Le débruitage par morceaux (patchs) est une technique de débruitage d'image utilisant l'algorithme de réduction du bruit numérique appelé en Anglais "non-local means". Contrairement aux filtres habituels qui réalisent une moyenne des valeurs du groupe de pixels localisés autour d'un pixel cible afin de réduire le bruit, le filtre "non-local means" réalise une moyenne de la totalité des valeurs des pixels contenus dans l'image, pondérées en fonction de leur similarité avec le pixel cible. Le résultat d'un tel filtrage permet d’amoindrir la perte de détails au sein de l'image, comparé aux filtres réalisant des moyennes localement. Comparé aux autres méthodes usuelles de réduction de bruit comme le filtre de Gauss ou le filtre de Wiener, le bruit généré par l'algorithme "non-local means" est plus proche du bruit blanc. L'algorithme "non-local means" a récemment été étendu à d'autres domaines d'application du comme le désentrelacement et l'interpolation visuelle. Soit l'ensemble des points d'une image. On définit et , deux points au sein de l'image. L'algorithme est alors défini ainsi : avec la valeur filtrée de l'image au point , la valeur non filtrée de l'image au point , la fonction de pondération, l'intégrale étant évaluée . est un facteur de normalisation, défini par : L'objectif des fonctions de pondération, , est de déterminer la similarité entre l'image au point et l'image au point . Il existe plusieurs fonctions de pondération. La fonction gaussienne de pondération met en place une distribution normale avec une moyenne, et un écart type variable : où est le paramètre de filtrage (i.e., l'écart type) et est la valeur moyenne des points centrés autour du point Pour une image, , avec des points distincts (des pixels), un algorithme intégral est nécessaire. où est donné par : Ainsi, avec une fonction gaussienne de pondération, où est donné par : où et est un carré de pixels autour de et est le nombre de pixels dans la région . Le réglage des paramètres d'une méthode est un processus délicat, et souvent de larges différences avec la théorie apparaissent à cette étape.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (2)
PHYS-467: Machine learning for physicists
Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi
COM-500: Statistical signal and data processing through applications
Building up on the basic concepts of sampling, filtering and Fourier transforms, we address stochastic modeling, spectral analysis, estimation and prediction, classification, and adaptive filtering, w
Séances de cours associées (24)
Denoising d'image et tutoriel optimal de flux de puissance
Couvre le débruitage d'image et le flux de puissance optimal dans les systèmes électriques.
Traitement statistique du signal
Couvre les modèles de mélange gaussien, le denoising, la classification des données et le tri à laide de lanalyse en composantes principales.
Image Denoising: Formulation et concepts clés
Couvre le processus de débruitage de l'image et introduit des concepts clés pour la première image de trou noir.
Afficher plus
Publications associées (42)

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.