Robinson

Figure 14. Calcul du laplacien

Les filtres presentes dans cette section sont essentiellement des filtres passe-haut.
Ils permettent disoler les details dune image (les contours et les textures sur une
image non bruitee et le bruit en plus sur une image bruitee).
3.4. Filtrage par
equations aux d
eriv
ees partielles.

3.4.1. Equation
de la chaleur. Considerons un filtrage gaussien dans le cadre
continu. On sait que si limage de depart est une fonction uo definie sur R2 (mais
L `
a support compact), limage filtree est la convolee de uo avec un noyau gaussien
G xq G x1 , x2 q

1
exp
2 2

x
1
x122x2 2
exp 2
2
2
2

FILTRAGE

19

1
On pose ut, xq ht, q uo qxq o`
u ht, xq G2t xq
exp
ht, q P C R2 q a ses derivees bornees et uo
et on peut calculer u :
ut, xq

t 0, x P R2

Un rapide calcul montre que

ht, xq

4t

x2

. Comme
4t

P L1 R2 q, la convolee ut, q est aussi C

2 u t, xq 2 u t, xq ht, q u qxq.
o
x21
x22

x2 exp x2 1 x2 ht, xq,

4t1 2

16t3

4t

4t2

et on obtient

1 x2
ut, xq.
ut, xq
t
4t2
Dautre part, pour t 0 on peut deriver directement u par rapport `a t :

u t, xq h t, yqu x yqdy
o
t
R t

et on obtient finalement

u t, xq ut, xq 0 sur s0, trR2 .

t

Dautre part, avec

ut, xq
on obtient

1
exp
4t

y 2

u x y qdy

lim ut, xq x , uo

4t

uo xq,

car la famille de Gaussiennes converge au sens des distributions vers la mesure de

Dirac.

Figure 15. Gaussiennes

BERGOUNIOUX

20

La fonction filtree u verifie lequation aux derivees partielles suivante (equation

de la chaleur) :

u
t, xq ut, xq 0 dans s0, T r
ut0, xq u xq x P

(4)

u la fonction u est definie. On

o`
u est le cadre de limage, i.e. louvert de R2 o`
peut alors imposer soit des conditions aux limites au bord de (niveau de gris fixe)
soit des conditions aux limites periodiques en periodisant la fonction u (si le cadre est
rectangle par exemple).
On peut alors utiliser un schema aux differences finies pour calculer la solution de
lEDP. Suivant le temps devolution, on obtient une version plus ou moins lissee de
limage de depart.

(a) Original

(b) Image bruit

ee

0.1

(c) Image filtr

ee

Figure 16. Filtrage par EDP de la chaleur avec pas de temps dt 0.2 et
15 iterations

3.4.2. Mise en uvre numerique. La mise en uvre numerique se fait avec une
discretisation en differences finies, la plupart du temps explicite en raison de la tr`es
grande taille des images (et donc des matrices associees). La condition de Neumann
est assuree grace `
a une reflexion de limage par rapport `a ses bords. En traitement
dimage on consid`ere souvent que la taille est donnee par le nombre de pixels de sorte
que le pas de discretisation est h 1. On peut discretiser le gradient de differentes
mani`eres (centree, `
a droite, `
a gauche )
(5)

x ui,j

ui

1,j

ui1,j ,
2

ui 1,j ui,j ,
x ui,j ui,j ui1,j ,
x ui,j

y ui,j

ui,j 1 2 ui,j1 ,

ui,j 1 ui,j ,
y ui,j ui,j ui,j 1 .
y ui,j

FILTRAGE

21

La norme du gradient peut se calculer par un schema ENO (Essentially Non Oscillatory). Deux approximations possibles de u sont
ui,j

ou
ui,j

maxx ui,j , 0q2

minx ui,j , 0q2

maxy ui,j , 0q2

miny ui,j 0q2 ,

maxx ui,j , 0q2

minx ui,j , 0q2

maxy ui,j , 0q2

miny ui,j 0q2 .

Si loperateur gradient est discretise par differences finies `a droite, alors une discretisation possible de la divergence est donnee par

(6)

p1 p1
i,j i1,j

p1i,j
div pqi,j
p1
i1,j

iN
i1
iN

si

si
si

p2 p2

i,j 2 i,j1
pi,j

p2i,j1

si
si
si

jM
j1
jM
1

avec p p1 , p2 q et N, M q est la taille de limage.

3.5. D
econvolution (cas dun flou). Une autre source de perturbation dune
image est le flou . Nous avons vu quun filtre de convolution passe-bas permettait
denlever le bruit additif mais que limage filtree etait floutee. Cela sexplique par
le fait que loperateur de convolution est regularisant. Un tel operateur est souvent
modelise par un produit de convolution, de noyau positif symetrique h (qui est la
plupart du temps gaussien). Il nest pas necessairement inversible (et meme lorsquil
est inversible, son inverse est souvent numeriquement difficile `a calculer).
3.5.1. Approche spatiale : equation de la chaleur retrograde (inverse). Nous
avons constate precedemment que faire une convolution par un noyau gaussien revient
a resoudre une equation de la chaleur. Le pas de temps joue le role de lecart type de
`
la gaussienne. Pour faire loperation inverse, la deconvolution on peut donc imaginer
de resoudre une equation de la chaleur retrograde en partant de letat final
qui est limage floutee et en ajustant le pas de temps au rapport signal sur bruit.

(7)

u
t, xq ut, xq 0 dans s0, T r
utT, xq u xq x P
o

BERGOUNIOUX

22

(a) Image flout

ee

(b) Original

(c) It
eration 5

Figure 17. Deconvolution par equation de la chaleur inverse : dt 1.5

Cette equation est notoirement mal posee (on ne peut assurer ni lexistence dune
solution, ni la stabilite dun schema numerique) et il convient de ne faire quun petit
nombre diterations.

(a) It
eration 6

(b) It
eration 8

Figure 18. Deconvolution par equation de la chaleur inverse : dt 1

3.5.2. Filtre inverse et Algorithme de Van Cittert. Lalgorithme de Van Cittert repose sur la formulation frequentielle dune convolution. Supposons que h soit
loperateur de flou (inconnu ou donne par etalonnage des appareils de mesure). On
ne prend pas en compte le bruit. Limage floutee f verifie f h u, o`
u u est limage

u cest-`
originale (quon veut retrouver). Une formulation equivalente est f h
a-dire

f
u
.

FILTRAGE

23

Le filtre inverse est le plus simple des filtres. Dans certaines conditions, il peut donner
et `a lappliquer `a limage floutee.
de tr`es bons resultats. Il consiste donc `
a calculer 1h
Cest le meilleur filtre pour deconvoluer une image non bruitee. Limage restauree
est presque identique `
a limage dorigine. Toutefois il nest pas toujours possible de
Une alternative est lalgorithme de Van Cittert.
calculer 1h.
de sorte que formellement on obtient
Posons g 1 h
u

Si on pose uo

f et un

1 g

gqk

gk

f.

k 1

f pour tout n 1 on obtient

k 0

u
n

gu
n

f 1 h qun ,

ou de mani`ere equivalente
un

(a) It
eration 4

un h un .

