Lair comprimé
Ajustez l'air comprimé à la pression la plus basse qui convient à chaque tâche. › Vérifiez si l'on demande au système plus de pression.
apport de limagerie thermique basse résolution noaa-avhrr pour l
APPORT DE L'IMAGERIE THERMIQUE BASSE RÉSOLUTION. NOAA-AVHRR POUR L'ÉTUDE DES ILOTS DE CHALEUR. URBAINS : EXEMPLE DES VILLES DE LOIRE-ATLANTIQUE. Marc ROBIN.
LA RESONANCE MAGNETIQUE NUCLEAIRE Une réponse
la RMN basse résolution : utilise des champs de faible intensité et utilise la résonance du noyau d'hydrogène pour lequel le maximum d'intensité de signal est
Reconnaissance dactions à laide dun imageur infrarouge basse
10?/05?/2022 infrarouge basse résolution. Felix-Bazin Polla de Ndjampa. To cite this version: Felix-Bazin Polla de Ndjampa. Reconnaissance d'actions à ...
Intégration des rendements céréaliers estimés par télédétection à
18?/10?/2021 télédétection à basse résolution spatiale et modélisation spatialisée dans un système d'alerte précoce pour la.
Super-résolution: Création dune séquence dimages hautes
25?/06?/2010 partir d'une séquence d'images de basse résolution (BR). Il s'agit donc d'augmenter la résolution spatiale (nombre de pixels de l'image) et ...
Formulaire dAnalyse Spectrométrie de Masse Basse Résolution
Basse Résolution. Spectropole – Campus Scientifique de Saint Jérôme – Service 511 – 52 av. Esc. Normandie Niemen – 13013 MARSEILLE.
Calcul dun spectre synthétique dabsorption à basse résolution pour
01?/01?/1981 Calcul d'un spectre synthétique d'absorption à basse résolution pour un mélange CO2-CO-gaz neutre à haute température.
Données basse résolution pour le suivi de la dynamique de la
Données basse résolution pour le Quels sont les données basse résolution disponibles? AVHRR SPOT VEGETATION
Les méthodes de typage HLA
Mots-clés : Nomenclature HLA – Niveau de résolution – Biologie molé- culaire. Le typage peut être de basse résolution ou s'approcher.
Master 2 Recherche
Automatique et traitement du signal et des images
Université Paris-Sud 11 (UPS)
Super-résolution: Création d"une séquence d"images hautes résolutions à partir d"une séquence d"images basses résolution.Ning CHU
Maîtres de stage:
Ali Mohammad-Djafari (Directeur de recherche CNRS) Nicolas Gac (Maître de conferences a l"université Paris Sud11) Groupe Problèmes Inverses (GPI) Laboratoire des signaux etsystèmes (L2S), Supélec, France25 juin 2010
Résumé
La restauration de l"image Super Résolue (SR) comporte essentiellement trois étapes : l"estimation
de recalage globale (translation, rotation et le facteur dezoom), l"estimation des fonction de trans-
fert optique (FTO) et la reconstruction de l"image de Haute Résolution (HR). Dans ce rapport, nous améliorons d"abord la fonction de phase de corrélation(PC) pour estimer la translation sous-pixellique, la rotation arbitraire et le facteur de zoom arbitraire. A l"aide des paramètresestimés, on peut avoir une bonne initialisation pour la restauration de l"image de haute résolution
(HR). Cette méthode est plus rapide et plus précise que les méthodes standard. Nous proposons
4 modèles d"a priori basés sur l"approche bayésienne pour l"etape de la déconvolution. De plus,
nous améliorons le modèle d"a priori de Gauss-Markov-Pottspour estimer à la fois le recalage,
restaurer l"image de haute resolution (HR). Notre méthode,modèle et algorithmes sont testées
et comparées avec d"autres méthodes par simulations et expériences pratiques.Mots clés
Super Résolution,approche bayésienne,Gauss-Markov-Potts modèle à prioriAbstract
The reconstruction of Super Resolution (SR) image can be considered in three processes: motion estimation, Point Spread Function (PSF) estimation and high resolution (HR) image restauration.In this report, we first improve the phase correlation fuction (PC) in order to estimate the sub-pixel
