Combinaison d'informations en fréquence et dans le domaine spatial pour un retrait rapide du bruit d'image interactif

Les rayures sur les vieux films doivent être supprimées car elles sont plus visibles sur les télévisions en haute définition et numériques. Les fils qui suspendent des acteurs ou des voitures doivent être soigneusement effacés durant la post-production des prises de vue d'effets spéciaux. Ces deux tâches sont chronophages mais peuvent être abordées par le processus de restauration d'image suivant : étant donné les emplacements des pixels bruyants à remplacer et une image prototype, restaurer ces pixels bruyants de manière naturelle. Nous l'appelons retrait de bruit d'image et cet article décrit son algorithme itératif rapide. La plupart des algorithmes existants pour supprimer le bruit d'image utilisent soit des informations du domaine de la fréquence (ex. filtrage passe-bas) soit des informations du domaine spatial (ex. filtrage médian ou génération de texture stochastique). Ceux qui combinent les deux domaines imposent la limitation que l'image soit limitée en bande et que les limites de bande soient connues. Notre algorithme fonctionne à la fois dans les domaines spatial et fréquentiel sans imposer les limitations concernant les limites de bande, permettant d'exploiter pleinement les avantages de chaque domaine. Alors que les caractéristiques globales et les grandes textures sont capturées dans le domaine fréquentiel, la continuité locale et la netteté sont maintenues dans le domaine spatial. Avec un choix judicieux d'opérations et de domaines dans lesquels elles opèrent, notre approche à double domaine peut reconstruire de nombreux pixels bruyants contigus dans des zones avec de grands motifs tout en maintenant la continuité des caractéristiques telles que les lignes. De plus, l'intensité de l'image n'a pas besoin d'être uniforme. Ce sont des avantages significatifs par rapport aux algorithmes existants. Notre algorithme est basé sur un cadre général de projection sur des ensembles convexes (POCS). Toute technique d'analyse d'image qui peut être décrite comme un ensemble convexe fermé peut être intégrée proprement dans la boucle d'itération de notre algorithme. C'est un autre avantage important de notre algorithme.