L’imagerie médicale a révolutionné les pratiques médicales en devenant un outil couramment utilisé en médecine. Toutefois, les images médicales sont souvent affectées par un bruit de nature aléatoire dont la source se situe au niveau du processus d’acquisition. La résolution de ce problème peut aboutir à une amélioration des diagnostics et des actes chirurgicaux. Il est donc essentiel d’éliminer ce bruit pour rehausser et recouvrer les détails les plus fins qui peuvent être totalement masqués dans les données bruitées.
La démarche que nous proposons ici en matière de filtrage d’images consiste à convertir l’image bruitée, observée initialement dans le domaine spatial, en une image représentée dans le domaine transformé, tel que le domaine des ondelettes ou des contourlettes. Les coefficients d’ondelettes obtenus sont alors comparés à un seuil fixe ou adaptatif.
Cet essor actuel des transformées en ondelettes est dû principalement à deux propriétés spécifiques qui résultent des décompositions sur des bases d'ondelettes orthogonales : la parcimonie de représentation et la tendance à transformer un processus aléatoire stationnaire en séquences gaussiennes décorrélées.
Dans le cadre de la réduction de bruit, plus communément connue sous le vocable de « débruitage », le succès de l’analyse multirésolution à base d’ondelettes est précisément assuré par sa capacité de décorrélation (séparation du bruit et du signal utile) et par la notion de parcimonie de sa représentation.
Cette parcimonie se matérialise par un faible nombre de coefficients d’ondelettes (ou plus exactement de coefficients de la transformée en ondelettes) de forte amplitude représentant le signal utile supposé régulier ou régulier par morceaux. Quant au bruit, souvent supposé blanc et stationnaire, il aura tendance à se répartir sur toutes les composantes ou coefficients d’ondelettes.
S’appuyant sur ces deux propriétés (parcimonie et décorrélation), un filtrage adéquat dans le domaine des ondelettes et le calcul de la transformée en ondelettes inverse correspondante permettront d’obtenir le signal débruité.
En général, le débruitage d’images utilisant une analyse multirésolution à base d’ondelettes nécessite un compromis entre réduction du bruit et préservation des détails significatifs de l’image.
Les performances de ce filtrage seront analysées, tant du point de vue de l'erreur quadratique moyenne et du rapport signal à bruit, noté SNR (signal-to-noise ratio) ou PSNR (peak signal-to-noise ratio), que de celui de la qualité visuelle dans le cas d'images.
Cet article fait suite à l’article [RE 1 018] « Filtrage numérique à base d’ondelettes – Fondements ».
