Synthèse de bancs de filtres adaptés, application à la compression des images.

This thesis is concerned with multiresolution decompositions in a lifting scheme framework as well as its application to image compression. First, a decomposition structure consisting of a "generalized lifting scheme" is proposed, using all information available in the decoding stage for prediction. This new scheme relies on an additional predictive filter which does not appear in classical lifting scheme structures. The proposed scheme is then associated to two adaptation methods. The first one, called GAE, assumes a global stationnarity of the image, while the second one, called LAE assumes only a local stationnarity. In the latter, adaptive filters are used. A study of the performance in lossless coding is done by using a set of Gaussien synthetic images with local and global stationarities (satisfying the assumptions on the images). Estimations of the first order entropy of the transformed image showed that the proposed methods offer on average an improvement of 0.5 bpp (GAE) and 0.8 bpp (LAE) compared to the (9,7) wavelet transform, 0.8 bpp (GAE) and 1.11 bpp (LAE) compared to the (5,3) wavelet transform and 0.41 bpp (GAE) and 0.65 bpp (LAE) compared to the method of Gerek & Çetin (a method using LMS-based adaptive filters). The second part is concerned with the study of performance in lossless coding of still images with varied features. The obtained gains in bit rate compared to the state of the art are lower than those obtained for the synthetic images. Finally, in the last part, the application to progressive coding and lossy coding is studied. In order to prevent the LAE-divergence phenomenon due to the quantization step in lossy compression, we modified it structure. Measurements of rate/distortion showed the, for high bit rates, that the modified LAE outperforms the (9,7) and (5,3) wavelet transforms.Les travaux développés dans cette thèse portent sur les décompositions multirésolution dans un cadre de lifting scheme, appliquées à la compression d'images. Pour commencer, une structure de décomposition consistant en un “lifting scheme généralisé” est proposée. Ce schéma permet d'exploiter toute l'information disponible au décodage dans l'étape de prédiction. Cela est rendu possible par l'ajout d'un filtre de prédiction supplémentaire par rapport à la structure classique de lifting scheme. Le schéma proposé est ensuite associé à deux méthodes d'adaptation. La première, appelée GAE, suppose une stationnarité globale de l'image, tandis que la seconde, LAE ne suppose qu'une stationnarité locale de l'image. Dans ce dernier cas, les filtres prédicteurs sont adaptatifs. Trois applications de ces méthodes en compression d'images sont ensuite proposées. Dans un premier temps, une comparaison des performances en compression sans perte sur des images de textures, synthétiques, gaussiennes, à stationnarités locale et globale (vérifiant les hypothèses plus haut), est réalisée. Sur ces signaux, les mesures d'entropie d'ordre 1 ont montré que les méthodes proposées offrent en moyenne un gain en codage de 0,5 bpp (GAE) et 0,8 bpp (LAE) par rapport à la décomposition en ondelette (9,7), de 0,8 bpp (GAE) et 1,11 bpp (LAE) par rapport à la (5,3) et de 0,41 bpp (GAE) et 0,65 bpp (LAE) par rapport à la méthode de Gerek et Çetin. La deuxième application concerne le codage sans perte d'images réelles de natures variées. Les gains par rapport à l'état de l'art se sont révélés plus faibles que ceux obtenus pour les images synthétiques. Enfin, la dernière application traite les cas du codage progressif et du codage avec perte. Pour la compression avec pertes, nous avons modifié la méthode LAE pour palier aux problèmes de divergence dus à l'impossibilité au niveau du décodeur de reconstruire les filtres prédicteurs à partir d'échantillons quantifiés. Elle se révèle plus efficace que lorsque l'on utilise les filtres usuels de longueur fixe (9,7) et (5,3)