displacement and the arbitrary rotation, as well as the arbitrary zoom factor. These parametres estimated can better initialize the restauration of HR image. This method is much faster and more precise than the standard methods. And then we propose 4a priori modeles based on the bayesienne approche for deconvolution. And we improve the modele of Gauss-Markov-Potts in order to estimate simultaniously the global mouvement, as well as reconstruct the HR images. Our method is tested and compared to other approaches in both simulations and practical expriments. keywords Super Resolution,Bayesian estimation,a prior modeling iGLOSSAIRE
SR : Super Resolution
image BR : image de Basse Résolution
image HR : image de Haute Résolution
image SR : image de Super Résolution
FTO : Fonction de Transfert Optique
PSF : Point Spread Function
TF : Transformation de Fourier
CP : Corrélation de Phase
GMP : Gauss-Markov-Potts
MISO : Multi-Input Single-Output
MIMO : Multi-Input Multi-Output
TRF : Transformation Rapide de Fourier
TIF : Transformation Inverse de Fourier
TDF : Transformation Discrète de Fourier
I.I.D : Indépendant et Identiquement DistribuéMAP : Maximum a Posteriori
CM : Champs de Markov
MIGM : Mélange Indépendant de Gauss-MarkovMGP : Modèle de Gauss-Potts
MGI : Modèle Guassien et Indépendant
IRP : Itérative Rétro-Projection
RSR : Robuste Super-Résolution
TFM : Transformation de Fourier Mellin
iiContents
1 Introduction générale2
2 La Super-Résolution : un probème inverse4
2.1 Principe de la Super-Resolution . . . . . . . . . . . . . . . . . . . .. . . . . . 4
2.2 Modèle direct . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Problème inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6
3 Recalage par la méthode Corrélation de Phase 8
3.1 Etat de l"art de l"estimation de mouvement . . . . . . . . . . . .. . . . . . . . 8
3.2 Estimation du mouvement par la fonction CP . . . . . . . . . . . .. . . . . . . 9
3.2.1 Estimation de la rotation . . . . . . . . . . . . . . . . . . . . . . . .. 9
3.2.2 Estimation de la translation sous-pixellique . . . . . .. . . . . . . . . . 10
3.3 Extention de la méthode CP . . . . . . . . . . . . . . . . . . . . . . . . . .. . 11
3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13
4 Restauration d"images HR par modèle du Gauss-Markov-Potts 15
4.1 Approche d"estimation bayesienne . . . . . . . . . . . . . . . . . .. . . . . . . 15
4.2 Optimisation avec regularisation . . . . . . . . . . . . . . . . . .. . . . . . . . 16
4.3 Modèles a priori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
4.3.1 Modèle de mélange de gaussienne indépendantes(MGI): . . . . . . . . 20
4.3.2 Modèle de mélange indépendant de Gauss-Markov(MIGM): . . . . . . 21
4.3.3 Modèle de Gauss-Potts(MGP): . . . . . . . . . . . . . . . . . . . . . 22
4.3.4 Modèle de Gauss-Markov-Potts(MGMP): . . . . . . . . . . . . . . . 22
4.4 Modèle de Gauss-Markov-Potts . . . . . . . . . . . . . . . . . . . . . .. . . . 24
5 Résultats de simulations26
5.1 Estimation du mouvement . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 26
iii5.1.1 Rotation et translation . . . . . . . . . . . . . . . . . . . . . . . . .. . 26
5.1.2 Zoom et rotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2 Evaluation des performances des restaurations . . . . . . .. . . . . . . . . . . 30
6 Conclusions et perspectives33
6.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Bibliography39
ivList of Figures
1.1 Super résolution dans traitement de l"image . . . . . . . . . .. . . . . . . . . . 2
2.1 Approche MIMO : Génération d"une séquence d"images HR à partir d"une séquence
