Quelques méthodes de filtrage en Traitement d’Image

Maïtine Bergounioux

To cite this version:

Maïtine Bergounioux. Quelques méthodes de filtrage en Traitement d’Image. 2011. �hal-00512280v2�

HAL Id: hal-00512280

https://hal.archives-ouvertes.fr/hal-00512280v2
Preprint submitted on 24 Feb 2011

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
QUELQUES MÉTHODES DE FILTRAGE EN TRAITEMENT
D’IMAGE

par

Maı̈tine Bergounioux

Résumé. — Nous présentons quelques méthodes ! de base " en filtrage des images
numériques. Un bref aperçu du filtrage unidimensionnel est donné puis les techniques
linéaires et non linéaires sont abordées dans le cadre des images 2D. Nous terminons
par une ouverture sur les méthodes variationnelles très utilisées actuellement pour la
déconvolution et la restauration des images.

Abstract (Some filtering methods in image processing). — We present basic

image processing denoising methods. We first recall briefly the main features of linear
1D filtering techniques. Then we present linear and non linear standard methods for
(2D) images. We end with variational methods that are more and more used for
deconvolution and image restoration.

Table des matières

1. Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2. Les images numériques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Filtrage unidimensionnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4. Débruitage par filtrage linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5. Débruitage par filtrage non linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6. Filtrage variationnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7. Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Appendice A. Quelques outils mathématiques. . . . . . . . . . . . . . . . . . . . . . 52
Références. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Classification mathématique par sujets (2000). — 68U10, 49J40.

Mots clefs. — Traitement d’image, filtrage, débruitage, segmentation.
2 MAÏTINE BERGOUNIOUX

1. Introduction
L’étude d’un signal nécessite de supprimer au maximum le bruit parasite dû aux
conditions d’acquisition. L’un des buts du filtrage est de ! nettoyer " le signal en
éliminant le plus de bruit possible tout en préservant le maximum d’informations. En
outre, l’information contenue dans un signal n’est pas forcément entièrement perti-
nente : il faut ! sélectionner " l’information utile suivant l’usage que l’on veut en faire.
Par exemple, à l’écoute d’un morceau de musique, on peut vouloir un renforcement
des sons graves. Une autre finalité du filtrage est donc de sélectionner et renforcer
certaines bandes de fréquences porteuses de l’information intéressante.
Le filtrage des images a la même finalité que celui des signaux 1D. Il s’agit essen-
tiellement d’enlever le bruit (parasite) ou de sélectionner certaines fréquences. Si la
notion de haute fréquence ou basse fréquence est naturelle en signal 1D (son aigu ou
grave), la fréquence spatiale est un concept plus délicat qui découle du fait que les
images appartiennent au domaine spatial. La fréquence temporelle est une grandeur
qui caractérise le nombre de phénomènes qui se déroulent au cours d’un temps donné.
Si en voiture, le long d’une route, on voit 2 bandes blanches PAR seconde : c’est une
fréquence temporelle. Il est ensuite facile de comprendre que ce concept de fréquence
! temporelle " peut aussi se traduire en fréquence spatiale en disant qu’il y a 200
bandes blanches PAR kilomètre.
Dans une image, les détails se répètent fréquemment sur un petit nombre de pixels,
on dit qu’ils ont une fréquence élevée : c’est le cas pour les textures fines (comme les
feuilles d’un arbre ou de l’herbe) et certains contours de l’image. Au contraire, les
fréquences basses correspondent à de faibles variations diluées sur de grandes parties
de l’image, par exemple des variations de fond de ciel.
Nous verrons dans la suite que la plupart des filtres agissent sélectivement sur ces
fréquences pour les sélectionner, en vue de les amplifier ou de les réduire tout comme
dans le cas 1D.
Les images peuvent être entâchées de dégradations de nature différente suivant les
conditions d’acquisition. On s’intéressera ici plus particulièrement
– aux perturbations modélisés par un bruit additif, gaussien
– au flou (modélisé par un opérateuer de convolution)
– au bruit impulsionnel dit ! poivre et sel ".
Les bruits multiplicatifs et/ou poissoniens sont difficiles à appréhender : nous n’en
parlerons pas ici. De la même façon, nous n’aborderons pas le filtrage par ondelettes
qui nécessite des pré-requis importants.
 QUELQUES MÉTHODES DE FILTRAGE ... 3

2. Les images numériques

2.1. Principe de l’image numérique. — Une image est un signal bidimensionnel.
Un image analogique est par exemple celle formée sur la rétine de l’œil ou l’images
obtenue par la photographie argentique classique.
Une image numérique est un signal numérique composé d’unités élémentaires
(appelées pixels) qui représentent chacun une portion de l’image. Contrairement au
cas unidimensionnel, nous étudierons uniquement les images numériques (discrètes).
Une image numérique est définie par :
– le nombre de pixels qui la composent en largeur et en hauteur,
– l’étendue des teintes de gris ou des couleurs que peut prendre chaque pixel
(on parle de dynamique de l’image).

Figure 1. Pixels et niveaux de gris

I est l’image numérique : I ri, j s  n est la valeur du niveau de gris. Lorsque

n P rNmin , Nmax s, Nmax
Nmin est le nombre de niveaux de gris . La dynamique
de l’image est donnée par Log2 pNmax
Nmin q.
– Les images binaires (noir ou blanc) : ce sont les images les plus simples,
un pixel peut prendre uniquement les valeurs noir ou blanc. C’est typiquement
le type d’image que l’on utilise pour scanner du texte quand celui ci est composé
d’une seule couleur.
– Les images en niveaux de gris : en général, les images en niveaux de
gris renferment 256 teintes de gris. Par convention la valeur zéro représente le
noir (intensité lumineuse nulle) et la valeur 255 le blanc (intensité lumineuse
maximale). Le nombre 256 est lié à la quantification de l’image. En effet chaque
entier représentant un niveau de gris est codé sur 8 bits. Il est donc compris entre
4 MAÏTINE BERGOUNIOUX

0 et 28
1  255. C’est la quantification la plus courante. On peut coder une

image en niveaux de gris sur 16 bits (0 ¤ n ¤ 216
1) ou sur 2 bits : dans ce
dernier cas le ! niveau de gris " vaut 0 ou 1 : il s’agit alors d’une image binaire
(Noir et Blanc).
– Les images couleurs : L’ espace couleur est basé sur la synthèse additive des
couleurs, c’est à dire que le mélange de trois composantes (par exemple (R, V, B)
) donne une couleur. On garde linformation couleur , ou intensité lumineuse et
chromaticité. Un pixel est codé par trois valeurs numériques. La signification de
ces valeurs dépend du type de codage choisi. Le plus utilisé pour le maniement
des images numériques est l’espace couleur Rouge, Vert, Bleu (R,V,B) (RGB
en anglais). La restitution des couleurs sur écran utilise cette représentation
(synthèse additive). Il en existe beaucoup d’autres : CMJ (ou CMY en anglais),
TSL (ou HSL en anglais), YUV, YIQ, Lab, XYZ
Dans ce qui suit nous ne considèrerons que des images en niveaux de gris. En ef-
fet, chaque calque couleur peut être considéré comme une image en niveaux de gris
séparément et on peut lui appliquer les transformations et méthodes décrites dans ce
livre. Toutefois, les techniques de recalage propres aux images couleur sont délicates
et sortent largement du cadre que nosu nous somme fixés ici.
Terminons cette section par une notion statistique fort utile pour des images en
niveaux de gris (y compris les images noir et blanc).

Définition 2.1 (Histogramme d’une image). — L’histogramme d’une image

est l’histogramme de la série de données correspondant aux niveaux de gris des pixels.
C’est une fonction définie par :

@p P t0,    , 255u hppq  Nombre des pixels ayant p pour niveau de gris .

Figure 2. Histogramme
 QUELQUES MÉTHODES DE FILTRAGE ... 5

L’histogramme donne une indication de la dynamique de l’image (répartition des

niveaux de gris) mais n’est, en aucun cas, une caractéristique de l’image.

Figure 3. Deux images différentes peuvent avoir le même histogramme

2.2. Echantillonnage et quantification. — L’échantillonnage est le procédé

de discrétisation spatiale d’une image consistant à associer à chaque zone rectan-
gulaire Rpx, y q d’une image continue une unique valeur I px, y). On parle de sous-
échantillonnage lorsque l’image est déjà discrétisée et qu’on diminue le nombre
d’échantillons.

Figure 4. Echantillonnage

La quantification désigne la limitation du nombre de valeurs différentes que peut

prendre I px, y q, nombre déterminé en pratique par le nombre d’octets sur lequel on
code la valeur numérique en question.
6 MAÏTINE BERGOUNIOUX

Figure 5. Quantification

Une image numérique est une image échantillonnée et quantifiée.

Figure 6. Echantillonnage et quantification

L’échantillonnage est une opération plus complexe qu’il n’y paraı̂t. En effet, un
sous-échantillonnage de l’image fait apparaı̂tre comme dans le cas unidimensionnel
des fréquences parasites dues au repliement du spectre (ou aliasing). Le théorème
d’échantillonnage de Shannon (voir [5] en 1D) s’applique aussi dans le cadre bidimen-
sionnel.

Figure 7. Apparition de fréquences parasites dans le cas du sous-échantillonnage

Le phénomène d’aliasing se traduit par une effet ! moiré " sur les images. Nous
renvoyons à [5] pour une étude détaillée de l’échantillonnage en 1D, qui s’étend sans
difficulté au cas 2D.
 QUELQUES MÉTHODES DE FILTRAGE ... 7

Figure 8. Phénomène d’aliasing

3. Filtrage unidimensionnel
Avant de présenter les principales techniques de base pour le filtrage des images,
nous rappelons brièvement le principe du filtrage unidimensionnel (pour plus de détails
on peut se référer à [5]).
Pour définir un filtre linéaire mathématiquement, on se donne deux espaces vec-
toriels X (entrée) et Y (sortie) munis d’une topologie (par exemple séquentielle) et
un opérateur A linéaire qui, à un signal e P X dit signal d’entrée, associe un signal
s P Y appelé signal de sortie :
A : e ÞÑ s : Apeq .

Définition 3.1 (Filtre). — Un filtre linéaire est un système formé des espaces
d’entrée et de sortie et d’un opérateur linéaire continu qui vérifie les deux propriétés
suivantes :
1. Il est invariant dans le temps : si Ta : x ÞÑ xp
aq est l’opérateur de translation
alors
Ta A  ATa .
2. Si lim ek ptq  eptq alors on a lim sk ptq  sptq. Cette propriété est équivalente
k Ñ 8 k Ñ 8
à la causalité.

Les espaces peuvent être de dimension infinie (signaux analogiques) ou finie (si-
gnaux discrets ou numériques).
Examinons l’effet d’un filtre linéaire A sur un signal périodique de X  L2p p0, T q (où
T ¡ 0) de fréquence λ  1{T . On sait que ce signal peut s’écrire sous la forme
¸
(1) x cn enλ ,
P
n Z
8 MAÏTINE BERGOUNIOUX

où on a posé
(2) eλ : t ÞÑ expp2iπλtq ,
de sorte que enλ  peλ qn . On sait (grâce aux séries de Fourier) que la famille penλ qnPZ
forme une base hilbertienne de X .
Formellement p1q
 
¸ ¸
Ax  A cn enλ  cn pAenλ q.
P
n Z P
n Z
On est donc ramené à examiner l’effet de A sur enλ .

Proposition 3.2. — Un filtre linéaire associe à tout signal exponentiel d’entrée le

même signal multiplié par un facteur indépendant du temps, généralement complexe,
appelé fonction de transfert ou gain complexe du filtre.

Démonstration. — Cherchons l’image fλ  A eλ de eλ par le filtre. On remarque que

pour t fixé, on a eλ pt uq  eλ ptqeλ puq. Donc
@u P R fλ pt uq  Apeλ ptqeλ qpuq,
c’est-à-dire par linéarité de A
fλ p t uq  eλ ptq rAeλ puqs  eλ ptqfλ puq.
Pour u  0 , on obtient fλ ptq  eλ ptqfλ p0q; donc Aeλ  fλ p0qeλ . Par conséquent, eλ
est une fonction propre de A associée à la valeur propre fλ p0q qui ne dépend que de
λ. La fonction λ ÞÑ H pλq : fλ p0q est appelée fonction de transfert du filtre.