(b) It
eration 8

Figure 19. Deconvolution par algorithme de Van Cittert : h est un

masque gaussien de taille 9 et decart-type 1 (connu)

La principale difficulte dans lutilisation de cet algorithme est le choix a priori du

filtre h.
Le filtre inverse est une technique tr`es utile pour la deconvolution mais il ne prend
pas en compte le bruit. f est une image floutee et bruitee : f h u b, o`
u u
est limage originale `
a restaurer et b un bruit blanc gaussien, le passage `a un filtre

BERGOUNIOUX

24

f b
. Le bruit blanc chargeant uniformement les frequences on

h
h
0 au vosinage de linfini (cest-`a-dire au
a b 1 et si h est un filtre passe- bas h
dessus dune frequence de coupure c ). Il sensuit que le filtrage est efficace dans une
bande de frequences inferieures `
a c mais que le bruit est amplifie au del`a.
Pour traiter des images `
a la fois floutees et bruitees on pref`ere utiliser le filtre de
Wiener.
inverse donne u

4. D
ebruitage par filtrage non lin
eaire
4.1. Filtres m
edians. Ce ne sont pas des filtres lineaires (et donc pas des filtres
de convolution).
g x, y q medianetf n, mq

o`
u S x, y q est un voisinage de x, y q.

n, mq P S x, yq ,
bruit

30
10
20

10 20
250 25
25 30

10 10 20 20

25

25 30 30

250

mediane
On remplace la valeur du pixel par la valeur mediane ou la valeur moyenne. Ce filtre
est utile pour contrer leffet Poivre et Sel (P& S) cest-`
a-dire des faux 0 et
255 dans limage.

Figure 20. Image bruitee Poivre et Sel

FILTRAGE

(a) Filtre de moyenne -taille 3

(b) Filtre m
edian - taille 3

(c) Filtre de moyenne -taille 5

(d) Filtre m
edian - taille 5

(e) Filtre de moyenne -taille 7

(f) Filtre m
edian - taille 7

25

Figure 21. Comparaison filtres de moyenne et filtres medians

Si le bruit P& S est superieur `

a la moitie de la dimension du filtre, le filtrage est
inefficace.

BERGOUNIOUX

26

4.2. Mod`
ele de Peronna-Malik. Pour ameliorer les resultats obtenus par
lEDP de la chaleur, Peronna et Malik ont propose de modifier lequation en y
integrant un processus de detection des bords :
u t, xq div cuquqt, xq dans s0, T r
ut 0 sur s0, T r
(8)
n
x P
u0, xq uo xq

o`
u c est une fonction decroissante de R dans R .

(a) Image originale

(b) Image bruit

ee

0.1

(c) Filtrage par EDP de la cha- (d) Filtrage avec le mod`

ele de
leur
Peronna-Malik

Figure 22. Filtrage par EDP de la chaleur avec pas de temps dt 0.2 et
15 iterations et mod`ele de Peronna-Malik avec dt 0.4, 1 et 10 iterations

1, on retrouve lequation de la chaleur. On impose souvent tlim ctq 0

et c0q 1. Ainsi, dans les regions de faible gradient, lequation agit essentiellement
Si c

comme lEDP de la chaleur, et dans les regions de fort gradient, la regularisation est
stoppee ce qui permet de preserver les bords. Un exemple de fonction c est :
1
1
ctq
ou ctq
o`
u est un param`etre positif.
2
1 tq2
1 tq

FILTRAGE

27

4.3. Approche fr
equentielle : Filtre de Wiener. Le filtre de Wiener lui, ne
caracterise pas le signal et le bruit par leur forme analytique mais par leurs proprietes
statistiques. On consid`ere que les images sont des realisations dun processus aleatoire
stationnaire : on cherche alors `
a minimiser la moyenne du carre de la difference entre
limage initiale et limage restauree. Ce filtre est tr`es efficace pour traiter des images
degradees `
a la fois par du flou et du bruit. On consid`ere donc une image degradee
f h u b, o`
u u est limage originale `a restaurer, h un noyau de convolution
symetrique positif (reponde impulsionnelle du filtre flou ) et b est une bruit de loi
de probabilite (identique pour chaque pixel) . Lhypoth`ese generalement faite est
celle dun bruit plan gaussien decart-type .
On modelise donc le probl`eme par une formulation au sens des moindres carres
en considerant lerreur quadratique f h u2L2 que lon va minimiser. Le probl`eme
de minimisation nadmettant pas necessairement de solution convenable, on ajoute
un terme de regularisation quadratique de la forme q u2L2 . Le noyau q sera fixe
ulterieurement en fonction du rapport signal sur bruit.
En appliquant la transformation de Fourier le probl`eme de minimisation secrit
alors
min

o`
uU u
, F
derivation :

f,

U PL2 Rq

La solution U
q et H h.

V P L2 Rq
On obtient

F HU 22 U Q22 ,

HU F, HV qL
HU
H

de ce probl`eme est obtenue par

QU, QV qL 0.
2

F q Q2 U 0,

cest-`
a-dire
(9)

H 2 H Q2 F.

Le principe du filtrage de Wiener est de fixer Q2 en fonction dune estimation du

rapport signal sur bruit. Lorsque Q 0 on retrouve le filtrage inverse (pas de bruit).
Idealement, il faudrait choisir
bq ,
Q q
uq
mais le choix le plus courant est de prendre linverse du rapport signal sur bruit :
Q2
o`
u

2
ub2 ,

b2 (resp. u2 ) est la puissance spectrale moyenne de b (resp. u)

Pour implementer le filtre de Wiener, nous devons etre en mesure destimer correctement la puissance spectrale de limage dorigine et du bruit. Pour un bruit blanc

BERGOUNIOUX

28

gaussien, la puissance spectrale moyenne est egale `a la variance 2 du bruit. La puissance spectrale de u est difficile `
a obtenir puisquon ne connat pas u ! ! Toutefois
f

hu

u
b f h

b f2

h 2 u2 b2 ,

puisque le bruit b et limage sont independants. Donc, pour un bruit gaussien

2
2
2
2
u2 f 2b f 2 .
h
h

En resume, la fonction de transfert du filtre de Wiener est donnee par

(10)

h 2

h
Q2

avec dans le cas o`

u b est un bruit blanc gaussien decart-type
(11)

Q2

h 2 .
f 2 2
2

Remarque 4.1. Rappelons que le spectre de puissance dun signal est obtenu
par la transformee de Fourier de sa fonction dautocorrelation (Theor`eme de WienerKhinchine).
On peut bien s
ur tester `
a laveugle differentes valeurs de Q que lon peut supposer
constant.
Dans lexemple suivant, limage a ete floutee par un filtre gaussien de taille 9 et
decart-type 1. Elle a aussi ete reflechie pour minimiser les effets de bord.

