Qu’est-ce que le bruit dans le traitement d’images ? – Une introduction

Si vous avez déjà vu une image où vous remarquez des particules de poussière qui ne font pas partie de l’image réelle, vous voyez probablement du « bruit » dans l’image. Il existe de nombreuses raisons techniques pour lesquelles cela se produit. Cela obscurcit souvent l’image réelle et est la principale cause de dégradation de la qualité d’image dans la transmission d’images numériques.

C’est là que le traitement d’images offre une solution robuste. Il fournit une large gamme de techniques de réduction de bruit, telles que le filtrage spatial, le filtrage fréquentiel, le filtrage basé sur la transformation, le filtrage basé sur l’apprentissage profond, etc.

Dans cet article, nous allons explorer certaines des techniques clés qui peuvent être utilisées pour réduire le bruit dans les images, ainsi que les principaux types et causes de bruit d’image. Plongeons dans le sujet !

Types de bruit dans le traitement d’images

Une simulation de variations de bruit – Mdf, CC BY-SA 3.0, via Wikimedia Commons

Les facteurs allant des conditions environnementales au capteur de l’appareil photo peuvent introduire du bruit dans l’image. Les quatre principaux types de bruit que l’on voit généralement dans les images sont :

• Bruit additif : Causé par des variations aléatoires de luminosité ou d’information de couleur à travers l’image. Il s’agit du type de bruit le plus courant observé dans les images.
• Bruit soustractif : Causé par la soustraction aléatoire de valeurs de pixels de l’image originale, entraînant une mauvaise qualité d’image, souvent visible sous forme de taches sombres ou de régions dans l’image. Le bruit soustractif se produit généralement dans les conditions de faible luminosité.
• Bruit multiplicatif : Causé lorsque la valeur de bruit est multipliée par la valeur de pixel originale, entraînant souvent une mauvaise qualité d’image autour des parties les plus claires de l’image. Il s’agit du type de bruit le plus difficile à supprimer en raison de variations significatives de valeurs de pixels.
• Bruit d’impulsion : Causé par des changements soudains de valeur de pixel visibles sous forme de pixels aléatoires noirs et blancs qui apparaissent comme des perturbations brutales dans l’image. Il est également appelé « bruit de sel et poivre ». Il résulte de défauts d’appareil photo, d’erreurs de transmission ou de rayons cosmiques.

Causes de bruit dans le traitement d’images

Le bruit d’image peut résulter de diverses sources, notamment :

1. Conditions environnementales : Les facteurs externes tels que la mauvaise éclairage ou les interférences électroniques voisines causent couramment du bruit dans les images. Ils peuvent ajouter des variations aléatoires dans les images.
2. Bruit de capteur : Tout problème avec le capteur utilisé dans les appareils photo et les scanners peut ajouter du bruit dans les images. Par exemple, dans les conditions de faible luminosité, si vous n’utilisez pas un capteur de bonne qualité, il peut amplifier le bruit ainsi que la lumière.
3. Bruit de quantification : Il se produit lorsque les signaux analogiques sont convertis en forme numérique, en particulier dans les images à haut contraste. Par exemple, lorsque vous numérisez une photographie, vous verrez souvent du bruit apparaître dans l’image résultante. Il s’agit du bruit de quantification qui apparaît de la numérisation d’images.
4. Bruit de transmission : Il se produit lorsque les images sont transmises sur des canaux bruyants, qu’il s’agisse de réseaux (par exemple, Internet) ou de supports de stockage bruyants (comme les disques durs).
5. Bruit de traitement : Il se produit lors des opérations de traitement d’images, telles que le filtrage, la compression, etc.

Modèles de bruit dans le traitement d’images

Les modèles de bruit dans le traitement d’images servent de représentations mathématiques des différents types de bruit qui peuvent affecter les images. Ces modèles aident à comprendre l’apparition de différents types de bruit grâce à des simulations, ce qui à son tour aide à développer des stratégies pour les réduire.