BR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2 Schéma direct du Problème Inverse du SR . . . . . . . . . . . . . . .. . . . . 7
2.3 Schéma itérative du Problème Inverse du SR . . . . . . . . . . . .. . . . . . . 7
3.1 Lien des TF entre l"image originale et l"image avec rotation et zoom . . . . . . . 10
3.2Bmnles sous-supports rectangulaires disjoints . . . . . . . . . . . .. . . . . . . 12
3.3 Processus de recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 14
4.1 Schéma général d"une approche bayésienne simple . . . . . .. . . . . . . . . . 16
4.2 Schéma général d"une approche bayésienne avec l"estimation des hyperparamètres
et restauration de l"image HR. . . . . . . . . . . . . . . . . . . . . . . . . .. . 184.3 Un exemple d"image avec étiquettesz(r). . . . . . . . . . . . . . . . . . . . . . 19
4.4 Schèma général d"une approche bayésienne avec un modèlea priori de Gauss-
Markov-Potts(GMP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204.5 Modèle de mélange de gaussienne indépendantes(MGI). . . . . . . . . . . . 20
4.6 Modèle de mélange indépendant de Gauss-Markov(MIGM). . . . . . . . . . 21
4.7 Modèle de Gauss-Potts(MGP). . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.8 Modèle de Gauss-Markov-Potts(MGMP). . . . . . . . . . . . . . . . . . . . 23
4.9 Les contoursc(r)de l"image. . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.1 Image HR de taille1280×1024. . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Quatre images BR de taille320×256. . . . . . . . . . . . . . . . . . . . . . . 27
5.3 Image originale et ses recalages et interpolations simples . . . . . . . . . . . . . 28
5.4 Estimation du zoom et rotation . . . . . . . . . . . . . . . . . . . . . .. . . . 31
5.5 Comparation entre 3 methodes pour restauration . . . . . . .. . . . . . . . . . 32
vList of Tables
5.1 Estimation du mouvement avec la méthode de Vandewalle etal . . . . . . . . . 28
5.2 Estimation du mouvement avec la méthode de Keren et al . . .. . . . . . . . . 29
5.3 Estimation du mouvement avec notre méthode basée sur CP et sa extension . . 29
5.4 Estimation du zoom et rotation avec notre méthode basée sur CP et sa extension 29
5.5 Estimation du zoom et rotation avec la Transformation deFourrier Meillin (TFM) 30
5.6 Evaluation des performances en fonction du distance L1 et L2 . . . . . . . . . . 30
viNotations
Fonctions Expression
image de haute resolusion (HR)f image de super resolusion (SR) ˆf k ièmeimage de basse resolusion (BR)gk ensemble des images BRg bruit additif correspondant à lakimeimage BRεk ensemble des bruits additifsε transpose de matricet déconvolution sur image BRBt interpolation sur image HRDt recalage sur image BRgkMtkOpérateur Expression
convolution de la réponse impulsionnelleB sous-échantillonnageD transformation géométriqueMk opérateur global qui relie l"image HR f aux images BRHk ensemble des opérateurs globauxHParamètres Expression
translationΔr rotationΔθ zooma 1 1Introduction générale
Le travail dans ce rapport s"intéresse à la reconstruction d"une image de Haute-Résolution (HR) à
partir d"une séquence d"images de basse résolution (BR). Ils"agit donc d"augmenter la résolution
spatiale (nombre de pixels de l"image) et d"améliorer le niveau de detail de l"image. Il y a beaucoup
d"applications civiles ou militaires telles que la détection, la reconnaissance et l"identification de
cibles. Dans le cas des vidéos infrarouges, par exemple, la resolution est souvent limitée par le
coût et la taille du capteur de haute définition. Les techniques de super-resolution (SR) sontaussi appelées restauration multi-images, puisque la restauration est un traitement s"appliquant à