Reprenons le signal périodique x défini par la relation (1) ; la sortie filtrée par A
est donc
¸
y : Ax  cn H pnλqenλ .
P
n Z
En résumé, chaque coefficient de Fourier cn de x est transformé en γn : H pnλqcn .
Compte tenu des propriétés de la transformée de Fourier discrète F, si x est un signal
numérique échantillonné avec 2N échantillons, on peut traduire la relation précédente
par
@n P t1,    , N u Yn  H pnλq Xn ,
où Y  F py q et X  F pxq, c’est-à-dire F py q  H.  F pxq , où . désigne le produit
composante par composante. Si on pose h  2N 1
F
1 pH q, cela donne : y  h f x (où f
désigne ici la convolution circulaire discrète.) Nous obtenons donc le résultat suivant
(que nous admettrons pour les signaux analogiques) :

1. On peut complètement justifier le calcul grâce à la linéarité et la continuité de l’opérateur A

de X dans X
 QUELQUES MÉTHODES DE FILTRAGE ... 9

Théorème 3.3. — Un système linéaire continu est un filtre linéaire si et seulement

si la relation entre l’entrée e et la sortie s est une convolution :
» 8
sptq  rh  esptq  hpθq ept
θq dθ .

8

Pour les filtres à temps discret on a

¸
sn  hk en
k .
P
k Z

En d’autres termes les filtres linéaires continus unidimensionnels sont

et ne sont que des filtres de convolution (où la convolution est continue ou
discrète).

Définition 3.4. — Le noyau de convolution h apparaissant dans le théorème 3.3

est la réponse impulsionnelle du filtre. La transformée de Fourier (continue ou
discrète) H : ĥ de h est la fonction de transfert du filtre.

Cette définition mérite d’être commentée :

– Dans le cas des signaux analogiques (d’énergie finie, i.e. dans L2 pRq par
exemple), le signal de sortie s est donné par : s  h  e, où e est le signal
d’entrée. Si on applique la transformation de Fourier, on obtient ŝ  ĥê. En
effet, si le signal d’entrée e est la mesure de Dirac δ on obtient s  h  δ  h.
C’est donc bien la sortie correspondant à une ! impulsion ".
– Dans le cas des signaux discrets, on peut faire la même analyse. La transfor-
mation de Fourier est remplacée par la transformation de Fourier discrète et se
calcule par FFT.

Généralement, on distingue les filtres suivant l’action qu’ils ont sur le spectre (c’est-
à-dire par la forme de leur fonction de transfert) :
– un filtre passe-bas va éliminer ou atténuer fortement l’énergie des hautes
fréquences d’un spectre en ne laissant ! passer " que les basses fréquences ;
– un filtre passe-haut va éliminer ou atténuer fortement l’énergie des basses
fréquences d’un spectre ;
– un filtre passe-bande ne conservera que l’énergie concentrée dans une bande
de fréquences.
– un filtre coupe-bande ou filtre de réjection qui est le complémentaire du
précédent.
10 MAÏTINE BERGOUNIOUX

Figure 9. Différents types de filtrage (on n’a pas représenté le filtre coupe-bande)

4. Débruitage par filtrage linéaire

Comme nous l’avons déjà évoqué, les images peuvent être dégradées par différentes
perturbations, dont nous donnons un aperçu avec la figure 10 p. 11. Le filtrage a
pour but d’éliminer l’effet de ces perturbations en essayant de ne pas toucher aux
informations essentielles de l’image (contours, dynamique, textures etc.)
Dans cette section, nous allons présenter les techniques linéaires de base pour
effectuer un filtrage permettant de supprimer les effets d’un bruit additif que l’on
supposera gaussien (centré).
Nous avons vu que, dans le cas d’un signal 1D, les filtres linéaires sont et ne
sont que des filtres de convolution. Le filtrage linéaire spatial des images est aussi
essentiellement une opération de convolution (2D).
Si f est l’image à filtrer (ou à rehausser) et κ la réponse impulsionnelle du filtre
(spatial) on a :
$ ,
'
& /
.
f px, y q  κpx, y q  F
1 F pf px, y qq  looooomooooon
F pg px, y qqu .
'
% /
-
p q
K u,v

où F est la transformationde Fourier et K la fonction de transfert du filtre. Dans le

contexte du traitement d’image le noyau κ est appelé PSF (Point Spread Function)
ou masque)
Comme les images numériques sont des objets de dimension finie nous allons
présenter les filtres dans le cas discret. Dans tout ce qui suit x et y sont des en-
tiers (coordonnées des pixels) et f est à valeurs entières (dans t0,    , 255uq. Comme
dans le cas unidimensionnel, on peut distinguer trois types de filtrage :
 QUELQUES MÉTHODES DE FILTRAGE ... 11

– Le filtre passe-bas diminue le bruit mais atténue les détails de l’image (flou
plus prononcé)
– Le filtre passe-haut accentue les contours et les détails de l’mage mais am-
plifie le bruit
– Le filtre passe-bande élimine certaines fréquences indésirables présentes dans
l’image

(a) Image originale (b) Bruit gaussien, moyenne (c) Flou


nulle, écart-type σ 50

(d) Bruit et flou (e) Bruit poivre et sel (f) Bruit multiplicatif
Figure 10. Exemples de perturbations d’une image (bruits et flou)

4.1. Filtrage spatial (bruit additif ). — On ne fait pas en général une convolu-
tion globale qui serait d’une part coûteuse à implémenter, d’autre part régulariserait
l’image dans sa globalité de manière trop prononcée. On choisit des noyaux dont le
support est petit de façon à effectuer une convolution locale au voisinage de chaque
pixel. Concrètement, cela revient à utiliser des masques (discrets) dont le support ne
contient que quelques pixels au voisinage d’un pixel px, y q :
12 MAÏTINE BERGOUNIOUX

Figure 11. Convolution locale

Le masque du filtre κ est à support inclus dans rx1 , x2 s  ry1 , y2 s :

x2 ¸
¸ y2
g px, y q  pf  κqpx, yq  f px
i, y
j qκpi, j q.

i x1 j y1
Généralement, le filtre est de dimensions di impaires et est symétrique. En effet, l’effet
d’un filtre doit être (a priori) isotrope et il ne fat pas privilégier des directions par
rapport à d’autres. Dans ce cas

rx1 , x2 s  r
d1 2
1 , d1 2
1 s et ry1 , y2 s  r
d2 2
1 , d2 2
1 s,
pd1¸

1q{2 pd2¸

1q{2
(3) pf  κqpx, yq  f px i, y j qκpi, j q.
i 
pd1
1q{2 j 
pd2
1q{2
Donnons un exemple avec d1  d2  d  3 :
w1 w2 w3 Ð y
1
w4 w5 w6 Ð y
w7 w8 w9 Ð y 1
Ò Ò Ò
x
1 x x 1

Table 1. Représentation matricielle du filtre en px, y q - d1  d2  3

Ici κp0, 0q  w5 . Sur cet exemple on a précisément

g px, y q  w1 f px
1, y
1q w2 f px, y
1q w3 f px 1, y
1q
w4 f px
1, y q w5 f px, y q w6 f px 1, y q
w7 f px
1, y 1q w8 f px, y 1q w9 f px 1, y 1q.
 QUELQUES MÉTHODES DE FILTRAGE ... 13

Afin de conserver la moyenne de l’image ¸ f (et donc sa luminosité), la somme des

éléments du filtre est normalisée à 1 : wi  1.
i
On constate tout de suite que la formule précédente ne permet pas de filtrer correc-
tement le bord : en effet les bandes verticales de taille pd1
1q{2 sur les bords gauche
et droit de l’image ne sont pas ! atteints ". De la même façon les bandes horizon-
tales supérieures et inférieures de taille pd1
1q{2 ne sont pas traitées non plus. Pour
remédier à cet inconvénient, on effectue souvent une réflexion de l’image autour de
ses bords ce qui permet de filtrer l’image réfléchie avant de la redimensionner.

Figure 12. Réflexion d’une image par rapport à ses bords. Ici pd1
1q{2 
pd2
1q{2 : d et la taille de l’image et n1  n2 .

Un filtre 2D est dit séparable s’il est possible de décomposer le noyau de convo-
lution h2D en deux filtres 1D appliqués successivement en horizontal puis en vertical
(ou inversement) :
h2D  hV1D b hH1D ,
où le symbole b désigne le produit tensoriel. On peut alors traiter séparément les
lignes et les colonnes de l’image ce qui est un gros avantage pour l’implémentation.
Pour qu’un filtre 2D soit séparable il faut et il suffit que les coefficients de ses
lignes et de ses colonnes soient proportionnels.
14 MAÏTINE BERGOUNIOUX

Exemple 4.1 (Filtres séparables ). — Ils sont obtenus comme suit, pour une
dimension 3  3 par exemple. En pratique cela revient à faire un produit matriciel.

α aα bα cα α
a b c b β  aβ bβ cβ  β  a b c .
γ aγ bγ cγ γ
Exemple 4.2 (Filtre de moyenne passe -bas ). —

1 1 1 1 1
1 1 1 1 1 1 1 1
1
9
 1 1 1
1
25
 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1

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

Nous présentons dans la figure 14. l’effet des filtres de moyenne sur une image
bruitée par un bruit gaussien additif,de moyenne nulle et d’écart-type σ. Ce sont des
filtres séparables.
On remarque aussi l’effet de lissage induit par l’opération de convolution qui régularise
les contours en supprimant les sauts de la fonction. En effet, le contour d’une image
est un endroit où le niveau de gris, c’est-à-dire la valeur de la fonction ! image ", varie
brutalement par exemple de 0 à 255 pour un contour noir sur blanc. Cela correspond
à une discontinuité de la fonction. Une opération de convolution par un noyau régulier
(par exemple continu) donne comme résultat une fonction continue. Même, si la valeur
de la fonction varie rapidement au voisinage d’un point, le contour qui était très
marqué auparavant sera remplacé par un contour plus épais où le passage d’un niveau
de gris à l’autre (par exemple du blanc au noir) se fera sur plusieurs pixels avec des
niveaux de gris intermédiaires. Cela entraı̂ne un floutage du contour. La figure 13
illustre le phénomène.

Figure 13. Effet de lissage

 QUELQUES MÉTHODES DE FILTRAGE ... 15

(a) Image originale (b) Image bruitée (bruit gaussien


σ 50)

(c) Filtre de moyenne 3 x 3 (d) Filtre de moyenne 5 x 5

Figure 14. Effet d’un filtre de moyenne.

Exemple 4.3 (Filtre gaussien). — Un filtre gaussien est donné par discrétisation
de la fonction gaussienne

1
x2 2y2
Gpx, y q  e 2σ ,
2πσ 2

sur un voisinage de p0, 0q. Ici σ est l’écart-type et la moyenne est nulle.
16 MAÏTINE BERGOUNIOUX

Si par exemple σ  0.8 on a le filtre 3  3 suivant

Gp
1,
1q Gp0,
1q Gp1,
1q 1 2 1

Gp
1, 0q Gp0, 0q Gp1, 0q  1
 2 4 2
Gp
1, 1q Gp0, 1q Gp1, 1q
16
1 2 1

et σ  1 pour un filtre 5  5 donne environ

1 4 6 4 1
4 18 30 18 4
1
300
 6 30 48 30 6 .
4 18 30 18 4
1 4 6 4 1

La taille du filtre gaussien est gouvernée par σ qui doit être proportionnel à l’écart-
type du bruit (s’il est connu ! !). En général un filtre gaussien avec σ   1 est utilisé
pour réduire le bruit, et si σ ¡ 1 c’est dans le but de fabriquer une image qu’on va
utiliser pour faire un ! masque flou " personnalisé. Il faut noter que plus σ est grand,
plus le flou appliqué à l’image sera important

Les filtres présentés sont des filtres passe-bas : ils atténuent les détails de l’image
(et donc le bruit additif) mais en érodant les contours ajoutent du flou à l’image.
Nous verrons dans une section suivante comment atténuer le flou.

4.2. Filtrage fréquentiel (bruit additif ). —

4.2.1. Filtre passe-bas. — On peut définir un filtre linéaire par sa formulation spatiale
(comme convolution) mais aussi par sa formulation fréquentielle, c’est-à-dire par la
façon dont il modifie les fréquences de l’image d’entrée, via sa fonction de transfert
K. En effet les fréquences de l’entrée f et de la sortie g sont liées par

F pg q  H F pf q .

Le passe-bas idéal est le filtre qui ne modifie par les fréquences λ  pλ1 , λ2 q telles
que }λ} ¤ δc (fréquence de coupure) et supprime les autres où }  } désigne (par
exemple) la norme euclidienne de R2 .
 QUELQUES MÉTHODES DE FILTRAGE ... 17

En d’autres termes

"
1 si }λ} ¤ δc
H pλq 
0 sinon

Figure 15. Fonction de transfert ! idéale "

Pour des signaux unidimensionnels, la réponse impulsionnelle h P L2 pRq d’un tel

filtre est un sinus cardinal t ÞÑ hptq 
sin 2πδc t
.
πt
Un tel filtre est dit idéal car il n’est pas causal (ou réalisable [5]). En pratique, la
convolution par le sinus cardinal provoque des ondulations (effet Gibbs) sur l’image
filtrée.