Figure 23. Deconvolution par filtre de Wiener dune image floutee (Q 0.15)

Dans lexemple suivant, limage a ete floutee par un filtre gaussien de taille 9
decart-type f 1 et bruitee par un bruit additif gaussien decart type b 0.1.

FILTRAGE

29

Figure 24. Deconvolution par filtre de Wiener dune image floutee et bruitee

On peut deriver dautres filtres sur le mod`ele ci-dessus. Citons

u Qo est donne par la relation
le filtre de Wiener param
etrique Q Qo o`
(11) et 0 1.
Si 0 on retrouve le filtre inverse et 1 le filtre de Wiener.
le filtre de Cannon :
W

h 2

21

1
Q2

o`
u Q est donne par (11).
le filtre de moyenne g
eom
etrique
W

hs

1s

,
Q2
o`
u Q est donne par (11). Si s 1 on retrouve le filtre inverse, s
Wiener et s 0.5 le filtre de Canon.

h 2

0 le filtre de

4.4. D
econvolution de Richardson-Lucy. Lalgorithme de Richardson-Lucy
est un algorithme iteratif spatial. Comme precedemment on consid`ere une image
degradee par du flou (noyau h connu ou estime) et du bruit b : f h u b.
On veut identifier u. Literation courante est

uk 1 uk
uk hq h ,
x, y q hx, y q.
avec (par exemple) uo f et h
Lorsque la reponse impulsionnelle du flou h nest pas connue on fait une
deconvolution aveugle ( blind deconvolution ) avec lalgorihme suivant :

BERGOUNIOUX

30

Algorithme de Richardson-Lucy aveugle

(1) Initialisation : choix de uo et ho
(2)

(a) Estimation de h
hk

(b) Estimation de u
uk
(3) uk

hk
f

u
k
i,j uk i, j q uk hk

uk

f
uk hk

1q

k
h

maxuk , 0q.

(a) Image d
egrad
ee

(b) It
eration 5

(c) It
eration 10

(d) It
eration 20

Figure 25. Deconvolution par lalgorithme de Richardson-Lucy aveugle Initialisation avec un masque gaussien de taille 11 et decart-type 10

FILTRAGE

31

5. Filtrage variationnel
La definition du filtre de Wiener sugg`ere fortement lutilisation de methodes variationnelles puisquil sagit de minimiser des erreurs tout en se donnant un a priori sur
limage. Nous allons preciser cette idee.
Etant donnee une image originale, on suppose quelle a ete degradee par un bruit
additif v, et eventuellement par un operateur R de flou. Un tel operateur est souvent modelise par un produit de convolution, et nest pas necessairement inversible
(et meme lorsquil est inversible, son inverse est souvent numeriquement difficile `a
calculer). A partir de limage observee f Ru v (qui est donc une version degradee
de limage originale u), on cherche `
a reconstruire u. Si on suppose que le bruit additif
v est gaussien, la methode du Maximum de Vraisemblance nous conduit `a chercher u
comme solution du probl`eme de minimisation
inf f
u

Ru22 ,

o`
u 2 designe la norme dans L2 . Il sagit dun probl`eme inverse mal pos
e : en
dautres termes, lexistence et/ou lunicite de solutions nest pas assuree et si cest le
cas, la solution nest pas stable (continue par rapports aux donnees). Pour le resoudre
numeriquement, on est amene `
a introduire un terme de regularisation, et `a considerer
le probl`eme

f Ru22

uq
L

ajustement aux donn

ees

R
egularisation

inf
u

Dans toute la suite, nous ne consid`ererons que le cas o`

u est R est loperateur
identite (Ru u). Commencons par un procede de regularisation classique : celui de
Tychonov.
5.1. R
egularisation de Tychonov. Cest un procede de regularisation tr`es
classique mais trop sommaire dans le cadre du traitement dimage. Nous le presentons
sur un exemple.
Soit V Ho1 q et H L2 q : on consid`ere le probl`eme de minimisation originel
(ajustement aux donnees) :

P q

min u ud 2H ,
uPV

o`
u ud est limage observee (donnees) et le probl`eme regularise suivant : pour tout
0

P q

min u ud 2H
uPV

u2H .

Non seulement on veut ajuster u `

a la donnee ud , mais on impose egalement que le
gradient soit assez petit (cela depend du param`etre ). Une image dont le gradient
est petit est lissee , estompee. Les bords sont erodes et la restauration donnera une
image floutee.

BERGOUNIOUX

32

Il est facile de voir sur lexemple suivant que la fonctionnnelle J uq

nest pas coercive sur V :
On voit que un 2

u ud 2H

s0, 1r, un xq xn , ud 0.
1
n
, un 2
2n
1 . On a donc
2n

lim un V

et

lim J un q 0.

Il nest donc meme pas clair (a priori) que le probl`eme P q ait une solution.
Proposition 5.1. Supposons que P q admet au moins une solution u
. Le probl`eme
P q admet une solution unique u . De la famille u q on peut extraire une sous-suite
qui converge (faiblement ) dans V vers une solution u de P q lorsque 0.
Demonstration. Le probl`eme P q admet une solution unique u car la fonctionnelle
J u ud 2H u2H ,
est coercive et strictement convexe (cest en gros la norme de V `a une partie affine
pr`es). Montrons maintenant que la famille u q est bornee dans V . On pourra ainsi
en extraire une sous-suite faiblement convergente dans V vers u P V .

u P V

J u q J uq.

En particulier pour u
:
(12)

J u
q J u q

u 2H J u
q J u
q
u q J u q
J

u
solution de P

u2H .

u solution de P

Par consequent, pour o , J u q est borne independamment de . Ceci entrane

que la famille u qo est bornee dans H. Dautre part, avec (12) on a aussi
u 2H

J uq

u2H

J u q J uq

u2H

J uq u2H ;

par consequent la famille u qo est bornee dans V . On peut donc en extraire une
sous-suite qui converge (faiblement ) dans V vers u . Dautre part lequation (12)
montre que
lim J u q J u
q inf P q.

Par semi-continuite inferieure de J il vient

J u q lim inf J u q lim inf J u q inf P q.

0
0

Par consequent u est une solution de P q.

Cherchons maintenant le moyen de calculer u . Comme la fonctionnelle est strictement convexe, une condition necessaire et suffisante doptimalite est
J u q 0.

FILTRAGE

33

Un calcul assez standard montre que

u P V

J u q u

u ud qxquxqdx

u xquxqdx

u ud u qxquxqdx.

Par consequent lequation dEuler qui fournit la solution u est la suivante :

u ud u

0,

P Ho1 q.