une seule image, alors que les techniques de SR, utilisent une séquence d"images en même tempspour produire une ou plusieurs images super-résolues. Ces dernières années, plusieurs travaux
ont été consacrés à la SR par exemple [Nguyen 01][Borman 04][Humblot 05] [Gillette ]. On peut
citer quelques domaines d"applications:l"imagerie infra-rouge [Farsiu 04a][Huang 84]
l"imagerie satellitaire [Omrane 04][Sheppard 98]l"imagerie astronomique [Corral 02]
l"imagerie SAR [Xu 05][Schultz 96]
l"amélioration de la vidéo et restauration [Alvarez 04][Shechtman 05][Patti 97] la conversion des standards vidéo [Chen 98] la restauration des flux vidéo compressés [Patti 01][Gunturk 04][Lin 08][Foroosh 02] Figure 1.1: Super résolution dans traitement de l"image 2Page 3
Ces images BR peuvent être extraites d"une séquence vidéo obtenue soit à partir d"une camera
fixée montrant une scène en mouvement [Omrane 04][Keren 88][Capel 03][Schultz 98], soit d"une caméra en mouvement observant une scène fixée [Omrane 04][Keren 88] [Capel 03][Zomet 01][Farsiu 04b][Elad 97][Vandewalle 05], soit de plusieurs caméras fixées observant une même scène
[Chen 98][Vandewalle 05][Humblot 05][Argyriou 03]. Le mouvement et l"information non redon-dante rendent possible la SR. Chaque image BR doit fournir une vue différente de la même scène.
Ainsi, l"image HR obtenue contient plus d"informations utiles que les images BR initiales. Dansun processus de traitement des images en super résolution (SR); il y a trois étapes importantes :
le recalage des images BR. Le recalage est une technique qui consiste en la mise en cor- respondance d"images, ceci afin de pouvoir comparer ou combiner leurs informations re- spectives. Cette mise en correspondance se fait par la recherche d"une transformation géométrique permettant de passer d"une image à une autre, par exemple, l"estimations de displacement, rotation et zoom; l"estimation de Fonction de Transfert Optique (FTO) et déconvolution des images BR. La FTO est la Transformation de Fourrier (TF) de la réponse impulsionnelle du systeme optique (Point Spread Function, PSF). Elle nous donne l"effet d"un filtre fréquentiel passe- bas. L"image observé donc obetnue par de convolution entre image HR et la PSF est l"image BR. La déconvolution est l"opération inverse de la convolution et elle permet de retrouver des fréquences hautes dans l"image HR qui ont été coupées par la FTO;la fusion d"une séquence d"images HR. Après la déconvolution, on peut obtenir une séquence
d"images HR a partir une séquence d"image BR. La fusion des images HR est utiliser l"information nonrencondante dans images HR respectives.L"interpolation est une des methodes le plus simple .Pour créer une image HR à partir des images BR, plusieurs algorithmes ont été proposés dans les
littératures : les algorithmes d"estimation des paramètres de translation sous-pixellique et la rotation basées sur les méthodes dans le domaine fréquentiel [Omrane04][Keren 88] [Capel 03] [Zomet 01][Vandewalle 05][Dekeyser 00];quotesdbs_dbs25.pdfusesText_31[PDF] basse saison - Hotel Annecy – La Villa Du Lac - Garderie Et Préscolaire
[PDF] Basse saison 2016 - Manoir de Lan Kerellec
[PDF] basse saison moyenne saison haute saison - Hôtel Saint-Paul
[PDF] Basse tension
[PDF] Basse tension, CEM, RTTE : Savoir répondre aux exigences du
[PDF] basse vallee de l`arnon
[PDF] basse warlock - Anciens Et Réunions
[PDF] BASSE-COUR
[PDF] Basse-Indre Appartement 2 chambres 87,15 m² 169900 € HAI
[PDF] Basse-Normandie - Anciens Et Réunions
[PDF] Basse-Normandie - Données Publiques de Météo - Anciens Et Réunions
[PDF] Basse-Normandie - Fondation Médéric Alzheimer - France
[PDF] Basse-Normandie - Hôpital Saint-Lo - France
[PDF] Basse-Normandie - Professions Bois