(a) Image originale (b) Image filtrée

Figure 16. Application d’un créneau ! idéal " (δc  15% de la taille de
l’image) : on voit clairement les ondulations.
18 MAÏTINE BERGOUNIOUX

(a) Zoom (coin supérieur droit)- Original (b) Zoom de l’image filtrée
Figure 17. Zoom sur le coin supérieur droit de la figure précédente : on
voit les ondulations et un flou très important

Le filtre passe-bas idéal n’est pas réalisable du fait de la discontinuité de la fonction

de transfert qui induit un effet Gibbs important. On fait donc une régularisation de
la fonction H précédente qui aura pour effet de supprimer les discontinuités et, non
pas de couper les hautes fréquences mais de les atténuer fortement. Le filtre suivant
est le filtre passe-bas de Butterworth. La fonction de transfert est alors

H pλq 
1

2n
1
}λ}
δc
où δc est encore la fréquence de coupure et n un paramètre qui sert à régler l’approxi-
mation.

Figure 18. Fonction de transfert de Butterworth (δc  0.2, n  5)

 QUELQUES MÉTHODES DE FILTRAGE ... 19

En traitement d’image, un filtre passe-bas atténue les hautes fréquences : le résultat

obtenu après un tel filtrage est un adoucissement des détails et une réduction du bruit
granuleux.
4.2.2. Filtres passe-haut. — Le filtre passe-haut idéal est obtenu de manière
symétrique au passe- bas par

Le filtre passe-haut de Butterworth est donné par

H pλq 
1

2n
δc
1
}λ}

Figure 19. Fonction de transfert du filtre passe-haut de Butterworth

(δc  0.2, n  5)

Un filtre passe-haut favorise les hautes fréquences spatiales, comme les détails, et
de ce fait, il améliore 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 l’image.
– effet de bord : il est possible que sur les bords de l’image apparaisse un
cadre qui correspond aux effets de bord observés lors de la convolution spatiale.
Cet effet peut s’éliminer en faisant une réflexion de quelques pixels de l’image
autour de son cadre.
20 MAÏTINE BERGOUNIOUX

(a) Original (b) Filtrage passe-haut

Figure 20. Filtrage passe-haut avec un filtre de Butterworth (n  2 et
δc  0.1 taille de l’image) sur une image non bruitée.

Si on filtre une image avec un filtre passe-bas, l’image obtenue par différence entre
l’originale et l’image filtrée par le passe-bas correspond à un filtrage passe-haut.
4.2.3. Filtres passe-bande. — Mentionnons pour finir les filtres passe-bande (et coupe
-bande) moins pertinents dans le cadre 2D que le cadre 1D. Ils permettent de ne garder
que les fréquences comprises dans un certain intervalle :

#
si δc
¤ }λ} ¤ δc
ε ε
H pλq 
1
2 2
0 sinon

où ε est la largeur de bande et δc la fréquence de coupure.

4.3. Filtrage différentiel. — Dans les modèles différentiels, on considère l’image

comme une fonction f : Ω Ñ r0, 255s où Ω est un ouvert de R2 , dont on étudie le
comportement local à l’aide de ses dérivées. Une telle étude n’a de sens que si la
fonction f est assez régulière. Ce n’est pas toujours le cas ! ! Par exemple, une image
peut être continue par morceaux (comme un damier) et les points de discontinuités
sont les points de contours.
 QUELQUES MÉTHODES DE FILTRAGE ... 21

(a) Image continue par morceaux (b) Contours

Figure 21. Exemple d’une image constante par morceaux

Il y a bien entendu beaucoup d’autres non-régularités dans une image, dues par
exemple aux textures, au bruit etc.

Figure 22. Exemple d’une image texturée

Grâce au ! plongement "dans ! l’espace continu ", un grand nombre d’opérations

d’analyse peuvent s’exprimer en termes d’équations aux dérivées partielles. Ceci per-
met de donner un fondement mathématique satisfaisant aux traitements et aussi de
fournir des méthodes pour les calculer, par des schémas numériques de résolution
avant ou après discrétisation.
Les filtres différentiels permettent de mettre en évidence certaines variations spa-
tiales de l’image. Ils sont utilisés comme traitements de base dans de nombreuses
opérations comme le rehaussement de contraste ou la détection de contours.
22 MAÏTINE BERGOUNIOUX

Les filtres présentés dans cette section sont essentiellement des filtres passe-haut. Ils
permettent d’isoler les détails d’une image (les contours et les textures sur une image
non bruitée et le bruit en plus sur une image bruitée).
4.3.1. Calcul des gradients discrets. — Le gradient de l’image f en un point
(pixel)M px, y q, s’il existe est égal à :

∇f px, y q  p
Bf , Bf q.
Bx By
En pratique, il faut approcher ces gradients pour travailler avec des gradients dis-
crets qui correspondent à des taux de variation, calculables même si l’image est
discontinue (en particulier au voisinage d’un contour). Les approximations les plus
simples des dérivées directionnelles se font par différences finies. On peut les calculer
par exemple à l’aide de convolution avec des noyaux très simples : par exemple, l’ap-
Bf se fait par convolution avec r0
1 1s. En effet, dans ce cas, la
proximation de
Bx
formule générale de convolution discrète (3) donne (avec d1  3 et d2  0) :

g px, y q 
¸
1 ¸
f px j qκpi, j q 
f px, y q f px 1, y q 
Bf px, yq.
i 
1 j 0
i, y
Bx
 
Bf se fait par convolution avec 
01  :
De même l’approximation de
By 1

g px, y q 
f px, y q f px, y 1q 

Bf px, yq.
By

0 Ðy
1
0
1 1 Ðy
1 Ð y
Ò Ò Ò 1 Ðy 1
x
1 x x 1 Ò
x

Table 3. Masques (κpi, j q) des gradients par rapport à x (gauche) et y (droite)

 

1
On utilise plus souvent r
1
0 1s et  0  qui produisent des frontières plus
1
épaisses mais qui sont bien centrées. Ces opérations sont très sensibles au bruit et on
les combine généralement avec un filtre lisseur dans la direction orthogonale à celle de
dérivation, par exemple par le noyau suivant (ou sa transposée) : r1 2 1s. On obtient
 QUELQUES MÉTHODES DE FILTRAGE ... 23

alors des filtres séparables. Le calcul des dérivées directionnelles en x et y revient

finalement à la convolution avec les noyaux suivants :

Bf px, yq  pf  h qpx, yq et Bf px, yq  pf  h qpx, yq

Bx x
By y

avec
 

1 0 1
hx  r
1 0 1s b r1 2 1st  
2 0 2

1 0 1

et
 

1
2
1
hy  r1 2 1s b r
1 0 1st   0 0 0 .
1 2 1

Ce sont les masques de Sobel.

Figure 23. Image originale

24 MAÏTINE BERGOUNIOUX

(a) Noyau r
1 0 1s (b) Noyau r
1 0 1st

(c) Gradient de Sobel horizontal (d) Gradient de Sobel vertical

(e) Norme du gradient

Figure 24. Valeur absolue des gradients et des gradients de Sobel (contrastés)
 QUELQUES MÉTHODES DE FILTRAGE ... 25

Types de masque Norme du gradient Direction

Masques de Roberts

a
A  π4
-1 0 0 -1
G21 G22 θ
0 1 1 0 

G2
G1 , G2 + arctan
G1

Masques de Sobel

1 0 -1 1 2 1 b 

A
Gy
2 0 -2 0 0 0 G2x G2y θ = arctan
Gx
1 0 -1 -1 -2 -1
Gx , Gy

Masques de Prewitt

1 0 -1 1 1 1 b 

A
Gy
1 0 -1 0 0 0 G2x G2y θ = arctan
Gx
1 0 -1 -1 -1 -1
Gx , Gy

Masques de Kirsh
Direction
5 5 5
-3 0 -3 maximum des |Gi | correspondant
-3 -3 -3
+ les 7 autres masques obtenus par au Gi sélectionné
permutation circulaire des coefficients
Gi pour i de 1 à 8

Masques de Robinson

1 1 1
1 -2 1 maximum des |Gi | Idem
-1 -1 -1
+ les 7 autres masques obtenus par
permutation circulaire des coefficients
Gi pour i de 1 à 8

Table 4. Différents types de masques pour le gradient, sa norme et sa direction

26 MAÏTINE BERGOUNIOUX

Figure 25. Gradients de Robinson (valeur absolue contrastée) dans 4 di-

rections différentes (voir tableau 4) et norme `1 des gradients de Robinson
(en bas)
 QUELQUES MÉTHODES DE FILTRAGE ... 27

On remarque que la norme du gradient est un bon détecteur de contour : en effet

un contour est un endroit où l’on observe de fortes variations de niveaux de gris, c’est-
à-dire des gradients importants. Les points correspondant aux maxima de la norme
du gradient sont donc des points appartenant à des contours. Toute la difficulté de la
segmentation (c’est-à-dire de la recherche des contours dans une image) est alors de
trouver des critères permettant de faire une sélection pertinente parmi ces points.
4.3.2. Approximation de la dérivée seconde. — De la même façon, l’approximation
par différences finies la plus simple de la dérivée seconde est la convolution par le
 
noyau r1
2 1s pour l’approximation de
B 2 1
Bx2 et
12 pour l’approximation de
f  

B2 f . Le laplacien ∆f  B2 f B2 f peut donc être approché par l’un opérateurs

By2 B x2 B y 2
linéaires suivants :

Laplacien discret - 4 Laplacien discret - 8 Laplacien de Robinson

0 1 0 1 1 1 1 -2 1
1 -4 1 1 -8 1 -2 4 -2
0 1 0 1 1 1 1 -2 1

(a) Laplacien 4-connexe (b) Laplacien 8-connexe

Figure 26. Calcul du laplacien (valeur absolue), avec rehaussement de contraste)
28 MAÏTINE BERGOUNIOUX

4.4. Filtrage par équations aux dérivées partielles. —

4.4.1. Équation de la chaleur. — Considérons un filtrage gaussien dans le cadre
continu. On sait que si l’image de départ est une fonction uo P L8 pΩq à support
compact inclus dans Ω € R2 , l’image filtrée est la convolée de uo avec un noyau
gaussien



Gσ pxq  Gσ px1 , x2 q 
1
exp
2 2

x12σ2x2  2πσ
1 }x}
exp
2
2
.
2πσ 2 2 2σ


On pose upt, xq  phpt, q  uo qpxq où hpt, xq  G`2t pxq 

1
exp

}x}2 . Comme
4πt 4t
hpt, q P C 8 pR2 q a ses dérivées bornées et uo P L1 pR2 q, la convolée upt, q est aussi C 8
et on peut calculer ∆u :

@t ¡ 0, @x P R2 ∆upt, xq 
B2 u pt, xq B2 u pt, xq  p∆hpt, q  u qpxq.
Bx21 Bx22 o

Un rapide calcul montre que


∆hpt, xq 
4πt1 2 }x}2
exp 
}x}2
 
1 }x}2
hpt, xq,
16πt3 4t t 4t2
et on obtient 

1t }4tx}2 upt, xq.

2
∆upt, xq 

D’autre part, pour t ¡ 0 on peut dériver directement u par rapport à t :

¼
Bu pt, xq  Bh pt, yqu px
yqdy
Bt Bt o

R2

ce qui donne :
Bu pt, xq
∆upt, xq  0 sur s0, trR2 .
Bt
D’autre part, avec
¼ 

}y4t}
2
upt, xq  uo px
y qdy
1
exp
4πt
R2

on obtient
lim upt, xq   δx , uo ¡ uo pxq,
t Ñ0
car la famille de gaussiennes converge au sens des distributions vers la mesure de
Dirac.
La fonction ! filtrée " u vérifie l’équation aux dérivées partielles suivante (équation
de la chaleur) :
$
& Bu pt, xq
∆upt, xq  0 dans s0, T rΩ
% uBpt0, xq  uo pxq
(4)
@x P Ω
 QUELQUES MÉTHODES DE FILTRAGE ... 29

où Ω est le ! cadre " de l’image, i.e. l’ouvert de R2 où la fonction u est définie. On
peut alors imposer soit des conditions aux limites au bord de Ω (niveau de gris fixé)
soit des conditions aux limites périodiques en périodisant la fonction u (si le cadre est
rectangle par exemple).
On peut alors utiliser un schéma aux différences finies pour calculer la solution de
l’EDP ou ume convolution par le noyau G`2t en utilisant une FFT . Suivant le temps
d’évolution, on obtient une version plus ou moins lissée de l’image de départ.