On peut se contenter dapprocher la solution u en ecrivant la formulation dynamique :

u u u u .
d
t
Remarque 5.2. Lapproche dynamique revient ici `a calculer une suite minimisante par une methode de descente de gradient : en effet, lalgorithme du gradient `a
pas constant donne
ut t ut
J ut q;
t
Par passage `a la limite quand t 0, on obtient
u J uq u u u .
d

t
Le terme de regularisation classique Luq u22 ( regularisation de Tychonov)
nest pas adapte au probl`eme de restauration dimages : limage restauree u est alors
beaucoup trop lissee car le Laplacien est un operateur de diffusion isotrope. En particulier, les bords sont erodes. Une approche beaucoup plus efficace consiste `a considerer

la variation totale, cest `

a dire `
a prendre Luq Du que nous allons definir dans
la section suivante.
Cela conduit `
a une minimisation de fonctionnelle dans un espace de Banach particulier, mais bien adapte au probl`eme : lespace des fonctions `a variation bornee que
nous commencons par presenter.
5.2. Le mod`
ele continu de Rudin-Osher-Fatemi.
5.2.1. Presentation. Il faut trouver une alternative `a la regularisation de Tychonov
qui est trop violente. La premi`ere idee consiste `a remplacer le terme de regularisation
u2H qui est en realite une penalisation par une norme V , par une norme moins
contraignante et regularisante. Rudin-Osher et Fatemi [14] ont propose un mod`ele o`
u
limage est decomposee en deux parties : ud u v o`
u v est le bruit et u la partie
reguli`ere . On va donc a priori chercher la solution du probl`eme sous la forme u v
avec u P BV q et v P L2 q et ne faire porter la regularisation que sur la partie
bruit . Cela conduit `a :
PROF q mint J uq 21 v22 u P BV q, v P L2 q, u v ud .

BERGOUNIOUX

34

Ici J uq designe la variation totale de u et 0.

Th
eor`
eme 5.3. Le probl`eme PROF q admet une solution unique.
Demonstration. Soit un P BV q, vn P L2 q une suite minimisante. Comme vn
est bornee dans L2 Rq on peut en extraire une sous-suite (notee de la meme facon)
faiblement convergente vers v dans L2 Rq. Comme la norme de L2 Rq est convexe,
sci, il vient

v 22 lim
inf vn 22 .
n
De la meme facon un ud vn est bornee dans L2 Rq et donc dans L1 q puisque
est borne. Comme J un q est borne, il sensuit que un est bornee dans BV q. Grace
a la compacite de linjection de BV q dans L1 q (voir [2, 12]), cela entrane que
`
un converge (`a une sous-suite pr`es) fortement dans L1 q vers u P BV q.

Dautre part J est semi-continue inferieurement (sci), donc

J u q lim inf J un q,
n

et finalement
J u q

1 2
v 2
2

lim
inf J un q
n

1
vn 22
2

inf PROF q.

Comme un vn ud pour tout n, on a u v ud . Par consequent u est une

solution du probl`eme PROF q.
La fonctionnelle est strictement convexe par rapport au couple u, v q et la contrainte
est affine. On a donc unicite.
Nous aurons besoin detablir des conditions doptimalite pour la ou les solutions
optimales des mod`eles proposes. Toutefois les fonctionnelles considerees (en particulier
J) ne sont en general pas Gateaux-differentiables et nous devons utiliser des notions
danalyse non lisse (voir annexe).
5.2.2. Condition doptimalite du premier ordre. Le probl`eme PROF q peut secrire
de la mani`ere (equivalente) suivante
(13)

min

u BV

F uq : J uq

1
u ud 22 .
2

La fonctionnelle F est convexe et u

est solution de PROF q si et seulement si
0 P F u
q. La relation : 0 P F u
q u
P F 0q, est vraie meme si lespace nest
pas reflexif (voir annexe et [2] Theor`eme 9.5.1 p 333). On peut utiliser le theor`eme
A.25 pour calculer F uq. Lapplication u u ud 22 est continue sur L2 q est
J est finie sur BV q `
a valeurs dans R t e. Dautre part u u ud 22 est
Gateaux differentiable sur L2 q.
Donnons tout dabord une caracterisation de la conjuguee de Fenchel de J.

FILTRAGE

35

Th
eor`
eme 5.4. La transformee de Fenchel J de la fonctionnelle J variation
o`
totale est lindicatrice de lensemble K,
u

K :

div P Cc1 , R2 q, 1

Demonstration. Comme J est positivement homog`ene la conjuguee J de J est

(proposition A.35).
lindicatrice dun ensemble convexe ferme K
: soit u P K. Par definition de J
Montrons dabord que K K
J uq sup , u ,
PK

o`
u , designe le produit de dualite entre BV q et son dual. Par consequent , u
J uq 0 pour tous P K et u P BV q. On deduit donc que pour tout u P K
J u q sup u , u J uq 0.
uPK

Par
Comme J ne prend quune seule valeur finie on a J u q 0, et donc u P K.

consequent K K et comme K est ferme :

K.

En particulier
J uq sup u, sup u, sup u, sup u, J q J uq.

PK
PK
PK
PK
Comme J J, il vient
sup u, sup u, sup u, ,

PK
PK

PK

et donc
sup u, sup u, sup u, .

PK
PK
tel que u K.
On peut alors separer
Supposons maintenant quil existe u P K

strictement u et le convexe ferme K. Il existe P R et uo tels que

(14)

PK

uo , u sup uo , v .
v PK

Dapr`es (14) il vient

sup uo , uo , u sup uo , v sup uo , v .

v PK
v PK

PK

On a donc une contradiction : K

K.

Dapr`es la definition du sous-differentiel (voir Annexe B. Definition A.22, p.46), u

est une solution de PROF q si et seulement si

0 P J uq

1
u ud 22
2

u ud J uq.

BERGOUNIOUX

36

Comme J est convexe, sci, propre on peut appliquer le corollaire A.42. Donc
ud u

P J uq u P J ud u q 0 P u J ud u q.

Nous aimerions alors appliquer (par exemple) la proposition A.28 mais elle fait intervenir la notion de projection qui nest definie que dans le cadre hilbertien. Or J est
la conjuguee de J pour la dualite BV, BV . Nous allons donc conclure et calculer
J uq une fois le probl`eme discretise : le cadre fonctionnel est alors hilbertien.
5.3. Mod`
ele discret. On va maintenant considerer des images discr`etes (ce qui
est le cas en pratique). Une image discr`ete est une matrice N N que nous identifierons
a une vecteur de taille N 2 (par exemple en la rangeant ligne par ligne). On note X
`
lespace euclidien RN N et Y X X. On munit X du produit scalaire usuel

u, vqX

uij vij ,

1 i,j N

et de la norme associee : X .
Nous allons donner une formulation discr`ete de ce qui a ete fait auparavant et en
particulier definir une variation totale discr`ete que nous noterons de la meme facon.
Pour cela nous introduisons une version discr`ete de loperateur gradient. Si u P X, le
gradient u est un vecteur de Y donne par

uqi,j uq1i,j , uq2i,j q,

avec
(15)

uq1i,j

(16)

uq2i,j

ui
0

1,j

ui,j
0

ui,j
ui,j

si
si

iN
iN

si
si

j
j

N
N

La variation totale discr`ete est alors donnee par

J uq

(17)

uqi,j ,

1 i,j N

o`
u uqi,j uq1i,j 2 uq2i,j 2 . On introduit egalement une version discr`ete
de loperateur de divergence. On le definit par analogie avec le cadre continu en posant
div

o`
u est loperateur adjoint de , cest-`
a-dire

p P Y, u P X

div p, uqX p, uqY p1 , 1 uqX p2 , 2 uqX .