Certains modèles de bruit courants incluent :

1. Bruit gaussien : L’un des types de modèles de bruit les plus courants, le « bruit gaussien » est caractérisé par une distribution de probabilité en forme de cloche. Il simule les variations aléatoires trouvées dans les images. Il peut provenir de sources telles que le bruit de capteur et le bruit de quantification et est similaire au bruit de fond que vous voyez souvent à la télévision ou sur un signal radio.
2. Bruit d’Erlang : Aussi appelé bruit gamma, il s’agit d’un autre modèle de bruit multiplicatif caractérisé par une distribution gamma. Il est généralement trouvé dans les images capturées avec des capteurs bruyants ou transmises sur des canaux bruyants.
3. Bruit uniforme : Il s’agit d’un modèle de bruit additif avec une distribution uniforme, souvent observé dans les images quantifiées ou celles corrompues par des erreurs de transmission.

Mesure du bruit

Dans l’analyse d’images, l’évaluation et la mesure du bruit constituent une tâche fondamentale. Elle consiste à quantifier le niveau de bruit dans une image. Ce processus repose sur deux techniques de mesure de bruit principales :

1. Rapport signal/bruit de pic (PSNR) : Le PSNR sert de référence pour évaluer la qualité de la reconstruction d’une image. Il compare les valeurs de pixels de l’image originale à celles de l’image reproduite, fournissant une mesure numérique de la fidélité avec laquelle l’image est reproduite.
2. Erreur quadratique moyenne (MSE) : La MSE, en revanche, évalue les différences entre les valeurs de pixels de deux images. Cette méthode calcule la moyenne des différences au carré entre les pixels correspondants dans les deux images. Cette approche quantitative nous aide à comprendre l’étendue du bruit dans une image et son impact sur la qualité.

Techniques de réduction de bruit courantes

Le bruit rend les images granuleuses et décolorées, obscurcissant les détails fins. Pour neutraliser cet effet, les techniques de réduction de bruit aident à améliorer la qualité d’image pour de meilleurs résultats dans de nombreux domaines comme la photographie, la sécurité, la conférence vidéo, la surveillance, etc. Par exemple, la réduction de bruit est cruciale pour un diagnostic et une planification de traitement précis dans l’imagerie médicale.

Les techniques de réduction de bruit fonctionnent le mieux dans des conditions telles que la faible luminosité, les réglages ISO élevés, les vitesses d’obturation rapides ou lorsqu’il s’agit de caméras intrinsèquement bruyantes.

Certaines techniques de réduction de bruit courantes incluent :

• Filtrage médian : Pour éliminer le bruit d’impulsion, le filtrage médian remplace la valeur du pixel par les valeurs médianes des pixels voisins.
• Filtrage gaussien : Cette technique remplace chaque pixel d’une image par une moyenne pondérée des pixels d’un voisinage de pixels autour de ce pixel.
• Filtrage bilatéral : Cette technique combine le filtrage médian et le filtrage gaussien pour réduire le bruit avec des bords intacts.
• Filtrage par ondelettes : Cette technique utilise le modèle de transformation de Fourier pour transmettre les coefficients d’ondelettes d’image pour réduire le bruit.

Applications de la réduction de bruit

La réduction de bruit a une variété d’applications dans des industries, telles que la restauration d’images et le redimensionnement d’images, mais les plus importantes sont :

• Imagerie médicale : Les techniques de réduction de bruit améliorent le diagnostic de maladies dans les scans IRM et TEP, améliorant les résultats pour les patients.
• Imagerie satellitaire : La réduction de bruit aide à une meilleure identification d’objets et de caractéristiques dans les images satellitaires.
• La gestion des catastrophes : la réduction de bruit améliore les images de télédétection pour la surveillance environnementale et la cartographie.
• Application de la loi : Elle améliore la clarté des images de surveillance et des images médico-légales pour l’identification de suspects et d’objets.
• Recherche spatiale : La réduction de bruit nettoie les images astronomiques, permettant la détection d’objets célestes faibles et de détails fins dans les observations de l’espace lointain.

Pour lire du contenu connexe, visitez Unite AI.