|
| Titre : | Suppression de bruit dans une image couleur à l'aide d'un réseau neuronal préentraîné. | | Type de document : | theses et memoires | | Auteurs : | Djaffar Touati, Auteur ; Slimane Hameg, Directeur de thèse | | Editeur : | Tizi-Ouzou : UMMTO F.G.E.I | | Année de publication : | 2024 | | Importance : | 64 p | | Présentation : | ill. | | Format : | PDF | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | D'ébrutage d’images Traitement d’images numériques Réduction du bruit Restauration d’images Réseaux de neurones convolutifs (CNN) GAN (Réseaux antagonistes génératifs) Apprentissage profond Intelligence artificielle Filtrage classique Filtre moyenneur Filtre médian Filtrage par ondelettes Bruit gaussien Bruit impulsionnel Bruit speck le Méthodes neuronales Méthodes classiques Base de données d’images Optimisation des hyperparamètres Restauration visuelle Vision artificielle Architecture CNN Apprentissage supervisé Comparaison des performances Qualité d’image. | | Résumé : | Le présent travail s’inscrit dans le domaine du traitement d’images numériques et plus particulièrement dans l’étude et la suppression du bruit dans les images couleur.
Le bruit constitue un problème récurrent en imagerie numérique, altérant la qualité visuelle et compromettant les performances des systèmes de vision artificielle.
Son apparition est inévitable, résultant de divers facteurs tels que les imperfections des capteurs, les conditions d’acquisition, ou encore les processus de transmission et de compression.
Afin de restaurer les images dégradées, de nombreuses techniques de débruitage ont été développées au fil du temps. Les méthodes classiques, telles que les filtres moyenneur, médian ou encore les approches fondées sur les ondelettes, ont longtemps été privilégiées pour leur simplicité et leur efficacité dans des contextes spécifiques.
Cependant, ces approches présentent des limites notables, notamment la perte de détails fins, le lissage excessif et la faible robustesse face à des bruits complexes ou non gaussiens.
Dans ce contexte, l’émergence du deep learning a ouvert de nouvelles perspectives prometteuses pour le débruitage d’images.
Ce mémoire présente une étude comparative entre les méthodes classiques de filtrage et des techniques modernes basées sur des réseaux neuronaux convolutifs (CNN).
Trois architectures ont été explorées : DnCNN, un réseau profond résiduel spécialisé dans la réduction du bruit gaussien ; U-Net, une architecture en forme d’entonnoir intégrant des connexions de saut pour préserver les détails structuraux ; et enfin GAN (Generative Adversarial Network), qui repose sur un apprentissage adversarial entre un générateur et un discriminateur afin d’obtenir des résultats visuellement plus réalistes.
Pour évaluer la performance de ces différentes approches, plusieurs métriques quantitatives ont été utilisées, notamment le PSNR (Peak Signal-to-Noise Ratio), le SSIM (Structural Similarity Index Measure) et le RMSE (Root Mean Square Error).
Les expérimentations ont été réalisées sur un ensemble d’images bruitées artificiellement par un bruit gaussien d’écart-type σ = 25. Les résultats montrent clairement que les méthodes à base de réseaux neuronaux surpassent largement les techniques classiques en termes de qualité de restauration et de fidélité structurelle.
Par exemple, le modèle U-Net a permis d’obtenir un PSNR moyen supérieur à 33 dB et un SSIM avoisinant 0.94, contre environ 27 dB et 0.81 pour les filtres classiques à ondelettes.
Ces résultats traduisent la capacité des modèles profonds à apprendre efficacement les caractéristiques complexes du bruit tout en préservant les détails essentiels de l’image.
En conclusion, ce projet démontre la supériorité des réseaux neuronaux profonds dans le débruitage d’images numériques et met en évidence leur potentiel pour des applications réelles en vision par ordinateur.