FILTRAGE

On peut alors verifier que

1
p p1i1,j

i,j

(18)

div pqi,j

si 1 i N
si i 1

p1i,j

p1i1,j

37

2
p p2i,j 1 si 1 j

i,j

si i N

p2i,j

p2i,j1

1
si j N
si j

Nous utiliserons aussi une version discr`ete du laplacien definie par

u div u.

On va remplacer le probl`eme PROF q (dans la version (13)) par le probl`eme obtenu

apr`es discretisation suivant
min J uq

1
u ud 2X .
2
Il est facile de voir que ce
probl`eme a une solution unique que nous allons caracteriser.
1 q2
2 q2 et que la version discr`
On rappelle que gi,j gi,j
gi,j
ete de la variation

(19)

u X

totale est donnee (de mani`ere analogue au cas continu) par

J uq sup u, .

o`
u

div gq g P Y, gi,j 1, i, j ,

est la version discr`ete de K : div P Cc1 , R2 q, 1 . Nous pou-

(20)

K : t

vons, comme dans le cas de la dimension infinie enr une caracterisation de la conjuguee
de Fenchel de J. (le demonstration est analogue).

Th
eor`
eme 5.5. La transformee de Fenchel J de la fonctionnelle J variation
o`
totale approchee definie sur X, est lindicatrice de lensemble K,
u K est donne
par (20).
Le resultat suivant donne la caracterisation attendue de la solution [7] :
Th
eor`
eme 5.6. La solution de (19 ) est donnee par
u ud PK ud q,

(21)

o`
u PK est le projecteur orthogonal sur K.
Demonstration. Nous avons vu que u est solution de (19 ) si et seulement si
ud u
0 P u J
q.

Ceci est aussi equivalent `

a
0P

ud u

ud

1 ud u
J q.

BERGOUNIOUX

38

On en deduit que w

ud u est un minimiseur de
w u 2
d

1
J wq.

ud u
est la projection orthoComme J est lindicatrice de K, cela implique que

1
ud
ud
sur K. Comme PK q PK ud q, on peut conclure.
gonale de

Tout revient maintenant `

a calculer
PK ud q argmin

t div pq ud 2X pi,j 1,

On peut le resoudre par une methode de point fixe : po

(22)

pni,j 1

pni,j
1

i, j

0.

r div pn ud sqi,j

1, , N .

r div pn ud sqi,j

Th
eor`
eme 5.7 (Algorithme de projection de Chambolle [7])
Si le param`etre dans (22) verifie 18, alors div pn PK ud q.

La solution du probl`eme est donc donnee par

u p
u ud div p o`

nlim pn .

FILTRAGE

(a) Image originale

(c) Mod`
ele ROF avec

39

(b) Image bruit

ee avec un bruit gaussien 0.1

(d) Mod`
ele ROF avec

30

Figure 26. Filtrage ROF : sensibilite au param`etre

5.4. D
econvolution. Dans cette section on suppose que loperateur R est
different de lidentite. On le suppose lineaire. En pratique, cest un operateur de
convolution avec un noyau positif symetrique h qui est la plupart du temps gaussien.
Limage observee est donc de la forme : Rf q b avec Rf q h f . Nous avons dej`
a
traite dans la section 3 la question de la deconvolution. Nous generalisons donc ici le
principe du filtre de Wiener.
Le probl`eme PROF q se generalise donc de la mani`ere suivante
(23)

min

uPBV q

F uq : J uq

1
Ru ud 22 .
2

o`
u R est un operateur de convolution `
a noyau symetrique et positif. La fonctionnelle
F est convexe et u
est solution de PROF q si et seulement si 0 P F u
q. Nous avons

BERGOUNIOUX

40

un resultat analigue `
a celui de la section precedente. Nous npous placons dans le cas
discret :
Th
eor`
eme 5.8. La solution u de (23 ) est caracterisee par lexistence de
verifiant
(24)
(25)

R ud Ruq ,

PK u

q,

o`
u PK est le projecteur orthogonal sur K donne le theor`eme 5.5 (ou sa version
discr`ete) et R est loperateur adjoint de R.
Demonstration. Une condition necessaire et suffisante pour que u soit une solution
de (23 ) est

0 P J uq

1
Ru ud 2X
2

Ceci est equivalent `

a

R Ru ud q J uq.

u P J q,

o`
u on pose

Comme J

R ud Ruq .

1K , la proposition A.28 indique que

u P 1K q PK u

q,

do`
u le resultat.
On peut maintenant resoudre le syst`eme (24-25) par une methode de point fixe,
qui conduit `
a lalgorithme :
Algorithme
(1) Initialisation : uo

ud , n 0.

(2) Etape n : un est connu

R ud Rn q
Calcul de n

Calcul de un 1 un n PK un

n q

Il est clair que si la suite un converge vers u alors n converge vers et u , q

verifie le syst`eme (24-25). Cest donc une solution du probl`eme (discret).

FILTRAGE

41

Appendice A
Quelques outils math
ematiques
A.1. Optimisation dans les espaces de Banach. Sauf mention du contraire,
on consid`ere dans toute la section un espace de Banach reflexif V de dual (topologique)
V . On note V la norme de V et , le crochet de dualite entre V et V .
A.1.1. Semi-continuite et convexite de fonctionnelles sur V .
D
efinition A.1. Une fonction J de V dans R t est semi-continue
inferieurement (sci) sur V si elle satisfait aux conditions equivalentes :
a P R,
t u P V J uq a est ferme
u
P V,
lim inf J uq J u
q.
u

Th
eor`
eme A.2. Toute fonction convexe sci pour la topologie forte (celle de la
norme) de V est encore sci pour la topologie faible de V .
En pratique ce resultat sutilise sous la forme du corollaire suivant :
Corollaire A.3. Soit J une fonctionnelle convexe de V dans R t sci (par
exemple continue) pour la topologie forte. Si vn est une suite de V faiblement
convergente vers v alors
J v q lim inf J vn q.
n

A.1.2. G
ateaux-differentiabilite des fonctionnelles convexes.
D
efinition A.4. Soit J une fonctionnelle de V dans R t . On dit que J est
G
ateaux-diff
erentiable en u P dom J q si la derivee directionnelle
J u; v q lim
t

J u

tv q J uq
,
t

existe dans toute direction v de V et si lapplication

v

J u; vq

est lineaire continue.