Figure 27. Gaussiennes

(a) Original (b) Image bruitée σ  0.1 (c) Image filtrée

Figure 28. Filtrage par EDP de la chaleur avec pas de temps dt  0.2 et
15 itérations
30 MAÏTINE BERGOUNIOUX

4.4.2. Mise en œuvre numérique. — La mise en œuvre numérique se fait avec une
discrétisation en différences finies, la plupart du temps explicite en raison de la très
grande taille des images (et donc des matrices associées). La condition de Neumann
est assurée grâce à une réflexion de l’image par rapport à ses bords. En traitement
d’image on considère souvent que la taille de l’image est donnée par le nombre de
pixels de sorte que le pas de discrétisation est h  1. On peut discrétiser le gradient
de différentes manières (centrée, à droite, à gauche)

(5) δx ui,j  ui 1,j
ui
1,j , δy ui,j  ui,j 1
2 ui,j
1 ,

2
δx ui,j  ui 1,j
ui,j , δy ui,j  ui,j 1
ui,j ,
δx
ui,j  ui,j
ui
1,j , δy
ui,j  ui,j
ui,j
1 .
La norme du gradient peut se calculer par un schéma ENO (Essentially Non Oscilla-
tory). Deux approximations possibles de |∇u| sont
b
∇ ui,j  maxpδx
ui,j , 0q2 minpδx ui,j , 0q2 maxpδy
ui,j , 0q2 minpδy ui,j 0q2 ,
ou
b
∇
ui,j  maxpδx ui,j , 0q2 minpδx
ui,j , 0q2 maxpδy ui,j , 0q2 minpδy
ui,j 0q2 .
Si l’opérateur gradient est discrétisé par différences finies à droite, alors une discré-
tisation possible de la divergence d’un couple p  pp1 , p2 q est donnée par
$ p1
p1 $ p2
p2
'
'  i N '
'  j M
& i,j 1 i
1,j & i,j 2 i,j
1
si 1 si 1

pdiv pqi,j  ' i1 j1

(6)
'
pi,j si
'
'
pi,j si
%
p1i
1,j si iN
%
p2i,j
1 si jM

avec pN, M q est la taille des l’images p1 et p2 .

4.5. Déconvolution (cas d’un flou). — Une autre source de perturbation d’une
image est le ! flou ". Nous avons vu qu’un filtre de convolution passe-bas permettait
d’enlever le bruit additif mais que l’image filtrée était floutée. Cela s’explique par
le fait que l’opérateur de convolution est régularisant. Un tel opérateur est souvent
modélisé par un produit de convolution, de noyau positif symétrique h (qui est la
plupart du temps gaussien). Il n’est pas nécessairement inversible (et même lorsqu’il
est inversible, son inverse est souvent numériquement difficile à calculer).
4.5.1. Approche ! spatiale " : équation de la chaleur rétrograde (inverse). — Nous
avons constaté précédemment que faire une convolution par un noyau gaussien revient
à résoudre une équation de la chaleur. Le temps final joue le rôle de l’écart type de la
gaussienne. Pour faire l’opération inverse, la déconvolution on peut donc imaginer de
résoudre une équation de la chaleur ! rétrograde " en partant de l’état ! final " qui
est l’image floutée et en ajustant le temps final au rapport signal sur bruit.
 QUELQUES MÉTHODES DE FILTRAGE ... 31

$
& Bu pt, xq ∆upt, xq  0 dans s0, T rΩ
% uBptT, xq  uo pxq
(7)
@x P Ω

(a) Original (b) Image floutée (c) Itération 5

Figure 29. Déconvolution par équation de la chaleur inverse : dt  1.5

Cette équation est notoirement mal posée (on ne peut assurer ni l’existence d’une
solution, ni la stabilité d’un schéma numérique) et il convient de ne faire qu’un petit
nombre d’itérations.

(a) Itération 6 (b) Itération 8

Figure 30. Déconvolution par équation de la chaleur inverse : dt  1.5

4.5.2. Filtre inverse et algorithme de Van Cittert. — L’algorithme de Van Cittert

repose sur la formulation fréquentielle d’une convolution. Supposons que h soit
l’opérateur de flou (inconnu ou donné par étalonnage des appareils de mesure). On
ne prend pas en compte le bruit. L’image floutée f vérifie f  h  u, où u est l’image
originale (qu’on veut retrouver). Une formulation équivalente est fˆ  ĥû c’est-à-dire
32 MAÏTINE BERGOUNIOUX

fˆ
û  . Le filtre inverse est le plus simple des filtres. Dans certaines conditions, il
ĥ
peut donner de très bons résultats. Il consiste donc à calculer 1{ĥ et à l’appliquer
à l’image floutée. C’est le meilleur filtre pour déconvoluer une image non bruitée.
Toutefois il n’est pas toujours possible de calculer 1{ĥ car ĥ peut s’annuler. . Une
alternative est l’algorithme de Van Cittert.
Posons ĝ  1
ĥ de sorte que formellement on obtient
 8 
fˆ ¸
û   k
fˆ.
1
ĝ
ĝ

k 0
 
¸
n
Si on pose uo  f et ûn  ĝ k
fˆ pour tout n ¥ 1 on obtient

k 0

ûn 1  fˆ ĝûn  fˆ p1
ĥqûn ,

ou de manière équivalente
un 1 f un
h  un .

(a) Itération 4 (b) Itération 8

Figure 31. Déconvolution par algorithme de Van Cittert : h est un
masque gaussien de taille 9 et d’écart-type σ  1 (connu)

La principale difficulté dans l’utilisation de cet algorithme est le choix a priori du

filtre h. Le filtre inverse est une technique très utile pour la déconvolution mais il ne
prend pas en compte le bruit. Si f est une image floutée et bruitée : f  h  u b, où
u est l’image originale à restaurer et b un bruit blanc gaussien, le passage à un filtre
fˆ b̂
inverse donne û 
. Le bruit blanc chargeant uniformément les fréquences on
ĥ ĥ
 QUELQUES MÉTHODES DE FILTRAGE ... 33

a b̂  1 et si h est un filtre passe- bas ĥ  0 au voisinage de l’infini (c’est-à-dire au

dessus d’une fréquence de coupure λc ). Il s’ensuit que le filtrage est efficace dans une
bande de fréquences inférieures à λc mais que le bruit est amplifié au delà.
Pour traiter des images à la fois floutées et bruitées on préfère utiliser le filtre de
Wiener (voir section 5.3).

5. Débruitage par filtrage non linéaire

5.1. Filtres médians. — Ce sont des filtres non linéaires et donc ce ne sont pas des
filtres de convolution. Ces filtres sont utiles pour contrer l’effet ! Poivre et Sel " (P&
S) c’est-à-dire des faux ! 0 " et ! 255 " dans l’image.

Figure 32. Image bruitée ! Poivre et Sel "

En effet un filtre de convolution affecte au pixel traité un barycentre des valeurs des
niveaux de gris des pixels situés dans un voisinage. Un pixel dont le niveau de gris est
très différent des autres va donc affecter le résultat de la convolution. On préfère, dans
ce cas remplacer la valeur du pixel par la valeur médiane et non la valeur moyenne
(par exemple).
g px, y q  médianetf pn, mq | pn, mq P S px, yq u,
où S px, y q est un voisinage de px, y q.
bruit
30 10 20 Ó
10 250 25 Ñ 10 10 20 20 25 25 30 30 250
20 25 30 Ò
médiane
34 MAÏTINE BERGOUNIOUX

(a) Filtre de moyenne - taille 3 (b) Filtre médian - taille 3

(c) Filtre de moyenne - taille 5 (d) Filtre médian - taille 5

(e) Filtre de moyenne - taille 7 (f) Filtre médian - taille 7

Figure 33. Comparaison filtres de moyenne et filtres médians
 QUELQUES MÉTHODES DE FILTRAGE ... 35

Si le bruit P& S recouvre plus de la la moitié de la dimension du filtre, le filtrage est

inefficace. La localisation du bruit étant aléatoire il convient de prendre un voisinage
suffisamment grand.

5.2. Modèle de Perona-Malik. — Pour améliorer les résultats obtenus par l’EDP
de la chaleur, Perona et Malik ont proposé de modifier l’équation en y intégrant un
processus de détection des bords :
$
' Bu
& Bt pt, xq  div pcp|∇u|q∇uqpt, xq dans s0, T rΩ
'
'
(8) Bu  0 sur s0, T rBΩ
'
' B
'
% upn0, xq  u pxq
o @x P Ω
où c est une fonction décroissante de R dans R .

(a) Image originale (b) Image bruitée σ  0.1

(c) Filtrage par EDP de la chaleur (d) Filtrage avec le modèle de

Perona-Malik
Figure 34. Filtrage par EDP de la chaleur avec pas de temps dt  0.2 et
15 itérations et modèle de Peronna-Malik avec dt  0.4, α  1 et 10
itérations
36 MAÏTINE BERGOUNIOUX

 1, on retrouve l’équation de la chaleur. On impose souvent tÑlim8 cptq  0

Si c
et cp0q  1. Ainsi, dans les régions de faible gradient, l’équation agit essentiellement
comme l’EDP de la chaleur, et dans les régions de fort gradient, la régularisation est
stoppée ce qui permet de préserver les bords. Un exemple d’une telle fonction c est :

cptq  a ou cptq 
1 1
1 pt{αq2 1 pt{αq2 où α est un paramètre positif.

5.3. Approche fréquentielle : Filtre de Wiener. — Le filtre de Wiener lui, ne

caractérise pas le signal et le bruit par leur forme analytique mais par leurs propriétés
statistiques. On considère que les images sont des réalisations d’un processus aléatoire
stationnaire : on cherche alors à minimiser la moyenne du carré de la différence entre
l’image initiale et l’image restaurée. Ce filtre est très efficace pour traiter des images
dégradées à la fois par du flou et du bruit. On considère donc une image dégradée
f  h  u b, où u est l’image originale à restaurer, h un noyau de convolution
symétrique positif (réponde impulsionnelle du filtre ! flou ") et b est une bruit de loi
de probabilité (identique pour chaque pixel) µ. L’hypothèse généralement faite est
celle d’un bruit plan gaussien d’écart-type σ.
On modélise donc le problème par une formulation au sens des moindres carrés en
considérant l’erreur quadratique }f
h  u}2L2 que l’on va minimiser. Le problème de
minimisation n’admettant pas nécessairement de solution convenable (si ĥ s’annule
par exemple, voir p. 32), on ajoute un terme de régularisation quadratique de la forme
}q  u}2L2 . Le noyau q sera fixé ultérieurement en fonction du rapport signal sur bruit.
En appliquant la transformation de Fourier le problème de minimisation s’écrit
alors
min
P pRq
U L2
}F
HU }22 }U Q}22 ,
où U  û, F  fˆ, Q  q̂ et H  ĥ. La solution U de ce problème est obtenue par
dérivation :
@V P L2 pRq pHU
F, HV qL 2 pQU, QV qL  0.
2

On obtient
H̄ pHU
F q |Q|2 U  0,
c’est-à-dire

(9) U  |H |2 H̄ |Q|2 F.
Le principe du filtrage de Wiener est de fixer |Q|2 en fonction d’une estimation du
rapport signal sur bruit. Lorsque Q  0 on retrouve le filtrage inverse (pas de bruit).
Idéalement, il faudrait choisir

Qpω q 
|b̂pωq|
|ûpωq| .
 QUELQUES MÉTHODES DE FILTRAGE ... 37

En effet dans ce cas le terme de régularisation }q  u}2L2 pénalise exactement le bruit :

}q  u}L  }Qû}L  }b̂}L  }b}L

2 2 2 2 .

Le choix le plus courant est de prendre l’inverse du rapport signal sur bruit :

    ||ûb̂||2 ¡¡ ,
2
Q2

où   |b̂|2 ¡ (resp.   |û|2 ¡) est la puissance spectrale moyenne de b (resp. u) c’est-à-
dire
¼
  |b̂| ¡
2 1
|D| |b̂|2 pωq dω ,
D

où D est un domaine de R suffisamment grand et |D| son aire.

2

Pour implémenter le filtre de Wiener, nous devons être en mesure d’estimer cor-
rectement la puissance spectrale de l’image d’origine et du bruit. Pour un bruit blanc
gaussien, la puissance spectrale moyenne est égale à la variance σ 2 du bruit. La puis-
sance spectrale de u est difficile à obtenir puisqu’on ne connaı̂t pas u ! ! Toutefois

f hu b ùñ fˆ  ĥû b̂ ùñ |fˆ|2  |ĥ|2 |û|2 |b̂|2 ,

puisque le bruit b et l’image sont indépendants. Donc, pour un bruit gaussien

|û|2  |f |
2|b̂|  |f |
2 σ .
ˆ2 2 ˆ2 2

|ĥ| |ĥ|
En résumé, la fonction de transfert du filtre de Wiener est donnée par

(10) W  ĥ
,
|ĥ| 2 Q2

avec dans le cas où b est un bruit blanc gaussien d’écart-type σ

(11) Q2  σ2   |ĥ| ¡2 .
  |fˆ| ¡2
σ2
Remarque 5.1. — Rappelons que le spectre de puissance d’un signal est obtenu
par la transformée de Fourier de sa fonction d’autocorrélation (Théorème de Wiener-
Khinchine).
On peut bien sûr tester ! à l’aveugle " différentes valeurs de Q que l’on peut supposer
constant.
Dans l’exemple suivant, l’image a été floutée par un filtre gaussien de taille 15 et
d’écart-type 45. Elle a aussi été réfléchie pour minimiser les effets de bord.
38 MAÏTINE BERGOUNIOUX

Figure 35. Déconvolution par filtre de Wiener d’une image floutée et un

maque gaussien de taille 11 et d’écart-type 30 (Q  0.15)

Dans l’exemple suivant, l’image a été floutée par un filtre gaussien de taille 15 et
d’écart-type 45 et bruitée par un bruit additif gaussien d’écart type 15.

