Ex: Filtrage de Wiener |
Difficulté : ☆☆ Temps : 40mn
L'image reçue par le CCD est une collection de pixels que l'on rassemble sous la forme d'un vecteur . Ce vecteur resulte de l'image initiale, , qui a été convoluée par le télescope auquel s'ajoute un vecteur bruit noté . La convolution se modélise par l'application d'une matrice sur le vecteur . Ainsi on a: . Dans l'espace de Fourier, cette relation s'ecrit: où représente la fréquence spatiale en deux dimensions. Dans cet espace, la matrice est diagonale de valeur propre . Le spectre de puissance de l'image suit souvent une loi de puissance, c'est à dire et le bruit est souvent un bruit blanc c'est à dire qu'il à la même intensité quelquesoit la fréquence spatiale, , où et sont des constantes. Montrer que l'inversion simple de cette relation (qui consiste à appliquer la matrice sur les données afin de retrouver ) conduit, au delà d'une certaine fréquence, à une amplification du bruit.
On cherche donc maintenant à déconvoluer l'image mais aussi à filtrer le bruit. Pour cela, on va chercher le filtre à appliquer sur les données qui va minimiser l'écart quadratique moyen entre la vraie image et l'image filtrée . On cherche donc à minimiser la quantité par rapport à . En postulant que le bruit et le signal sont décorrélés et que le bruit est non biaisé (pas d'erreur systématique), montrer que ,où et sont les matrices de variance-covariance du signal et du bruit.
Dans l'espace de Fourier, les matrices de variance-covariance sont diagonales également et se réduisent aux spectres de puissances. Montrer que le filtre de Wiener inverse les basses fréquences et coupe les plus grandes où le bruit domine.