Learning methods for digital imaging.

Résumé : Dans ce travail, nous discutons des problèmes invariants par translation en imagerie numérique qui peuvent-être résolus par apprentissage sur des exemples de la solution linéaire aux moindres carrés. Nous concentrons notre recherche sur le démosaïçage couleur qui est le problème invariant par translation le plus fameux en imagerie numérique; la possibilité d’estimer une image couleur résolue à partir d’une image sous-échantillonnée, acquise à travers une matrice de filtres de différentes couleurs. Pour produire des images couleurs nous devons obtenir l’information relative aux trois couleurs primaires (généralement Rouge, Vert et Bleu) à chaque pixels de l’image. Pour capturer cette information la plupart des caméras numériques utilisent une matrice de filtres couleurs (CFA – Color Filter Array en anglais), c’est-à-dire qu’une mosaïque de couleurs recouvre le capteur de manière à ce qu’une seule couleur soit mesurée à chaque position dans l’image. On peut se demander si le plus utilisé des CFA, dit de Bayer, est le meilleur compromis entre espace et couleur ou s’il faut utiliser un motif invariant par translation plus grand ou différents filtres de couleur. De plus, on peut demander quels seraient les transmittances idéales des filtres pour une application donnée. Cette méthode de mesure à travers une mosaïque est similaire à celle du système visuel humain (HVS – Human Visual System en anglais) pour lequel les cônes LMS (sensibles aux longues L, moyenne M et courte S (short en anglais)) forment également une mosaïque à la surface de la rétine. Pour le système visuel, l’arrangement est aléatoire et change entre les individus alors que pour les caméras nous utilisons des arrangements réguliers. Nous montrons par simulation qu’il y a un avantage d’avoir un échantillonnage aléatoire plutôt que régulier. L’opération qui consiste à interpoler les couleurs manquantes dans une caméra est appelé démosaïçage. Le démosaïçage peut-être simulé sur une image sous-échantillonnée ayant une seule couleur par pixel correspondante à la matrice de filtres (CFA). A cause de l’arrangement régulier ou périodique des filtres couleurs l’image reconstruite est susceptible de contenir des fausses couleurs et des artefacts. Dans la littérature, les algorithmes de démosaïçage proposés s’appliquent principalement aux CFA réguliers. Nous proposons un algorithme de démosaïçage par apprentissage statistique, qui peut être utilisé avec n’importe quelle mosaïque régulière ou aléatoire. Nous montrons que la solution obtenue est unique parce qu’elle correspond à l’estimée au moindre carré de la solution d’un problème inverse invariant par translation. L’utilisation d’un voisinage dans le modèle vectoriel améliore la redondance et l’estimation est plus robuste. De manière surprenante la solution obtenue est proche de l’état de l’art en performance. Grâce à cette méthode nous optimisons et proposons de nouvelles matrices de filtres de couleur (CFA) qui dépasse les meilleurs algorithmes sur le CFA de Bayer. En même temps, les images démosaïçées avec ces nouveaux arrangements sont sans fausses couleurs et artefacts. Nous avons étendu l’algorithme pour qu’il ne soit pas limité à trois couleurs mais puisse être utilisé pour un arrangement aléatoire d’un nombre quelconque de filtres spectraux. Avoir plus de trois couleurs permet non seulement de mieux représenter les images mais aussi de mesurer des signatures spectrales de la scène. Nous appellerons une mosaïque, matrice de filtres spectraux (SFA – Spectral Filter Array en anglais) en opposition à matrice de filtres couleurs (CFA) lorsque nous connaissons les transmittance des filtres et pas seulement leur ”couleur” (partie du spectre de transmittance maximale). Les technologies récentes nous offrent une grande flexibilité pour définir les filtres spectraux et ouvrent la porte à de nouvelles applications. Le substrat silicium dans lequel les photodiodes du capteur sont réalisées est sensible aux radiations proche infra-rouge et donc des filtres visibles et proche infra-rouge peuvent-être combinés dans la même mosaïque. Nous montrons que notre méthode s’applique très bien sur les mosaïques RGB-NIR à condition que nous ayons une base de donnée appropriée pour apprendre. Plus loin que la simulation nous appliquons notre algorithme sur plusieurs cameras réelles équipées de SFA en extrayant l’image RAW. Nous démontrons la supériorité de notre méthode sur les algorithmes de l’état de l’art en terme de qualité d’image et de vitesse de calcul. Nous proposons une méthode pour optimiser les transmittances des filtres et leur arrangement de manière à ce qu’ils délivrent les meilleurs résultats en fonction des métriques d’évaluation et de l’application choisie. La méthode est linéaire et par conséquent rapide et applicable en temps réel. Finalement, pour défier la nature linéaire de notre algorithme, nous proposons un deuxième algorithme de démosaïçage par réseaux de neurones qui à des performances légèrement meilleures mais pour un coût de calcul supérieur.
Type de document :
Thèse
Image Processing. UGA - Université Grenoble Alpe, 2018. English
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/tel-01864658
Contributeur : Prakhar Amba <>
Soumis le : jeudi 30 août 2018 - 12:46:23
Dernière modification le : jeudi 6 septembre 2018 - 01:05:02

Fichier

thesis_amba.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : tel-01864658, version 1

Collections

Citation

Prakhar Amba. Learning methods for digital imaging.. Image Processing. UGA - Université Grenoble Alpe, 2018. English. 〈tel-01864658〉

Partager

Métriques

Consultations de la notice

141

Téléchargements de fichiers

47