Figure 36. Déconvolution par filtre de Wiener d’une image floutée et

bruitée, même masque et Q  1

On peut dériver d’autres filtres sur le modèle ci-dessus. Citons

– le filtre de Wiener paramétrique Q  γQo où Qo est donné par la relation
(11) et 0   γ   1.
Si γ  0 on retrouve le filtre inverse et γ  1 le filtre de Wiener.
 QUELQUES MÉTHODES DE FILTRAGE ... 39

– le filtre de Cannon :
  12
W  1
,
|ĥ|2 Q2

où Q est donné par (11).

– le filtre de moyenne géométrique :

 1
s
W  1 ĥ
,
|ĥ|s |ĥ|2 Q2
où Q est donné par (11). Si s  1 on retrouve le filtre inverse, s  0 le filtre de
Wiener et s  0.5 le filtre de Cannon.

5.4. Déconvolution de Richardson-Lucy. — L’algorithme de Richardson-

Lucy est un algorithme itératif spatial basé sur une approche bayésienne. Comme
précédemment on considère une image dégradée par du flou (noyau h connu ou
estimé) et du bruit b : f  h  u b. On veut identifier u. On suppose que le masque
h est connu et le bruit est inconnu. L’itération courante est
 
uk 1  uk pu  hq  ȟ f
,
k

avec (par exemple) uo  f et ȟpx, y q  hp
x,
y q.

Lorsque la réponse impulsionnelle du flou h n’est pas connue on fait une
déconvolution aveugle (! blind deconvolution ") avec l’algorihme suivant :
Algorithme de Richardson-Lucy aveugle

(1) Initialisation : choix de uo et ho

(2) (a) Estimation de h
 
 ° k
h f
 ǔk
i,j uk pi, j q uk  hk
hk 1

(b) Estimation de u
 
uk 1  uk f
puk  hk q  ȟk 1 ,
1

(3) uk 1  maxpuk , 0q.

40 MAÏTINE BERGOUNIOUX

(a) Image dégradée comme dans la figure 36 (b) Itération 3

(c) Itération 5 (d) Itération 10

Figure 37. Déconvolution par l’algorithme de Richardson-Lucy aveugle -
Initialisation avec un masque gaussien de taille 5 et d’écart-type σ  10

6. Filtrage variationnel
La définition du filtre de Wiener suggère fortement l’utilisation de méthodes varia-
tionnelles puisqu’il s’agit de minimiser des erreurs tout en se donnant un a priori sur
l’image. Nous allons préciser cette idée. Nous nous plaçons maintenant dans un cadre
! dimension infinie ", et nous effectuerons une discrétisation ensuite.
Etant donnée une image originale, on suppose qu’elle a été dégradée par un bruit
additif v, et éventuellement par un opérateur R de flou. Un tel opérateur est souvent
 QUELQUES MÉTHODES DE FILTRAGE ... 41

modélisé par un produit de convolution. A partir de l’image observée ud  Ru v (qui

est donc une version dégradée de l’image originale u), on cherche à reconstruire u. Si on
suppose que le bruit additif v est gaussien, la méthode du Maximum de Vraisemblance
nous conduit à chercher u comme solution du problème de minimisation
inf }ud
Ru}22 ,
u

où }  }2 désigne la norme dans L2 . Il s’agit d’un problème inverse mal posé :
l’oéprateur n’est pas nécessairement inversible (et même lorsqu’il est inversible, son
inverse est souvent numériquement difficile à calculer). En d’autres termes, l’existence
et/ou l’unicité de solutions n’est pas assurée et si c’est le cas, la solution n’est pas
stable (continue par rapport aux données). Pour le résoudre numériquement, on est
amené à introduire un terme de régularisation, et à considérer le problème
inf
u
}looooomooooon
ud
Ru}22 puoqn
loLomo .
ajustement aux données Régularisation

Dans toute la suite, nous ne considérerons que le cas où est R est l’opérateur
identité (Ru  u). Commençons par un procédé de régularisation classique : celui de
Tychonov.

6.1. Régularisation de Tychonov. — C’est un procédé de régularisation très

classique mais trop sommaire dans le cadre du traitement d’image. Nous le présentons
sur un exemple.
Soit V  H 1 pΩq et H  L2 pΩq : on considère le problème de minimisation originel
(ajustement aux données) :
pP q min }u
ud }2H ,
P
u V

où ud est l’image observée (données) et le problème régularisé suivant : pour tout
α¡0
pPα q min }u
ud }2H
P
u V
α}∇u}2H .
Non seulement on veut ajuster u à la donnée ud , mais on impose également que le
gradient soit ! assez petit " (cela dépend du paramètre α).
Il est facile de voir sur l’exemple suivant que la fonctionnnelle J puq  }u
ud }2H
n’est pas coercive sur V :
Ω s0, 1r, un pxq  xn , ud  0.
On voit que }un }2  `1 , }u1n }2  `2nn
1 . On a donc
2n
lim }un }V  8 et lim J pun q  0.
n Ñ 8 n Ñ 8
Il n’est donc même pas clair (a priori) que le problème pP q ait une solution.
42 MAÏTINE BERGOUNIOUX

Proposition 6.1. — Supposons que pP q admet au moins une solution ũ. Le problème
pPα q admet une solution unique uα . De la famille puα q on peut extraire une sous-suite
qui converge (faiblement ) dans V vers une solution u de pP q lorsque α Ñ 0.

Démonstration. — Le problème pPα q admet une solution unique uα car la fonction-

nelle
Jα  }u
ud }2H α}∇u}2H ,
est coercive et strictement convexe (c’est en gros la norme de V à une partie affine
près). Montrons maintenant que la famille puα q est bornée dans V uniformément par
rapport à α.
@u P V Jα puα q ¤ Jα puq.
En particulier pour u  ũ solution de pP q :
(12) pũq ¤ J puα q
looooooomooooooon
J ¤ Jloooooooooooooooooooooooomoooooooooooooooooooooooon
α puα q  J puα q α}∇uα }2H ¤ Jα pũq  J pũq α}∇ũ}2H ,
p q
ũ solution de P uα solution de Pα p q
où on a posé J puq : }u
ud }2H .
Par conséquent, pour α ¤ αo , Jα puα q est borné indépendamment de α. Ceci entraı̂ne
que la famille puα qα¤αo est bornée dans H. D’autre part, avec (12) on a aussi
α}∇uα }2H ¤ J pũq α}∇ũ}2H
J puα q ¤ J pũq α}∇ũ}2H
J pũq  α}∇ũ}2H ;
par conséquent la famille puα qα¤αo est bornée dans V . On peut donc en extraire une
sous-suite qui converge (faiblement) dans V vers u . D’autre part l’équation (12)
montre que
lim Jα puα q  J pũq  inf pP q.
αÑ0
Par semi-continuité inférieure de J il vient
J pu q ¤ lim inf J puα q  lim inf Jα puα q ¤ inf pP q.
αÑ0 αÑ0

Par conséquent u est une solution de pP q.

Cherchons maintenant le moyen de calculer uα . Comme la fonctionnelle est stric-

tement convexe, une condition nécessaire et suffisante d’optimalité est
Jα1 puα q  0.
Un calcul assez standard montre que
» »
@u P V Jα1 puα q  u  puα
ud qpxqupxqdx ∇uα pxq∇upxqdx
» Ω Ω

 puα
ud
∆uα qpxqupxqdx.

Ω
Par conséquent l’équation d’Euler qui fournit la solution uα est la suivante :
uα
ud
∆uα  0, uα P Ho1 pΩq.
 QUELQUES MÉTHODES DE FILTRAGE ... 43

On peut se contenter d’approcher la solution uα en écrivant la formulation dynamique :

Bu
∆u u  ud .
Bt
Remarque 6.2. — L’approche dynamique revient ici à calculer une suite minimi-
sante par une méthode de descente de gradient : en effet, l’algorithme du gradient à
pas constant donne
ut δt
ut
δt

Jα1 put q;
Par passage à la limite quand δt Ñ 0, on obtient
Bu 
J 1 puq  ∆u
u u .
Bt α d

Le terme de régularisation classique Lpuq : }∇u}22 ( régularisation de Tycho-

nov) n’est pas adapté au problème de restauration dimages : l’image restaurée u est
alors beaucoup trop lissée car le Laplacien est un opérateur de diffusion isotrope.
En particulier, les bords sont érodés. Une approche beaucoup plus efficace consiste
³
à considérer la variation totale, c’est à dire à prendre Lpuq  |Du|. Nous allons
préciser la définition dans la section suivante.
Cela conduit à une minimisation de fonctionnelle dans un espace de Banach parti-
culier, mais bien adapté au problème : l’espace des fonctions à variation bornée.

6.2. Le modèle continu de Rudin-Osher-Fatemi. —

6.2.1. L’espace des fonctions à variation bornée. — Dans tout ce qui suit Ω un ouvert
borné de R2 de frontière Lipschitz et Cc1 pΩ, R2 q est l’espace des fonctions C 1 à support
compact dans Ω à valeurs dans R2 .

Définition 6.3. — Une fonction f de L1 pΩq (à valeurs dans R) est à variation
bornée dans Ω si J pf q   8 où
"» *
(13) J pf q  sup f pxq div ϕpxq dx | ϕ P Cc1 pΩ, R2 q , }ϕ}8 ¤1 .
Ω
On note
BV pΩq  tf P L1 pΩq | J pf q   8 u
l’espace de telles fonctions.

On rappelle que si ϕ  pϕ1 , ϕ2 q P Cc1 pΩ, R2 q alors

div ϕpxq 
Bϕ1 pxq Bϕ2 pxq .
B x1 B x2
Définition 6.4 (Périmètre). — Un ensemble E mesurable (pour la mesure de
Lebesgue) dans R2 est de périmètre (ou de longueur) fini si sa fonction indicatrice
χE est dans BV pΩq.
44 MAÏTINE BERGOUNIOUX

On rappelle qu’une mesure de Radon est une mesure finie sur tout compact et
que grâce au théorème de Riesz, toute forme L linéaire continue sur Cco pΩq (fonctions
continues à support compact) est de la forme
»
Lpf q  f pxq dµ ,
Ω

où µ est une (unique) mesure de Radon associée à L. Nous pouvons donc donner une
propriété structurelle des fonctions BV.

Théorème 6.5. — Soit f P BV pΩq. Alors il existe une mesure de Radon positive µ
sur Ω et une fonction µ-mesurable σ : Ω Ñ R telle que
(i) |σ
» pxq|  1, µ p.p. , et »
(ii) f pxq div ϕpxq dx 
ϕpxq σ pxq dµ pour toute fonction ϕ P Cc1 pΩ, R2 q
Ω Ω

La relation (ii) est une formule d’intégration par parties ! faible ". Ce théorème
indique que la dérivée faible (au sens des distributions ) d’une fonction BV est une
mesure de Radon. J puq : µpΩq ¥ 0 est la variation totale de f . L’application
BV pΩq
Ñ R
ÞÑ }u}BV pΩq  }u}L J puq .
u 1

est une norme. L’espace BV pΩq muni de cette norme est un espace de Banach.
Donnons sans démonstration quelques propriétés importantes de BV pΩq. Pour plus
de détail, on pourra se reporter à [10].

Théorème 6.6 (Semi-continuité inférieure de la variation totale)

L’application u ÞÑ J puq de BV pΩq dans R est semi-continue inférieurement (sci)
pour la topologie séquentielle de L1 pΩq.
Plus précisément, si puk q est une suite de fonctions de BV pΩq qui converge vers u
fortement dans L1 pΩq alors
J puq ¤ lim inf J puk q .
k Ñ 8
Théorème 6.7 (Approximation régulière). — Pour toute fonction u P BV pΩq,
il existe une suite de fonctions puk qkPN de BV pΩq X C 8 pΩq telle que
(i) uk Ñ u dans L1 pΩq et
(ii) J puk q Ñ J puq (dans R).

