Probabilistic Approaches for the Digital Restoration of Television Archives
Approches probabilistes appliquées à la restauration numérique d'archives télévisées
Résumé
Within the context of archives restoration, we investigate in this thesis the concealment of impulsive defects (blotches, video dropouts). Existing detection and correction methods reach their limits with the presence of motion estimation failures due to complex natural events. We aim at taking into account these events that we shall call pathological motion. For both detection and correction steps, we investigate probabilistic approaches and our algorithms are expressed by means of parametric or non-parametric Markov random fields. The proposed detection method relies on the framework of the Bayesian theory of estimation. We consider a larger temporal window than the usual three frames, in order to better distinguish defects from pathological motion and thus dramatically reduce the number of false alarms. We also propose a method to correct missing data areas which is inspired by works on texture synthesis. After generalizing these techniques to natural images, we integrate them in a spatio-temporal context which allows an implicit fallback on a spatial correction when motion is too complex. We first validate the proposed methods separately before combining them to create a complete prototype for the concealment of impulsive defects.
Dans le contexte de la restauration d'archives, nous abordons dans cette thèse la suppression des défauts impulsifs (taches, "dropouts" vidéo). Les méthodes de détection et correction existantes sont limitées par les défaillances de l'estimation de mouvement dues à la présence de phénomènes naturels complexes. Nous cherchons à prendre en compte ces phénomènes que nous qualifions de mouvement pathologique. Pour les deux étapes de détection et de correction, une approche probabiliste est privilégiée et nos algorithmes sont exprimés à l'aide de champs de Markov paramétriques ou non-paramétriques. La méthode de détection que nous proposons s'inscrit dans le cadre de la théorie bayesienne de l'estimation. Nous considérons une fenêtre temporelle plus large que les trois images utilisées habituellement afin de mieux distinguer les défauts des mouvements pathologiques et éviter ainsi les fausses alarmes. Nous proposons également une méthode de correction dans les zones d'information manquante inspirée de travaux sur la synthèse de texture. Après généralisation aux images naturelles, nous intégrons ces approches dans un contexte spatio-temporel qui permet un repli implicite sur une correction spatiale lorsque le mouvement est trop complexe. Les méthodes proposées sont validées séparément puis intégrées dans un prototype complet de suppression des défauts impulsifs.
Loading...