De mani`ere generale on notera J uq la Gateaux-differentielle de J en u. Cest un
element du dual V .
Si V est un espace de Hilbert, avec le theor`eme de representation de Riesz (voir
[6] par exemple) on identifie V et son dual ; on note alors
o`
u ,
en u.

J u; v q J uq, v q ,

designe le produit scalaire de V . Lelement J uq de V est le gradient de J

BERGOUNIOUX

42

Il est clair que si J est differentiable au sens classique en u (on dit alors Fr
echet
- differentiable), alors J est Gateaux-differentiable en u, et la derivee classique et la
derivee au sens de Gateaux concident.
La r
eciproque est fausse comme le montre le contre-exemple suivant : soit f de
R2 dans R definie par :

y si x y 2 ,
f x, y q
0 sinon
La fonction f est continue en (0,0) et Gateaux-differentiable en (0,0) mais pas Frechet
- differentiable en (0,0).
Th
eor`
eme A.5. Soit J : C V R, G
ateaux differentiable sur C, avec C
convexe. J est convexe si et seulement si
(26)

u, vq P C C

J v q J uq

hJ uq, v ui

Th
eor`
eme A.6. Soit J : C V R, G
ateaux differentiable sur C, avec C
convexe. J est convexe si et seulement si J est un operateur monotone, cest`
a-dire
(27)

u, vq P C C

hJ uq J v q, u vi 0.

Remarque A.7. Supposons que D soit un operateur strictement monotone :

(28)

u, vq P C C, u v,

hJ uq J v q, u vi 0.

alors J est strictement convexe. En effet, on peut reprendre la deuxi`eme partie de

la demonstration du theor`eme precedent : est strictement decroissante sur r0, 1s
et donc ne sannule quen un point a au plus. est alors strictement croissante sur
s0, ar et strictement decroissante sur sa, 1r donc strictement positive sur s0, 1r.
On definit de mani`ere analogue la (G
ateaux) derivee seconde de J en u, comme
etant la derivee de la fonction (vectorielle) u J uq. On la note D2 J uq et on
lappellera aussi Hessien par abus de langage ; ce Hessien est identifiable `a une matrice
carree n n lorsque V Rn .
A.1.3. Minimisation dans un Banach reflexif. Commencons par un resultat tr`es
general de minimisation dune fonctionnelle semi-continue sur un ensemble ferme de
V.
D
efinition A.8. On dit que J : V
lim

x V

R est coercive
J xq .

si

FILTRAGE

43

Th
eor`
eme A.9. On suppose que V est un Banach reflexif. Soit J une fonctionnelle de V dans R, semi-continue inferieurement pour la topologie faible de V . Soit K
un sous-ensemble non vide et faiblement ferme de V . On suppose que J est propre
(cest-`
a-dire quil existe un element vo de K tel que J vo q ). Alors le probl`eme
de minimisation suivant :

P q

(29)

Trouver u tel que

J uq inf t J v q v P K ,

admet au moins une solution dans lun des cas suivants :

soit J est coercive i.e.
lim J v q ,

v V

soit K est borne.

Demonstration. On pose d inf t J v q v P K ; d , sinon J serait

identiquement egale `
a sur K.
Soit une suite minimisante, cest-`
a-dire une suite un de K telle que J un q d.
Montrons que cette suite est bornee dans V . Si K est borne, cest clair. Sinon, on
suppose que J est coercive. Si un nest pas bornee, on peut en extraire une sous-suite
encore notee un telle que lim un V . La coercivite de J implique alors que
n

J un q converge vers ce qui est en contradiction avec le fait que d .

V est un Banach reflexif, donc sa boule unite est faiblement compacte ; on peut
donc extraire de la suite un une sous-suite encore notee un qui converge faiblement
vers u dans V . On va montrer que u est solution de (29).
Comme K est un ensemble faiblement ferme, la limite faible u de la suite un de K
est bien un element de K.
Dautre part, on sait que J est sci faible ; on a donc
un
ce qui donne

u dans V J uq lim
inf J un q,
n

J uq lim inf J un q lim J un q d J uq.

n

On a donc J uq d et u P K : u est bien solution.

Un corollaire important concerne le cas convexe.

Corollaire A.10. On suppose que V est un Banach reflexif. Soit J une fonctionnelle de V dans R, convexe semi-continue inferieurement V propre et K un sousensemble convexe non vide et ferme de V . Si J est coercive ou si K est borne, le
probl`eme de minimisation admet une solution. Si, de plus, J est strictement convexe
la solution est unique.
Rappelons enfin le Theor`eme donnant une condition necessaire doptimalite du premier ordre.

BERGOUNIOUX

44

Th
eor`
eme A.11. Soient K un sous-ensemble convexe, non vide de V et J une
fonctionnelle de K vers R G
ateaux-differentiable sur K. Soit u dans V une solution
du probl`eme P q. Alors
(30)

v P K,

J uq, v u 0.

A.1.4. Exemple : Projection sur un convexe ferme. Dans ce qui suit V est un
espace de Hilbert muni dun produit scalaire , q et de la norme associee et C
est un sous-ensemble convexe et ferm
e de V .
Th
eor`
eme A.12. Etant donnes C un sous-ensemble convexe, ferme et non vide
de V et x un element quelconque de V . Alors le probl`eme

t x y2 , y P C
a une solution unique x P C. De plus x P C est caracterise par :
(31)
y P C x x , y x q 0.
min

Demonstration. Nous avons affaire `a un probl`eme de moindres carres. La fonction

co
ut est continue, coercive et strictement convexe et lensemble C est convexe ferme.
On peut donc appliquer le corollaire A.10. La caracterisation de x sobtient par
application du theor`eme 30 et de son corollaire.
Nous avons une seconde caracterisation de x de mani`ere immediate :
Corollaire A.13. Sous les hypoth`eses du theor`eme (A.12) on peut caracteriser
le projete x P C de x par :
(32)
y P C x y, y xq 0.
e de x sur C. Lapplication C V C qui `a x associe
Le point x est le projet
son projete x est la projection sur C. Le projete C xq est donc le point de C qui
est le plus pr`es de x. On definit de mani`ere standard la fonction distance dun
point x `
a lensemble C par
(33)

dx, C q inf x y .
y PC

Dans le cas o`
u C est un convexe ferme, on vient donc de demontrer que
dx, C q x C xq.
Proposition A.14. La projection C est continue de V dans C. Plus precisement
on a
x, yq P V V C xq C yq x y,
cest-`
a-dire C est une contraction.

FILTRAGE

45

Remarque A.15. 1. Si x P C alors C xq x. Plus generalement si C V alors

C IdV .
2. Le theor`eme A.12 est faux si C nest pas convexe ou si C nest pas ferme.
3. La projection C nest pas differentiable en general, mais lapplication x x
C xq2 lest.
Exemple A.16 (Projection sur un sous-espace vectoriel)
Dans le cas o`
u C est un sous-espace vectoriel ferme de V , cest bien s
ur un convexe
ferme non vide. Loperateur de projection est dans ce cas lin
eaire (cest faux dans
le cas general). Le projete x dun element x, sur C, est caracterise par

y P C

x x , yq 0.