Terminons par un résultat important de compacité :

Théorème 6.8 (Compacité, [10] p.176.). — L’espace BV pΩq s’injecte dans

L1 pΩq de manière compacte. Plus précisément : si pun qnPN une suite bornée de
BV pΩq
sup }un }BV pΩq   8 ,
P
n N
 QUELQUES MÉTHODES DE FILTRAGE ... 45

alors, il existe une sous-suite punk qkPN et une fonction u P BV pΩq telle que unk
converge fortement vers u dans L1 pΩq.
Plus généralement on a des injections de type Sobolev :
Théorème 6.9 (Injection dans les espaces Lp ). — On suppose que Ω est
régulier de RN . Alors l’espace BV pΩq s’injecte dans Lp pΩq de manière
– continue pour 1 ¤ p ¤
N
N
1
– compacte pour 1 ¤ p  
N
N
1
En particulier pour N  2 l’espace BV pΩq est contenu dans L2 pΩq avec injection
continue.
6.2.2. Présentation du modèle de Rudin-Osher et Fatemi (ROF). — Il faut trouver
une alternative à la régularisation de Tychonov qui est trop violente. La première
idée consiste à remplacer le terme de régularisation }∇u}2H (qui est en réalité une
pénalisation par une norme V ), par une norme moins contraignante et régularisante.
Rudin-Osher et Fatemi [15] ont proposé un modèle où l’image est décomposée en deux
parties : ud  u v où v est le bruit et u la partie ! régulière ". On va donc a priori
chercher la solution du problème sous la forme u v avec u P BV pΩq et v P L2 pΩq.
Cela conduit à :
pPROF q mint J puq 2ε1 }v}22 | u P BV pΩq, v P L2 pΩq, u v  ud u.
Ici le terme de régularisation Lpuq est J puq la variation totale de u et ε ¡ 0 (ici
α  2ε, si on se réfère aux notations du début de la section).
Théorème 6.10. — Le problème pPROF q admet une solution unique.
Démonstration. — Soit pun , vn q P BV pΩq  L2 pΩq une suite minimisante. Comme vn
est bornée dans L2 pRq on peut en extraire une sous-suite (notée de la même façon)
faiblement convergente vers v  dans L2 pRq. Comme la norme de L2 pRq est convexe,
sci, il vient
}v }22 ¤ lim inf }vn }22 .
n Ñ 8
De la même façon un  ud
vn est bornée dans L2 pRq et donc dans L1 pΩq puisque Ω
est borné. Comme J pun q est borné, il s’ensuit que un est bornée dans BV pΩq. Grâce
à la compacité de l’injection de BV pΩq dans L1 pΩq (voir [2, 13]), cela entraı̂ne que
un converge (à une sous-suite près) fortement dans L1 pΩq vers u P BV pΩq.
D’autre part J est semi-continue inférieurement (sci), donc
J pu q ¤ lim inf J pun q,
n Ñ 8
et finalement
J pu q
1  2
2ε
}v }2 ¤ lim
nÑ 8
inf J pun q
1
2ε
}vn }22  inf pPROF q.
46 MAÏTINE BERGOUNIOUX

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

solution du problème pPROF q.
La fonctionnelle est strictement convexe par rapport au couple pu, v q et la contrainte
est affine. On a donc unicité.

Nous aurons besoin d’établir des conditions d’optimalité pour la ou les solutions
optimales des modèles proposés. Toutefois les fonctionnelles considérées (en particulier
J) ne sont en général pas Gâteaux-différentiables et nous devons utiliser des notions
d’analyse non lisse (voir annexe).
6.2.3. Condition d’optimalité du premier ordre. — Le problème pPROF q peut s’écrire
de la manière (équivalente) suivante

F puq : J puq }u
ud }22 .

1
(14) min
P
u BV Ωp q 2ε
La fonctionnelle F est convexe et ū est solution de pPROF q si et seulement si
0 P B F pūq. La relation : 0 P B F pūq ðñ ū P B F  p0q, est vraie même si l’espace n’est
pas réflexif (voir annexe et [2] Théorème 9.5.1 p 333). Ici F  désigne la conjuguée
de Fenchel de F (la définition et les propriétés de cette conjuguée sont données en
annexe, section A.2.6).
On peut utiliser le théorème A.25 pour calculer B F puq. L’application u ÞÑ }u
ud }22
est continue sur L2 pΩq et J est finie sur BV pΩq à valeurs dans R Yt 8u. D’autre part
u ÞÑ }u
ud }22 est Gâteaux-différentiable sur L2 pΩq. Comme nous allons utiliser la
dualité (convexe) nous devons dans un premier temps calculer la conjuguée de Fenchel
de J.

Théorème 6.11. — La transformée de Fenchel J  de la fonctionnelle J ! variation

totale " est l’indicatrice de l’adhérence K̄ de l’ensemble K, où
(
K : ξ  div ϕ | ϕ P Cc1 pΩ, R2 q, }ϕ}8 ¤ 1 .

Démonstration. — Comme J est positivement homogène la conjuguée J  de J est

l’indicatrice d’un ensemble convexe fermé K̃ (proposition A.34).
Montrons d’abord que K € K̃ : soit u P K. Par définition de J
J puq  sup xξ, uy ,
P
ξ K

où x, y désigne le produit de dualité entre BV pΩq et son dual. Par conséquent xξ, uy

J puq ¤ 0 pour tous ξ P K et u P BV pΩq. On déduit donc que pour tout u P K
J  pu q  sup xu , uy
J puq ¤ 0.
uPK

Comme J ne prend qu’une seule valeur finie on a J  pu q  0, et donc u P K̃. Par

conséquent K € K̃ et comme K̃ est fermé :
K̄ € K̃.
 QUELQUES MÉTHODES DE FILTRAGE ... 47

En particulier
J puq  sup xu, ξ y ¤ sup xu, ξ y ¤ sup xu, ξ y  sup xu, ξ y
J  pξ q  J  puq.
P
ξ K P
ξ K̄ P
ξ K̃ P
ξ K̃

Comme J   J, il vient
sup xu, ξ y ¤ sup xu, ξ y ¤ sup xu, ξ y ,
P
ξ K P
ξ K̃ P
ξ K

et donc
(15) sup xu, ξ y  sup xu, ξ y  sup xu, ξ y .
P
ξ K P
ξ K̄ ξ PK̃


Supposons maintenant qu’il existe u P K̃ tel que u R K̄. On peut alors séparer
strictement u et le convexe fermé K̄. Il existe α P R et uo tels que
xuo , u y ¡ α ¥ sup xuo , vy .
v PK̄

D’après (15) il vient

sup xuo , ξ y ¥ xuo , u y ¡ α ¥ sup xuo , v y  sup xuo , v y .
P
ξ K̃ v K̄P P
v K̃

On a donc une contradiction : K̃  K̄.

D’après la définition du sous-différentiel (voir Annexe, Définition A.22, p.57), u est
une solution de pPROF q si et seulement si


0 P B J puq
1
2ε
}u
ud }22  u
ε ud BJ puq.
Comme J est convexe, sci, propre on peut appliquer le corollaire A.41. Donc
ud
u
ε
P BJ puq ðñ u P BJ  p ud ε
u q ðñ 0 P
u BJ  p ud ε
u q.
Nous aimerions alors appliquer (par exemple) la proposition A.28 mais elle fait inter-
venir la notion de projection qui n’est définie que dans le cadre hilbertien. Or J  est
la conjuguée de J pour la dualité   BV, BV 1 ¡. Nous allons donc conclure et calcu-
ler B J  puq une fois le problème discrétisé : le cadre fonctionnel est alors hilbertien,
puisque que l’espace de travail est de dimension finie.

6.3. Modèle discret. — On va maintenant considérer des images discrètes (ce

qui est le cas en pratique). Une image discrète est une matrice N  M que nous
identifierons à une vecteur de taille N M (par exemple en la rangeant ligne par ligne).
On note X l’espace euclidien RN M et Y  X  X. On munit X du produit scalaire
usuel ¸ ¸
pu, vqX  uij vij ,
¤¤ ¤¤
1 i N1 j M

et de la norme associée : }  }X .
48 MAÏTINE BERGOUNIOUX

Nous allons donner une formulation discrète de ce qui a été fait auparavant et en
particulier définir une variation totale discrète que nous noterons de la même façon.
Pour cela nous introduisons une version discrète de l’opérateur gradient. Si u P X, le
gradient ∇u est un vecteur de Y donné par
p∇uqi,j  pp∇uq1i,j , p∇uq2i,j q,
avec
"
p∇uq1i,j  ui 1,j
ui,j si i   N
si i  N
(16)
0
"
p∇uq 2 ui,j 1
ui,j si j  M
(17) i,j
0 si j M
La variation totale discrète est alors donnée par la norme `1 du gradient discret :
¸ ¸
(18) J puq  |p∇uqi,j |,
¤¤
1 i N1 j M ¤¤
b
où |p∇uqi,j |  |p∇uq1i,j |2 |p∇uq2i,j |2 . On introduit également une version discrète
de l’opérateur de divergence défini par analogie avec le cadre continu en posant
div 
∇ ,
où ∇ est l’opérateur adjoint de ∇, c’est-à-dire
@p P Y, @u P X p
div p, uqX  pp, ∇uqY  pp1 , ∇1 uqX pp2 , ∇2 uqX .
On peut alors vérifier que la divergence discrète est donnée par la relation (6) p. 30.
On utilisera aussi une version discrète du laplacien définie par
∆u  div ∇u.
On va remplacer le problème pPROF q (dans la version (14)) par le problème obtenu
après discrétisation suivant

min J puq }u
ud }2X .

1
(19)
uPX 2ε
Il est facile de voir que ce b
problème a une solution unique que nous allons caractériser.
On rappelle que |gi,j |  pgi,j 1 q2 pgi,j
2 q2 et que la version discrète de la variation

totale est donnée (de manière analogue au cas continu) par

J puq  sup xu, ξ y .
ξ K P
où
(20) K : tξ  div pgq | g P Y, |gi,j | ¤ 1, @pi, j q P t1,    , N u  t1,    , M u u,
(
est la version ! discrète " de K : ξ  div ϕ | ϕ P Cc1 pΩ, R2 q, }ϕ}8 ¤ 1 . Nous pou-
vons, comme dans le cas de la dimension infinie donner la caractérisation de la
conjuguée de Fenchel de J (la démonstration est analogue).
 QUELQUES MÉTHODES DE FILTRAGE ... 49

Théorème 6.12. — La transformée de Fenchel J  de la fonctionnelle J ! variation

totale " approchée définie sur X, est l’indicatrice de l’ensemble K̄, où K est donné
par (20).

Le résultat suivant donne la caractérisation attendue de la solution [7] :

Théorème 6.13. — La solution de (19 ) est donnée par

(21) u  ud
PεK pud q,

où PK est le projecteur orthogonal sur K.

Démonstration. — Nous avons vu que u est solution de (19) si et seulement si



ud
u
u P J .
ε

Comme J  est l’indicatrice de K, en utilisant la proposition A.28 on en déduit que

pour tout c ¡ 0
 

ud
u ud
u
uc
PK
u u
.
ε c ε c

ud
Le choix de c  ε conduit au résultat car εPK  PεK pud q .
ε

Tout revient maintenant à calculer

PεK pud q  argmin t }ε div ppq
ud }2X | |pi,j ¤ 1, i, j  1,    , N u.

On peut le résoudre par une méthode de point fixe : po  0.
pni,j ρ p∇rdiv pn
ud {εsqi,j
(22) pni,j 1  

.

1 ρ p∇rdiv pn
ud {εsqi,j 

Théorème 6.14 (Algorithme de projection de Chambolle [7])

Si le paramètre ρ dans (22) vérifie ρ ¤ 1{8, alors ε div pn Ñ PεK pud q.

La solution du problème est donc donnée par

u  ud
ε div p8 où p8  nÑlim8 pn .

En pratique le paramètre ε permet de ! régler " le niveau de régularisation. Plus ε
est grand, plus la variation totale de la solution, c’est-à-dire la longueur des contours
de l’image est petite. Le bruit est éliminé au prix d’un lissage de l’image.
50 MAÏTINE BERGOUNIOUX

(a) Original (b) Image bruitée σ  50

(c) ε 5 (d) ε  10

(e) ε  50 (f) ε  100

Figure 38. Filtrage ROF : sensibilité au paramètre ε (50 itérations)

 QUELQUES MÉTHODES DE FILTRAGE ... 51

6.4. Déconvolution. — Nous évoquons très succinctement dans cette section une
généralisation possible de la méthode précédente dans la cas où l’image est à la fois
floutée et bruitée. L’image observée est donc de la forme : Rpf q b avec Rpf q 
h  f . Nous avons déjà traité dans la section 4 la question de la déconvolution. Nous
généralisons donc ici le principe du filtre de Wiener.
Le problème pPROF q se généralise donc de la manière suivante

min F puq : J puq }Ru
ud }22 .

