Débruitage de données tomographiques RX 3D - Ensiwiki

Débruitage de données
tomographiques RX 3D
Travaux d’études et de recherches
Adrien Janvier
Étudiant 2ème année Ensimag MMIS IRVM
14 mai 2010
Responsables : Jocelyn Chanussot, François Cokelaer
Ensimag!!!!!!!!!!!! 2009-2010

Introduction!2
Cadre du stage!2
Objectifs!2
Plate-forme de travail!2
Approche scientifique!3
Rappels : filtre médian et filtre moyenneur!3
Filtre médian!3
Filtre moyenneur!3
Choix d’un filtrage adaptatif : filtre de Nagao!4
Présentation!4
Cas particuliers!5
Limites!5
Autres possibilités de filtre!5
Amélioration du filtre!6
Critères !6
Améliorations fines !6
Mémorisation des calculs!6
Simplification de l’algorithme!6
Passage à la 3D!7
Structure des images!7
Conclusion!9
Résumé!9
Travail restant et perspectives!9
Bilan!9
Annexes!11
Structure des images!11
Structure du code!12
Bibliographie!12
Débruitage de données tomographiques RX 3D!1

Introduction
Cadre du stage
Le stage se déroulait sur le campus de Saint-Martin d’Hères, dans les locaux du GIPSA-
Lab, laboratoire de recherche spécialisé dans l’automatique, le traitement du signal et des
images, la parole et la cognition, au sein de l’équipe sigma-phy. Les Mercredi après-midi
étaient l’occasion de s’imprégner de l’ambiance et de la façon de travailler du laboratoire.
Mon sujet se trouvait en parallèle de celui de Benjamin Allain :"«Recalage de données
tomographiques RX 3D».
Le GIPSA-Lab travaille en collaboration avec Noesis, éditeur de logiciels d’analyse et de traitement d’image
spécialisés pour les laboratoires scientifiques et les industriels. C’est sur leur logiciel Visilog que s’est concentré
le travail de ce stage, sous forme d’un petit plug-in.
J’ai eu le plaisir d’être encadré par Jocelyn Chanussot, enseignant à Grenoble INP et chercheur au GIPSA-Lab, et François
Cokelaer, actuellement en thèse sur le thème «Traitement et analyse d’images tomographiques RX 3D pour le contrôle non-
destructif en temps réel». Je les remercie pour leur accueil et pour le temps qu’ils m’ont accordé.
Objectifs
Lors de l’assemblage de pièce électriques ou mécaniques sur une chaîne de montage, il est nécessaire de contrôler la
qualité de celles-ci, sans avoir à les démonter ou dégrader. C’est là qu’intervient l’imagerie par rayons X, qui permet de voir
l’ensemble de la pièce de manière non destructive. En comparant les images obtenues sur la chaîne de montage avec un
modèle, on peut détecter des défauts à l’intérieur même de la pièce. Mais ces images présentent généralement du bruit,
qu’il faut éliminer avant de pouvoir faire des comparaisons.
C’est là que se trouve le sujet de mon stage : débruiter le plus efficacement possible les images, en perdant un minimum de
détails sur l’image qui nous intéresse.
Plate-forme de travail
Le travail a entièrement été réalisé en C, sous Windows, tout d’abord via la librairie OpenCV, puis
directement intégré au logiciel Visilog sous forme de petit plug-in. Un peu de VBA a aussi été nécessaire
pour intégrer le plug-in au logiciel.
Débruitage de données tomographiques RX 3D!2

Approche scientifique
Rappels : filtre médian et filtre moyenneur
Filtre médian
Le principe du filtre médian est simple : pour chaque pixel de l’image, on prend la médiane des valeurs des pixels de son
voisinnage. Prenons un exemple sur un voisinnage 3x3:
2
220
2
5
220
5
5
220
5
On trie les valeurs par ordre croissant, ce qui nous donne (2,2,5,5,5,5,220,220,220). On prend la valeur médiane, qui est ici
la cinquième valeur, donc le 5.
On constate donc immédiatement que le filtrage médian peut faire disparaitre beaucoup d’information, et notamment les
contours fins. Il est cependant très efficace pour l’élimination du bruit, puisque les points aberrants de l’image disparaissent
entièrement.
Filtre moyenneur
Le filtre moyenneur est tout aussi simple que le filtre médian : pour chaque pixel de l’image, on prend la moyenne des
valeurs des pixels de son voisinnage. Si l’on reprend l’exemple précédent, on obtient :
(2+2+5+5+5+5+220+220+220)/9 = 76
On a donc moins de différence avec le pixel d’origine que pour le filtre médian (65% de différence contre 98% pour le filtre
médian). En effet le filtre moyenneur ne fait qu’étaler les couleurs. Le principal problème réside dans les contours, qui, eux,
ne doivent pas être étalés. De plus, le bruit est lui aussi étalé, et non éliminé comme le faisait le filtre médian.
Débruitage de données tomographiques RX 3D!3

Choix d’un filtrage adaptatif : filtre de Nagao
Présentation
Le filtrage choisi doit enlever le bruit des zones homogènes tout en conservant les contours. Le filtrage de Nagao, qui a été
présenté en 1979 par M.Nagao et T.Matsuyama, semble répondre à ces impératifs.
Le principe est le suivant : pour chaque pixel de l’image, on examine les neuf fenêtres suivantes, centrées sur ce pixel :
Pour chacune de ces neuf fenêtres on calcule la variance. Une variance faible indique une zone homogène, et une variance
forte indique un changement important de niveau, typiquement un contour. Puisque l’on veut préserver les contours, on
choisit la fenêtre de plus petite variance, puis on fait la moyenne sur la valeur des pixels de cette fenêtre. On ne fait donc
plus la moyenne entre les pixels d’une zone homogène et les pixels d’un contour, ce qui permet de garder les contrastes
tout en éliminant les points aberrants.
A noter que les fenêtres du document original de 1979 faisaient 7 pixels et non 9, excepté la fenêtre centrale. Le passage à
9 pixels permet un calcul optimisé des variances et des moyennes.
Débruitage de données tomographiques RX 3D!4