Optimal image restoration using swarm intelligence algorithms and their synergy

Abstract

Résumé Dans cette thèse, nous avons introduit une nouvelle approche optimale au problème de la restauration des images dégradées non linéaire qui est utile pour l'amélioration des images obtenues par radiographie neutronique. Ces images sont en niveaux de Gris. Nous essayons de reconstruire ou restaurer une image qui a été dégradé pendant l’acquisition, en utilisant des connaissances à priori du phénomène de dégradation. Notre approche est basée sur les méthodes d’optimisation en utilisant l’intelligence en essaims, comme les essaims des particules (PSO) et les bactéries en recherche de nourriture (BFO), en plus de leur synergie, pour résoudre un tel problème inverse mal posé. De nombreux travaux ont été fait en utilisant plusieurs techniques, allant des filtres linéaires et non linéaires, l’algèbre des matrices et mathématique discrète et la dé-convolution régularisée, à des méthodes d'optimisation tels que les réseaux de neurones, la logique floue et les algorithmes évolutionnaires génétiques. Nous avons choisi la méthode de régularisation des variations totales (TV) qui exige la linéarisation d'un terme de pénalité hautement non linéaire, et on a profité des avantages de l'intelligence en essaims, afin de faciliter les calculs. Pour obtenir des images lissées en présence de bruit, une contrainte Laplacienne est introduite dans le processus d'optimisation pour la régularisation. Une autre aproache est présentée dans cette thèse basée sur la modélisation du porocesus nonlinéaire de dégradation par un model ARMA (autoregressive moving average). Ce model est identifé en utilisant un réseau de neurons optimisé. L’apprentissage de ce réseau est réalisé à l’aide d’une implémentation hybride de deux algorithmes : PSO et BFO. L’image originale et la fonction de dégradation sont déterminés en même temps à travers ce model. Une étude comparative basée sur des mesures de qualité d'image est effectuée entre ces approches. Abstract In this thesis, we introduced a new optimal approach to the nonlinear degraded images restoration problem which is useful for the enhancement of neutron radiography gray-level images. We attempt to reconstruct or recover images that have been degraded, using some a priori knowledge of the degradation phenomenon. Our approach is based on using Swarm intelligence optimization methods, Particle Swarm (PSO) and Bacterial Foraging (BFO) algorithms, in addition to their synergy, to solve such ill-posed inverse problem. Many works have been done using a room of techniques, ranging from linear and nonlinear filters, matrix algebra and discrete mathematics methods and regularized deconvolution, to optimization methods such as neural networks, fuzzy logic and genetic evolutionary algorithms. We selected the Total variation (TV) regularization as an approach which requires linearization of a highly nonlinear penalty term and take advantage of swarm intelligence in order to facilitate computation. To get smoothed images in presence of noise, a Laplacian constraint is introduced in the optimization process for regularization task. Another approach is presented in this thesis based on modelling the nonlinear degradation process as an ARMA (autoregressive moving average) process, this model is identified using an optimized neural network which is fast trained using a hybrid swarm implementation based on the synergy of PSO and BFO algorithms. Both original image and blur function are identified through this model. A computational comparison based on some recent image quality metrics is performed between these approaches.