1
(23)
uPBV pΩq 2ε
où R est un opérateur de convolution à noyau symétrique et positif. La fonctionnelle
F est convexe et ū est solution de pPROF q si et seulement si 0 P B F pūq. Nous avons
un résultat analogue à celui de la section précédente. Nous nous plaçons dans le cas
discret :

Théorème 6.15. — La solution uε de (23) est caractérisée par l’existence de µε

vérifiant

(24) µε  R pudε
Ruq ,
(25) uε  uε µε
PK puε µε q,
où PK est le projecteur orthogonal sur K donné par (20)et R est l’opérateur adjoint
de R.

Démonstration. — Une condition nécessaire et suffisante pour que uε soit une solution
de (23 ) est


0 P B J puε q
1
2ε
}Ruε
ud }2X  R pRuεε
ud q BJ puε q.
Ceci est équivalent à
uε P BJ  pµε q,
où on posé

µε  R pud ε
Ruε q .
Comme J   1K , la proposition A.28 indique que
uε P B 1K pµε q ðñ µε  PK puε µε q,
d’où le résultat.

On peut maintenant résoudre le système (24-25) par exemple par une méthode de
point fixe, qui conduit à l’algorithme :
Algorithme
(1) Initialisation : uo  ud , n  0.
(2) Etape n : un est connu
52 MAÏTINE BERGOUNIOUX


– Calcul de µn  R pud ε
Run q
– Calcul de un 1  un µn PK pun µn q

Il est clair que si la suite un converge vers uε alors µn converge vers µε et puε , µε q
vérifie le système (24-25). C’est donc une solution du problème (discret).

7. Conclusion
Nous avons abordé très rapidement les méthodes génériques de base pour effectuer
le filtrage des images. Nous nous sommes volontairement limités au cas d’un bruit
additif. Il existe des méthodes de plus en plus sophistiquées pour traiter des bruits
de nature très différente. Enfin, nous n’avons pas parlé des méthodes par ondelettes
faute d’espace et de compétence qui constituent des outils puissants de débruitage.
Le lecteur intéressé pourra se référer à [12]

Appendice A
Quelques outils mathématiques
A.1. Optimisation dans les espaces de Banach. — Sauf mention du contraire,
on considère dans toute la section un espace de Banach réflexif V de dual (topologique)
V 1 . On note } }V la norme de V et x, y le crochet de dualité entre V et V 1 .
A.1.1. Semi-continuité et convexité de fonctionnelles sur V . —

Définition A.1. — Une fonction J de V dans R Y t 8u est semi-continue

inférieurement (sci) sur V si elle satisfait aux conditions équivalentes :
– @a P R, t u P V | J puq ¤ a u est fermé
– @ū P V, lim inf J puq ¥ J pūq.
u Ñū
Théorème 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 résultat s’utilise sous la forme du corollaire suivant :

Corollaire A.3. — Soit J une fonctionnelle convexe de V dans R Y t 8u sci (par

exemple continue) pour la topologie forte. Si vn est une suite de V faiblement
convergente vers v alors
J pv q ¤ lim inf J pvn q.
n Ñ 8
 QUELQUES MÉTHODES DE FILTRAGE ... 53

A.1.2. Gâteaux-différentiabilité des fonctionnelles convexes. —

Définition A.4. — Soit J une fonctionnelle de V dans R Y t 8u. On dit que J est
Gâteaux-différentiable en u P dom pJ q si la dérivée directionnelle
J pu
tv q
J puq
J 1 pu; v q  lim ,
tÑ0 t
existe dans toute direction v de V et si l’application
v ÞÑ J 1 pu; vq
est linéaire continue.

De manière générale on notera ∇J puq la Gâteaux-différentielle de J en u. C’est un

élément du dual V 1 .
Si V est un espace de Hilbert, avec le théorème de représentation de Riesz (voir
[6] par exemple) on identifie V et son dual ; on note alors
J 1 pu; v q  p∇J puq, v q ,
où p, q désigne le produit scalaire de V . L’élément ∇J puq de V est le gradient de J
en u.
Il est clair que si J est différentiable au sens classique en u (on dit alors Fréchet
- différentiable), alors J est Gâteaux-différentiable en u, et la dérivée classique et la
dérivée au sens de Gâteaux coı̈ncident.
La réciproque est fausse comme le montre le contre-exemple suivant : soit f de
2
R dans R définie par :
"
y si x  y 2 ,
f px, y q 
0 sinon
La fonction f est continue en (0,0) et Gâteaux-différentiable en (0,0) mais pas Fréchet
- différentiable en (0,0).

Théorème A.5. — Soit J : C € V Ñ R, Gâteaux différentiable sur C, avec C

convexe. J est convexe si et seulement si
(26) @pu, vq P C  C J pv q ¥ J puq h∇J puq, v
ui

Théorème A.6. — Soit J : C € V Ñ R, Gâteaux différentiable sur C, avec C

convexe. J est convexe si et seulement si ∇J est un opérateur monotone, c’est-
à-dire
(27) @pu, vq P C  C h∇J puq
∇J pv q, u
vi ¥ 0.

Remarque A.7. — Supposons que ∇ soit un opérateur strictement monotone :

(28) @pu, vq P C  C, u  v, h∇J puq
∇J pv q, u
vi ¡ 0.
alors J est strictement convexe.
 54 MAÏTINE BERGOUNIOUX

De manière analogue, on définit la (Gâteaux) dérivée seconde de J en u, comme

étant la dérivée de la fonction (vectorielle) u Ñ ∇J puq. On la note D2 J puq et on
l’appellera Hessien par analogie avec le Hessien au sens de Fréchet ; ce Hessien est
identifiable à une matrice carrée n  n lorsque V  Rn .
A.1.3. Minimisation dans un Banach réflexif. — Commençons par un résultat général
de minimisation d’une fonctionnelle semi-continue sur un ensemble fermé de V .

Définition A.8. — On dit que J : V Ñ R est coercive si

lim J pxq  8.
}x }V Ñ 8
Théorème A.9. — On suppose que V est un Banach réflexif. Soit J une fonction-
nelle de V dans R Yt 8u, semi-continue inférieurement (sci) pour la topologie faible
de V . Soit K un sous-ensemble non vide et faiblement fermé de V . On suppose que J
est propre (c’est-à-dire qu’il existe un élément vo de K tel que J pvo q   8). Alors
le problème de minimisation suivant :
"
(29) pP q Trouver u tel que
J puq  inf t J pv q | v P K u,
admet au moins une solution dans l’un des cas suivants :
– soit J est coercive i.e. lim J pv q  8,
}v }V Ñ 8
– soit K est borné.

Démonstration. — On pose d  inf t J pv q | v P K u ; d   8, sinon J serait

identiquement égale à 8 sur K.
Soit une suite minimisante, c’est-à-dire une suite un de K telle que J pun q Ñ d.
Montrons que cette suite est bornée dans V . Si K est borné, c’est clair. Sinon, on
suppose que J est coercive. Si un n’est pas bornée, on peut en extraire une sous-suite
encore notée un telle que lim }un }V  8. La coercivité de J implique alors que
n Ñ 8
J pun q converge vers 8 ce qui est en contradiction avec le fait que d   8.
V est un Banach réflexif, donc sa boule unité est faiblement compacte ; on peut
donc extraire de la suite un une sous-suite encore notée un qui converge faiblement
vers u dans V . On va montrer que u est solution de (29).
Comme K est un ensemble faiblement fermé, la limite faible u de la suite un de K
est bien un élément de K.
D’autre part, on sait que J est sci pour la topologie faible ; on a donc
un á u dans V ñ J puq ¤ lim
nÑ 8
inf J pun q,

ce qui donne
J puq ¤ lim inf J pun q  lim J pun q  d ¤ J puq.
n Ñ 8 n Ñ 8
On a donc J puq  d et u P K : u est bien solution.
 QUELQUES MÉTHODES DE FILTRAGE ... 55

Un corollaire important concerne le cas convexe.

Corollaire A.10. — On suppose que V est un Banach réflexif. Soit J une fonction-
nelle de V dans R Y t 8u, convexe sci , propre et K un sous-ensemble convexe non
vide et fermé de V . Si J est coercive ou si K est borné, le problème de minimisation
admet une solution. Si, de plus, J est strictement convexe la solution est unique.

Rappelons enfin le théorème donnant une condition nécessaire d’optimalité du premier

ordre.

Théorème A.11. — Soient K un sous-ensemble convexe, non vide de V et J une

fonctionnelle de K vers R Gâteaux-différentiable sur K. Soit u dans V une solution
du problème pP q. Alors

(30) @v P K,   ∇J puq, v
u ¡¥ 0.
A.1.4. Exemple : Projection sur un convexe fermé. — Dans ce qui suit V est un
espace de Hilbert muni d’un produit scalaire p, q et de la norme associée }  } et C
est un sous-ensemble convexe et fermé de V .

Théorème A.12. — Etant donnés C un sous-ensemble convexe, fermé et non vide

de V et x un élément quelconque de V . Alors le problème

mint }x
y}2 , y P C u
a une solution unique x P C. De plus x P C est caractérisé par :

(31) @y P C px
x , y
x q ¤ 0.
Nous avons une seconde caractérisation de x de manière immédiate :

Corollaire A.13. — Sous les hypothèses du théorème (A.12) on peut caractériser

le projeté x P C de x par :

(32) @y P C px
y, y
xq ¤ 0.
Le point x est le projeté de x sur C. L’application PC : V Ñ C qui à x associe
son projeté x est la projection sur C. Le projeté PC pxq est donc le point de C qui
est le ! plus près " de x. On définit de manière standard la fonction distance d’un
point x à l’ensemble C par

(33) dpx, C q  inf }x
y }.

P
y C

Dans le cas où C est un convexe fermé, on vient donc de démontrer que

dpx, C q  }x
PC pxq}.
56 MAÏTINE BERGOUNIOUX

Proposition A.14. — La projection PC est continue de V dans C. Plus précisément

on a
@px, yq P V  V }PC pxq
PC pyq} ¤ }x
y},
c’est-à-dire PC est une contraction.

Remarque A.15. — 1. Si x P C alors PC pxq  x. Plus généralement si C  V alors

PC  IdV .
2. Le théorème A.12 est faux si C n’est pas convexe ou si C n’est pas fermé.
3. La projection PC n’est pas différentiable en général, mais l’application x ÞÑ }x

PC pxq}2 l’est.

Exemple A.16 (Projection sur un sous-espace vectoriel)

Dans le cas où C est un sous-espace vectoriel fermé de V , c’est bien sûr un convexe
fermé non vide. L’opérateur de projection est dans ce cas linéaire (c’est faux dans
le cas général). Le projeté x d’un élément x, sur C, est caractérisé par

@y P C px
x , yq  0.
Cela signifie que x
x P C K (l’orthogonal de C). On retrouve ainsi la classique
projection orthogonale sur un sous-espace vectoriel fermé.

A.2. Analyse convexe et analyse non lisse. —

A.2.1. Théorème de Hahn -Banach. — Dans ce qui suit X est un espace de Banach
réel de dual X 1 (pas nécessairement réflexif).
Le théorème de Hahn-Banach, sous sa forme géométrique, permet de séparer des
ensembles convexes. Il est très important en analyse convexe et sert en particulier à
exhiber des multiplicateurs en optimisation. Nous rappelons ici la forme géométrique
de ce théorème qui est la seule utile dans notre cas, ainsi que des corollaires importants.
Pour les démonstrations et plus de précisions nous renvoyons à [6].

Définition A.17 (Hyperplan affine). — Un hyperplan affine fermé est un en-

semble de la forme
H  t x P X | αpxq β  0 u,
où α P X 1 est une forme linéaire continue non nulle sur X et β P R.
Dans le cas où X est un espace de Hilbert V (en particulier si V  Rn ), on peut
identifier V à son dual et tout hyperplan affine fermé est de la forme

H  t x P V | pα, xq β  0 u,
où on r appelle que p, q désigne le produit scalaire de V , α P V, α  0 et β P R.
 QUELQUES MÉTHODES DE FILTRAGE ... 57

Définition A.18 (Séparation). — Soient A et B deux sous-ensembles non vides

de X . On dit que l’hyperplan affine H d’équation : αpxq β  0, sépare A et B au
sens large si
@x P A α p xq β ¤0 et @y P B α py q β ¥ 0.
On dit que H sépare A et B strictement s’il existe ε ¡ 0 tel que
@x P A α p xq β ¤
ε et @y P B αpy q β ¥ ε.
Donnons à présent la première forme géométrique du théorème de Hahn-Banach :

Théorème 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 fermé
qui sépare A et B au sens large.

Corollaire A.20. — Soit C un convexe non vide de Rn et fermé et x P C. Alors :

x P Int pC q si et seulement si il n’existe aucune forme linéaire séparant x et C.

