Restauration d’image par réseaux de neurones profonds

Un domaine en pleine expansion

La restauration d’image est un domaine de recherche en pleine expansion depuis quelques années, notamment grâce à l’amélioration d’algorithmes d’intelligence artificielle, et plus particulièrement grâce au Deep Learning, une famille d’algorithmes basés sur les réseaux de neurones profonds.

Restauration d’image par réseaux de neurones profonds

Un domaine en pleine expansion

La restauration d’image est un domaine de recherche en pleine expansion depuis quelques années, notamment grâce à l’amélioration d’algorithmes d’intelligence artificielle, et plus particulièrement grâce au Deep Learning, une famille d’algorithmes basés sur les réseaux de neurones profonds.

Ces techniques (souvent vues comme des boîtes noires qui prennent des informations en entrées et en renvoient d’autres en sortie) permettent à une machine d’apprendre à peu près n’importe quelle tâche (ou plutôt modéliser n’importe quelle relation), à condition d’avoir suffisamment d’exemples pour l’apprendre (i.e. de données pertinentes à mettre en entrée/sortie de la boîte).

A titre d’exemple, et pour revenir au contexte initial, ces algorithmes peuvent produire une image de “meilleure” qualité (en sortie de la boîte noire), à partir d’une image de moindre qualité (en entrée de la boîte noire). Ces méthodes apprennent en fait à inventer du détail à partir de l’image initiale, comme par exemple inventer les couleurs d’une image monochrome, ou à remplir des pixels manquants, de manière réaliste. Si vous êtes intéressés par le fonctionnement de ces algorithmes, et plus particulièrement dans le cadre de la restauration d’image, ce blog est fait pour vous : http://www.mickaeltits.be/super_resolution/

Réseaux de neurones antagonistes génératifs

Bien qu’encore imparfaites et en plein développement, ces techniques ont un intérêt réel dans différents contextes nécessitant d’améliorer la qualité d’une image. Les applications peuvent aller de la vidéo-surveillance à l’histoire et l’art, en passant par l’imagerie médicale ou satellite. De manière générale, toute image de faible qualité peut bénéficier de techniques de restauration d’image, que ce soit dû à la détérioration d’un support par le temps, ou la qualité d’acquisition d’origine (capteur low-cost ou âgé, contraintes spécifiques à un canal d’acquisition, e.g. images infrarouges, satellites, IRM), ou encore la compression numérique.

Un outil de restauration “globale”

Dans le cadre du projet DigiMIR, projet FEDER mené en collaboration entre le CETIC et Numediart, nous avons sélectionné, testé et comparé certaines de ces techniques, dans l’optique de développer un outil générique et innovant de restauration d’image. En effet, les techniques de l’état de l’art proposées dans la littérature scientifique se cantonnent en général à un aspect bien précis de l’image à restaurer/améliorer, et leur mise en commun est un réel challenge. Par exemple, la réduction de bruit peut améliorer la texture de différentes surfaces, comme celle d’un gazon, ce qui peut améliorer les résultats d’un algorithme de colorisation. Plus l’image est compréhensible, mieux l’algorithme fonctionnera ! A contrario, une image trop bruitée, ou trop lissée par un algorithme de “débruitage” mal exécuté empêchera de reconnaître la texture du gazon, qui sera alors colorié de manière grisâtre, tel un béton. Un autre exemple typique est la super-résolution d’image, qui peut dans certains cas augmenter de manière réaliste les détails d’une texture, ou dans d’autres cas augmenter le bruit ou les artefacts générés par un algorithme de traitement mal exécuté.

Nous avons ainsi étudié la mise en cascade de quatre types de techniques en particulier, selon le type de défaut corrigé dans l’image :

  1. Le bruit non structuré (le grain, ou bruit blanc) présent dans les images
  2. Le bruit structuré : des rayures horizontales et verticales
  3. La couleur (monochrome)
  4. La faible résolution

Pour chacun de ces aspects, nous avons réalisé une analyse comparative afin d’identifier les algorithmes les plus pertinents, et avons développé un pipeline d’opérations permettant une restauration plus “complète” des images. L’outil permet d’utiliser facilement ces techniques en cascade, et de les coupler avec des processus plus classiques de traitement d’image. Le projet est libre de droits et actuellement en plein développement : http://www.mickaeltits.be/open-image-restoration/

Un cas d’application concret

Une collaboration avec une organisation culturelle belge, le Rif tout dju, et ses contacts avec le journaliste et auteur Jean Vandendries, nous a fourni un cas d’application concret pour tester les techniques identifiées lors de notre recherche (Voir : Restauration de vieilles images dans un ouvrage sur l’histoire du sport belge). Les détails sur ces recherches ont été publiés ici : http://www.mickaeltits.be/image_restoration/

Exemples

Voici quelques exemples de résultats obtenus dans ce projet :

Réduction du grain (bruit blanc)
Réduction des rayures (stripe noise)
Exemple de colorisation
Exemple de colorisation