Cela signifie que x x P C (lorthogonal de C). On retrouve ainsi la classique

projection orthogonale sur un sous-espace vectoriel ferme.
A.2. Analyse convexe et analyse non lisse.
A.2.1. Theor`eme de Hahn -Banach. Dans ce qui suit X est un espace de Banach
reel de dual X (pas necessairement reflexif).
Le Theor`eme de Hahn-Banach, sous sa forme geometrique, permet de separer des
ensembles convexes. Il est tr`es important en analyse convexe et sert en particulier `a
exhiber des multiplicateurs en optimisation. Nous rappelons ici la forme geometrique
de ce theor`eme qui est la seule utile dans notre cas ainsi que des corollaires importants.
zis
Pour les demonstrations et plus de precisions nous renvoyons au livre de h. bre
[6].
D
efinition A.17 (Hyperplan affine). Un hyperplan affine ferm
e est un ensemble de la forme
H

t x P X xq

0 ,

o`
u P X est une forme lineaire continue non nulle sur X et

P R.

Dans le cas o`
u X est un espace de Hilbert V (en particulier si V Rn ), on peut
identifier V `a son dual et tout hyperplan affine ferme est de la forme

t x P V , xqV 0 ,
o`
u , qV designe le produit scalaire de V , P V, 0 et P R.
H

D
efinition A.18 (S
eparation). Soient A et B deux sous-ensembles non vides
de X . On dit que lhyperplan affine H dequation : xq 0, separe A et B au
sens large si

x P A

xq

et

y P B

y q

0.

BERGOUNIOUX

46

On dit que H separe A et B strictement sil existe 0 tel que

x P A

xq

et

y P B

y q

Donnons `
a present la premi`ere forme geometrique du theor`eme de Hahn-Banach :
Th
eor`
eme A.19. Soient A et B deux sous-ensembles de X convexes, non vides
et disjoints. On suppose que A est ouvert. Alors, il existe un hyperplan affine ferme
qui separe A et B au sens large.
Corollaire A.20. Soit C un convexe non vide de Rn et ferme et x P C. Alors :
x P Int C q si et seulement si il nexiste aucune forme lineaire separant x et C.
Citons ausi la deuxi`eme forme geometrique du theor`eme de Hahn-Banach :
Th
eor`
eme A.21. Soient A et B deux sous-ensembles de X convexes, non vides
et disjoints. On suppose que A est ferme et que B est compact. Alors, il existe un
hyperplan affine ferme qui separe A et B strictement.
A.2.2. Sous-differentiel.
D
efinition A.22. Soit f : X R t et u P dom f (i.e. f uq ). Le
sous-differentiel de f en u est lensemble f uq (eventuellement vide ) des u P X
tels que
v P X f vq f uq hu , v ui .
Les elements u sont appeles sous-gradients.
Remarque A.23. 1. f : X
seulement si
2. Si f, g : X

3. Comme

R t atteint son minimum en u P dom f si et

0 P f uq.

R t et u P dom f dom g, on a
f uq guq f gquq.
f uq

tu P X hu, v ui f vq f uq ,

v PX

f uq est un sous-ensemble convexe, ferme pour la topologie faible *, comme intersection de convexes fermes.
4. Pour tout 0 on a f quq f uq.

FILTRAGE

47

A.2.3. Lien avec la G

ateaux-differentiabilite.
Th
eor`
eme A.24. Soit f : X R t convexe. Si f est G
ateaux
differentiable en u P dom f , elle est sous-differentiable et f uq tf uq.
Reciproquement, si f est finie, continue en u et ne posss`ede quun seul sous-gradient,
alors f est G
ateaux-differentiable en u et f uq tf uq.
A.2.4. Sous-differentiel dune somme de fonctions.
Th
eor`
eme A.25. Soient f et g convexes, sci `
a valeurs dans R t . On suppose quil existe uo Pdom f dom g tel que f soit continue en uo . Alors

u P X

g quq f uq

guq.

Demonstration. La demonstration est laissee en exercice. Elle se fait suivant un

schema maintenant classique : si u P f g quq, on definit
C tv, aq f v q v u, u f uq a ,
1

et
C2

tv, aq a guq gvq .

Ce sont deux convexes. On separe alors int C1 et C2 grace au theor`eme de HahnBanach.

Le resultat suivant sen deduit mais on peut le montrer directement sans hypoth`ese
de convexite sur les deux fonctions :
Th
eor`
eme A.26. Supposons que f est G
ateaux-differentiable, est convexe et
que le probl`eme suivant
min f uq uq,
uPX
a (au moins) une solution u
. Alors
f uq P uq.
Nous admettrons enfin le resultat suivant :
Th
eor`
eme A.27. Soit lineaire continue de V dans Y (espaces de banach). Soit
f convexe, sci de V dans R t continue en au moins un point de son domaine
(suppose non vide). Alors
u P V f quq f uq,

o`
u est loperateur adjoint de .

Pour plus de details sur ces notions l`

a on peut consulter [3, 9]. Nous terminons
par un exemple important.

BERGOUNIOUX

48

A.2.5. Application `
a lindicatrice dun ensemble. Dans le cas o`
u f est la fonction
indicatrice dun sous-ensemble non vide K de X :
f uq

def

1K uq

si u P K,
,
sinon

le sous-differentiel de f en u est le c
one normal de K en u :
1K uq NK uq t u P X hu , v ui 0 pour tout v

P K .

Dans le cas o`
u X est un espace de Hilbert identifie `a son dual, et K un sous-ensemble
ferme, convexe non vide de X , nous allons preciser le sous-differentiel de 1K en u
(cest-`a-dire le c
one normal `
a K en u ) :
Proposition A.28. Soit u P K, o`
u K est un sous-ensemble ferme, convexe non
vide de X espace de Hilbert. Alors
P 1K uq cru
pour tout c reel strictement positif, o`
u K

K u c qs
c
est la projection de X sur le convexe K.

Demonstration. Remarquons tout dabord que 1K uq est un sous-ensemble de X .