Citons ausi la deuxième forme géométrique du théorème de Hahn-Banach :

Théorème A.21. — Soient A et B deux sous-ensembles de X convexes, non vides

et disjoints. On suppose que A est fermé et que B est compact. Alors, il existe un
hyperplan affine fermé qui sépare A et B strictement.

A.2.2. Sous-différentiel. —

Définition A.22. — Soit f : X Ñ R Y t 8u et u P dom f (i.e. f puq   8). Le

sous-différentiel de f en u est l’ensemble B f puq (éventuellement vide ) des u P X 1
tels que
@v P X f pvq ¥ f puq hu , v
ui .
Les éléments u sont appelés sous-gradients.

Remarque A.23. — 1. f : X Ñ R Y t 8u atteint son minimum en u P dom f si et

seulement si
0 P B f puq.
2. Si f, g : X Ñ R Y t 8u et u P dom f X dom g, on a
Bf puq Bgpuq € Bpf gqpuq.
3. Comme
£
Bf puq  tu P X 1 | hu , v
ui ¤ f pv q
f puq u,
P
v X
Bf puq est un sous-ensemble convexe, fermé pour la topologie faible *, comme inter-
section de convexes fermés.
4. Pour tout λ ¡ 0 on a Bpλf qpuq  λB f puq.
58 MAÏTINE BERGOUNIOUX

A.2.3. Lien avec la Gâteaux-différentiabilité. —

Théorème A.24. — Soit f : X Ñ R Y t 8u convexe. Si f est Gâteaux-

différentiable en u P dom f , elle est sous-différentiable et B f puq  tf 1 puqu.
Réciproquement, si f est finie, continue en u et ne posssède qu’un seul sous-gradient,
alors f est Gâteaux-différentiable en u et B f puq  tf 1 puqu.

A.2.4. Sous-différentiel d’une somme de fonctions. —

Théorème A.25. — Soient f et g convexes, sci à valeurs dans R Y t 8u. On sup-

pose qu’il existe uo Pdom f X dom g tel que f soit continue en uo . Alors
@u P X Bpf g qpuq  B f puq Bgpuq.
Démonstration. — La démonstration est laissée en exercice. Elle se fait suivant le
schéma suivant : si u P Bpf g qpuq, on définit
C1  tpv, aq | f pvq
  v
u, u ¡
f puq ¤ a u,
et
C2  tpv, aq | a ¤ gpuq
gpvq u.
Ce sont deux convexes. On sépare alors int C1 et C2 grâce au théorème de Hahn-
Banach.

Le résultat suivant s’en déduit mais on peut le montrer directement sans hypothèse
de convexité sur les deux fonctions :

Théorème A.26. — Supposons que f est Gâteaux-différentiable, ϕ est convexe et

que le problème suivant
min f puq ϕpuq,
u XP
a (au moins) une solution ū. Alors

f 1 puq P Bϕpūq.

Nous admettrons enfin le résultat suivant :

Théorème A.27. — Soit Λ linéaire continue de V dans Y (espaces de Banach). Soit

f convexe, sci de V dans R Y t 8u continue en au moins un point de son domaine
(supposé non vide). Alors
@u P V Bpf  Λqpuq  Λ Bf pΛuq,
où Λ est l’opérateur adjoint de Λ.

Pour plus de détails sur ces notions on peut consulter [3, 9]. Nous terminons par
un exemple important.
 QUELQUES MÉTHODES DE FILTRAGE ... 59

A.2.5. Application à l’indicatrice d’un ensemble. — Dans le cas où f est la fonction
indicatrice d’un sous-ensemble non vide K de X :
"
si u P K,
f puq  1K puq 
def 0
8 sinon
le sous-différentiel de f en u est le cône normal de K en u :
B1K puq  NK puq  t u P X 1 | hu , v
ui ¤ 0 pour tout v P K u.
Dans le cas où X est un espace de Hilbert identifié à son dual, et K un sous-ensemble
fermé, convexe non vide de X , nous allons préciser le sous-différentiel de 1K en u
(c’est-à-dire le cône normal à K en u ) :

Proposition A.28. — Soit u P K, où K est un sous-ensemble fermé, convexe non

vide de X espace de Hilbert. Alors

λ P B 1K puq ðñ λ  cru
PK pu qs
λ λ
c c
pour tout c réel strictement positif, où PK est la projection de X sur le convexe K.

Démonstration. — Remarquons tout d’abord que B 1K puq est un sous-ensemble de

X . On rappelle également que si PK est la projection de X sur le convexe fermé K,
l’image PK pwq d’un élément quelconque w de X est caractérisée par
@v P K pw
PK pwq, v
PK pwqqX ¤ 0,
où p, qX désigne le produit scalaire de X . Soit λ P B 1K puq : λ est caractérisé par
@v P K pλ, v
uqX ¤ 0
c’est-à-dire, pour tout c ¡ 0


@v P K u
λ
c

u, v
u ¤ 0.
X

D’après ce qui précède (en posant w u λ

c
)

λ P B 1K puq ðñ u  PK pu q ðñ λ  cru
PK pu qs.

λ λ λ
c c c

A.2.6. Calcul ! pratique " : transformation de Legendre-Fenchel. —

Définition A.29. — Soit f : X Ñ R Y t 8u une fonction. La transformée de

Legendre-Fenchel ou conjuguée de f est la fonction f  : X 1 Ñ R̄ définie par
(34) @` P X 1 f  p`q  sup t `puq
f puq u.
P
u X
60 MAÏTINE BERGOUNIOUX

Remarque A.30. — (a) Si f ! prend " la valeur
8, alors f   8. Si f est propre
(c’est-à-dire non indentiquement égale à 8) alors f  est à valeurs dans R Y t 8u.
(a) On notera désormais `puq   `, u ¡, où   ,  ¡ désigne le produit de dualité
entre X et X 1 . Ce produit de dualité coı̈ncide avec le produit scalaire dans le cas où
X est un espace de Hilbert, après identification de X et de son dual.
L’équation (34) s’écrit alors
@u P X 1 f  pu q  sup t xu , uy
f puq u.
P
u X

Définition A.31. — Soit A € X un ensemble (non vide). La fonction d’appui

de l’ensemble A est la fonction σA : X 1 Ñ R Y t 8u définie par σA  p1A q où 1A
désigne l’indicatrice de A
"
si x P A,
1A pxq 
0
8 sinon.
Exemple A.32. — Soit A un ensemble et f pxq  dpx, Aq. Alors f   σA 1B  où
B est la boule unité de X 1 .
Si f : u ÞÑ }u}X (où }  }X désigne la norme de X , alors f   1B 

Proposition A.33. — Pour toute fonction f : X Ñ R Y t 8u, la fonction f  est

convexe et sci pour la topologie faible *.

Démonstration. — Par définition

f  sup ϕu ,
P
u domf

où dom f est le domaine de f ( i.e. l’ensemble des éléments u PX tels que f puq est
finie) et ϕu : X 1 Ñ R est définie par
ϕu pu q   u , u ¡
f puq.
Chacune des fonctions ϕu est affine et continue, donc convexe et sci pour la topologie
faible de X 1 . Il en est de même pour le sup.

Plus généralement

Proposition A.34. — Soit f une fonction positivement homogène (propre) de X

dans R Y t 8u, c’est-à-dire vérifiant
@λ P R, @x P X f pλxq  |λ|f pxq .
Alors sa conjuguée f  est l’indicatrice d’un sous-ensemble K convexe et fermé de X 1 .

Démonstration. — Soit f une fonction positivement homogène (propre) de X dans

R Y t 8u. Soit u P X 1 . Deux cas se présentent :
Duo P X tel que xu , uo y
f puo q ¡ 0. Alors par homogénéité, pour tout λ ¡ 0
xu , λuo y
f pλuo q  λrxu , uo y
f puo qs ¤ f  pu q.
 QUELQUES MÉTHODES DE FILTRAGE ... 61

Donc, en passant à la limite pour λ Ñ 8 on obtient f  pu q  8.

Dans le cas contraire
@u P X xu , uy
f puq ¤ 0,
et donc f  pu q ¤ 0. Or par définition de f  ,
xu , 0y
f p0q ¤ f  pu q ;
comme f est positivement homogène f p0q  f pn  0q  nf p0q pour tout n P N et donc
f p0q  0. On a donc finalement : f  pu q  0.
Posons K  tu P X  | f  pu q  0 u. On vient de montrer que f   1K . Comme f 
est convexe et sci, K est fermé, convexe.
Nous allons maintenant donner un résultat reliant f g et f  g  qui est le
fondement de la théorie de la dualité en analyse convexe :
Théorème A.35. — Soient f, g : X Ñ R Y t 8u des fonctions convexes telles qu’il
existe uo P dom g avec f continue en uo . Alors
inf pf puq
P
u X
g puqq  max
u PX 1
p
f  pu q
g p
u qq .
Remarque A.36. — Notons que dans le théorème le ! sup " dans le terme de droite
est toujours atteint (c’est un ! max " ) ce qui n’est pas le cas dans le terme de gauche.
où l’inf n’est pas nécessairement atteint.
Corollaire A.37. — Soit f : X Ñ R Y t 8u une fonction convexe continue en
u P X . Alors
f puq  max
u PX 1
p  u , u ¡
f  pu qq .
Démonstration. — Posons g  1tuu . On a g  pu q   u , u ¡ pour tout u P X 1 . Les
fonctions f et g sont convexes et f est continue en u Pdom g. On a donc d’après le
théorème précédent :
f puq  inf pf
P
u X
g qpuq  max
u PX 1
p
f  pu q
g p
u qq  umax   
 PX 1 p  u , u ¡
f pu qq .

On peut généraliser ce résultat à des fonctions convexes sci.

Théorème A.38. — Soit f : X Ñ R Y t 8u une fonction convexe semi-continue
inférieurement. Alors, pour tout u P X
f puq  max
u PX 1
p  u , u ¡
f  pu qq .
Démonstration. — Voir [3] p. 89. C’est une démonstration similaire à celle du
théorème (A.35).
Terminons par un résultat de bi-dualité qui est un corollaire du théorème précédent
dans le cas où X est réflexif. Ce résultat est encore vrai si même si X n’est pas réflexif.
62 MAÏTINE BERGOUNIOUX

Théorème A.39. — Soit f une fonction propre, convexe et sci de X dans R Yt 8u.
Alors f   f .

A.2.7. Lien avec le sous-différentiel. —

Théorème A.40. — Soit f : X Ñ R Y t 8u et f  sa conjuguée. Alors

u P B f puq ðñ f puq f  pu q  hu , ui .

Démonstration. — Soit u P B f puq :

@v P X f pvq ¥ f puq hu , v
ui .
Donc
f  pu q ¥ hu , ui
f puq ¥ supthu , vi
f pv q | v P X u  f  pu q.
On obtient : f puq f  pu q  hu , ui.
Réciproquement, si f puq f  pu q  hu , ui on a pour tout v PX
hu , ui
f puq  f  pu q ¥ hu , vi
f pv q,
hu , v
ui ¤ f pv q
f puq,
c’est-à-dire u P B f puq.

Corollaire A.41. — Si f : X Ñ R Y t 8u est convexe, propre et sci, alors

u P B f puq ðñ u P B f  pu q.

Démonstration. — Il suffit d’appliquer le théorème précédent à f  et d’utiliser le fait

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

Références
[1] Aubert G. et Kornprobst P., Mathematical Problems in Image Processing, Applied Ma-
thematical 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] Azé D., Eléments d’analyse convexe et variationnelle, Ellipses, Paris, 1997.
[4] Barbu V. et Precupanu Th., Convexity and Optimization in Banach Spaces, Sijthoff &
Noordhoff, Bucarest 1978.
[5] Bergounioux M. Méthodes mathématiques pour le traitement du signal, Collection
! Mathématiques Appliquées pour le Master/SMAI ", Dunod, Paris, 2010
[6] Brézis 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. et Lions J.L., Analyse mathématique et calcul numérique, 9 volumes, Masson,
Paris, 1987.
[9] Ekeland I. et Temam R., Analyse convexe et problèmes variationnels, Dunod, Paris, 1973.
 QUELQUES MÉTHODES DE FILTRAGE ... 63

[10] Evans L. et 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] S. Mallat, A Wavelet Tour of Signal Processing, Academic Press, 1998.
[13] Pallara D., Ambrosio L., Fusco N., Functions of bounded variations and free disconti-
nuity problems, Oxford Mathematical Monographs, 2000.
[14] Rudin W., Analyse réelle et complexe, Masson, 1978.
[15] Rudin L., Osher S. et Fatemi E., Non linear total variation based noise removal algo-
rithms, Physica D, 20, pp. 259-268, 1992

Maı̈tine Bergounioux, Université d’Orléans, Département de mathématique, BP 6759, F-

45067 Orléans Cedex 2 E-mail : [email protected]
Url : http://web.mac.com/maitine.bergounioux/iWeb/PagePro/Accueil.html