Il ouvre également la voie à des perspectives futures, notamment l’optimisation des architectures pour des environnements embarqués (comme le Raspberry Pi), l’adaptation à des types de bruits mixtes ou réels, et l’exploration de modèles génératifs plus légers et plus rapides pour un traitement en temps réel | | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=37945 |
Suppression de bruit dans une image couleur à l'aide d'un réseau neuronal préentraîné. [theses et memoires] / Djaffar Touati, Auteur ; Slimane Hameg, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 64 p : ill. ; PDF. Bibliogr. Langues : Français | Mots-clés : | D'ébrutage d’images Traitement d’images numériques Réduction du bruit Restauration d’images Réseaux de neurones convolutifs (CNN) GAN (Réseaux antagonistes génératifs) Apprentissage profond Intelligence artificielle Filtrage classique Filtre moyenneur Filtre médian Filtrage par ondelettes Bruit gaussien Bruit impulsionnel Bruit speck le Méthodes neuronales Méthodes classiques Base de données d’images Optimisation des hyperparamètres Restauration visuelle Vision artificielle Architecture CNN Apprentissage supervisé Comparaison des performances Qualité d’image. | | Résumé : | Le présent travail s’inscrit dans le domaine du traitement d’images numériques et plus particulièrement dans l’étude et la suppression du bruit dans les images couleur.
Le bruit constitue un problème récurrent en imagerie numérique, altérant la qualité visuelle et compromettant les performances des systèmes de vision artificielle.
Son apparition est inévitable, résultant de divers facteurs tels que les imperfections des capteurs, les conditions d’acquisition, ou encore les processus de transmission et de compression.
Afin de restaurer les images dégradées, de nombreuses techniques de débruitage ont été développées au fil du temps. Les méthodes classiques, telles que les filtres moyenneur, médian ou encore les approches fondées sur les ondelettes, ont longtemps été privilégiées pour leur simplicité et leur efficacité dans des contextes spécifiques.
Cependant, ces approches présentent des limites notables, notamment la perte de détails fins, le lissage excessif et la faible robustesse face à des bruits complexes ou non gaussiens.
Dans ce contexte, l’émergence du deep learning a ouvert de nouvelles perspectives prometteuses pour le débruitage d’images.
Ce mémoire présente une étude comparative entre les méthodes classiques de filtrage et des techniques modernes basées sur des réseaux neuronaux convolutifs (CNN).
Trois architectures ont été explorées : DnCNN, un réseau profond résiduel spécialisé dans la réduction du bruit gaussien ; U-Net, une architecture en forme d’entonnoir intégrant des connexions de saut pour préserver les détails structuraux ; et enfin GAN (Generative Adversarial Network), qui repose sur un apprentissage adversarial entre un générateur et un discriminateur afin d’obtenir des résultats visuellement plus réalistes.
Pour évaluer la performance de ces différentes approches, plusieurs métriques quantitatives ont été utilisées, notamment le PSNR (Peak Signal-to-Noise Ratio), le SSIM (Structural Similarity Index Measure) et le RMSE (Root Mean Square Error).
Les expérimentations ont été réalisées sur un ensemble d’images bruitées artificiellement par un bruit gaussien d’écart-type σ = 25. Les résultats montrent clairement que les méthodes à base de réseaux neuronaux surpassent largement les techniques classiques en termes de qualité de restauration et de fidélité structurelle.
Par exemple, le modèle U-Net a permis d’obtenir un PSNR moyen supérieur à 33 dB et un SSIM avoisinant 0.94, contre environ 27 dB et 0.81 pour les filtres classiques à ondelettes.
Ces résultats traduisent la capacité des modèles profonds à apprendre efficacement les caractéristiques complexes du bruit tout en préservant les détails essentiels de l’image.
En conclusion, ce projet démontre la supériorité des réseaux neuronaux profonds dans le débruitage d’images numériques et met en évidence leur potentiel pour des applications réelles en vision par ordinateur.
Il ouvre également la voie à des perspectives futures, notamment l’optimisation des architectures pour des environnements embarqués (comme le Raspberry Pi), l’adaptation à des types de bruits mixtes ou réels, et l’exploration de modèles génératifs plus légers et plus rapides pour un traitement en temps réel | | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=37945 |
|
Suppression de bruit dans une image couleur à l'aide d'un réseau neuronal préentraîné. (2024)