On rappelle egalement que si K est la projection de X sur le convexe ferme K,
limage K wq dun element quelconque de X est caracterisee par

v P K

w K wq, v K wqqX 0,
o`
u , qX designe le produit scalaire de X . Soit P 1K uq : est caracterise par
v P K , v uqX 0
cest-`
a-dire, pour tout c 0

v P K
u
u, v u 0.
c
X

Dapr`es ce qui prec`ede (en posant w

P 1K uq u K u

)
c

q cru
c

K u

qs.
c

A.2.6. Calcul pratique : transformation de Legendre-Fenchel.

une fonction. La transformee de LegendreD
efinition A.29. Soit f : X R
definie par
Fenchel ou conjugu
ee de f est la fonction f : X R
(34)
P X f q supt uq f uq .
uPX

FILTRAGE

49

Remarque A.30. (a) Si f prend la valeur , alors f . Si f est propre

(cest-`a-dire non indentiquement egale `a ) alors f est `a valeurs dans R t .
(a) On notera desormais uq , u , o`
u , designe le produit de dualite
u
entre X et X . Ce produit de dualite concide avec le produit scalaire dans le cas o`
X est un espace de Hilbert, apr`es identification de X et de son dual.
Lequation (34) secrit alors

u P X

f u q sup t u , u f uq .
uPX

D
efinition A.31. Soit A X un ensemble (non vide). La fonction dappui
u 1A
de lensemble A est la fonction A : X R t definie par A 1A q o`
designe lindicatrice de A
1A xq

si x P A,
sinon.

Exemple A.32. Soit A un ensemble et f xq dx, Aq. Alors f

Proposition A.33. Pour toute fonction f : X
convexe et sci pour la topologie faible *.

1B .

R t , la fonction f est

Demonstration. Par definition

f

sup u ,

uPdomf

o`
u dom f est le domaine de f ( i.e. lensemble des elements u
finie) et u : X R est definie par

PX

tels que f uq est

u u q u , u f uq.
Chacune des fonctions u est affine et continue, donc convexe et sci pour la topologie
faible de X . Il en est de meme pour le sup.
Exemple A.34. Soit f : u
X .

uX . Alors f 1B

o`
u B est la boule unite de

Plus generalement
Proposition A.35. Soit f une fonction positivement homog`ene (propre) de X
dans R t . Sa conjuguee f est lindicatrice dun sous-ensemble K convexe et
ferme de X .

BERGOUNIOUX

50

Demonstration. Soit f une fonction positivement homog`ene (propre) de X dans

R t . Soit u P X . Deux cas se presentent :
uo P X tel que u , uo f uo q 0. Alors par homogeneite, pour tout 0

u , uo f uo q ru , uo f uo qs f u q.
Donc, en passant `
a la limite pour on obtient f u q .
Dans le cas contraire
u P X u , u f uq 0,
et donc f u q 0. Or par definition de f ,
u , 0 f 0q f u q ;
comme f est positivement homog`ene f 0q f n 0q n f 0q pour tout n P N et
donc f 0q 0. On a donc finalement : f u q 0.
Posons K tu P X f u q 0 . On vient de montrer que f 1K . Comme f
est convexe, sci K est ferme, convexe.
Nous allons maintenant donner un resultat reliant f
fondement de la theorie de la dualite en analyse convexe :
Th
eor`
eme A.36. Soient f, g : X R t
existe uo Pdomg avec f continue en uo . Alors
inf f uq

uPX

g et f

g qui est le

des fonctions convexes telles quil

g uqq max
f u q g u qq .
u PX

Remarque A.37. Notons que dans le theor`eme le sup dans le terme de droite
est toujours atteint (cest un max ) ce qui nest pas le cas dans le terme de gauche.
o`
u linf nest pas necessairement atteint.
Corollaire A.38. Soit f : X
u P X . Alors

R t

une fonction convexe continue en

u , u f u qq .
f uq max
u PX

Demonstration. Posons g 1tu . On a g u q u , u pour tout u P X . Les

fonctions f et g sont convexes et f est continue en u Pdom g. On a donc dapr`es le
theor`eme precedent :
f uq inf f
uPX

f u q g u qq umax
u , u f u qq .
g quq max
PX
u PX

On peut generaliser ce resultat `

a des fonctions convexes sci.

FILTRAGE

Th
eor`
eme A.39. Soit f : X R t
inferieurement. Alors, pour tout u P X

51

une fonction convexe semi-continue

u , u f u qq .
f uq max
u PX

Demonstration. Voir [3] p. 89. Cest une demonstration similaire `a celle du

theor`eme (A.36).
Terminons par un resultat de bi-dualite que nous admettrons.
Th
eor`
eme A.40. Soit f une fonction propre, convexe et sci de X dans R t
Alors f f .

A.2.7. Lien avec le sous-differentiel.

R t et f sa conjuguee. Alors
u P f uq f uq f u q hu , ui .

Th
eor`
eme A.41. Soit f : X

P f uq :
v P X f vq f uq

Demonstration. Soit u

hu , v ui .

Donc

f u q hu , ui f uq supthu , vi f v q v P X f u q.
On obtient : f uq f u q hu , ui.
Reciproquement, si f uq f u q hu , ui on a pour tout v P X
hu , ui f uq f u q hu , vi f v q,

cest-`
a-dire u

P f uq.

hu , v ui f v q f uq,

R t est convexe, propre et sci, alors

u P f uq u P f u q.

Corollaire A.42. Si f : X

Demonstration. il suffit dappliquer le theor`eme precedent `a f et dutiliser le fait

que lorsque f est convexe, propre et sci alors f f .

52

BERGOUNIOUX

R
ef
erences
[1] Aubert G. et Kornprobst P., Mathematical Problems in Image Processing, Applied Mathematical Science 147, Springer 2006
[2] Attouch H., Buttazzo G. et Michaille G., Variational analysis in Sobolev and BV spaces,
MPS-SIAM Series on Optimization, 2006
[3] Aze D., Elements danalyse convexe et variationnelle, Ellipses, Paris, 1997.
[4] Barbu V.- Precupanu Th., Convexity and Optimization in Banach Spaces, Sijthoff &
Noordhoff, Bucarest 1978.
[5] Bergounioux M. Methodes mathematiques pour le traitement du signal, Collection
Mathematiques Appliquees pour le Master/SMAI , Dunod, Paris, 2010
[6] Brezis H., Analyse Fonctionnelle, Masson, Paris, 1987.
[7] Chambolle A., An algorithm for total variation minimization and applications, JMIV,
20, 89-97,2004.
[8] Dautray R. - Lions J.L., Analyse mathematique et calcul numerique, 9 volumes, Masson,
Paris, 1987.
[9] Ekeland I. - Temam R., Analyse convexe et probl`emes variationnels, Dunod, Paris, 1973.
[10] Evans L. - Gariepy R., Measure theory and fine properties of functions, CRC Press,
Boca Raton, Floride, 1992.
[11] Gasquet C. et Witomski P., Analyse de Fourier et applications, Masson, 1995.
[12] Pallara D., Ambrosio L., Fusco N., Functions of bounded variations and free discontinuity problems, Oxford Mathematical Monographs, 2000.
[13] Rudin W., Analyse reelle et complexe, Masson, 1978.
[14] Rudin L., Osher S. et Fatemi E., Non linear total variation based noise removal algorithms, Physica D, 20, pp. 259-268, 1992

Bergounioux, Universit
e dOrl
eans, D
epartement de math
ematique, BP 6759, F-45067 Orl
eans
Cedex 2 E-mail : [email protected]
Url : http://web.mac.com/maitine.bergounioux/iWeb/PagePro/Accueil.html