, Neighbouring assignments (p1 p1+d2) and (p2 p2+d2)-o1 is active if (inRect(p1+d2,imSizeR) && inRect(p2+d2,imSizeR) && d2!=a && d2!=d1) { assert
, // si d1!=d2 alors (p1 p1+d2) est forcement inactif donc seul (p2 p2+d2) compte : if (d1!=d2 && IS_VAR(o2) ) // penalite si o1 est actif
, // penalite obligatoire car un des deux est constant else if
,
, Several mathematical models and fast algorithms for image processing, 2016.
URL : https://hal.archives-ouvertes.fr/tel-01734541
, Measuring and Improving Image Resolution by Adaptation of the Reciprocal Cell, Journal of Mathematical Imaging and Vision, vol.21, pp.235-279, 2004.
URL : https://hal.archives-ouvertes.fr/hal-00712157
, Efficient registration of stereo images by matching graph descriptions of edge segments, International Journal of Computer Vision, vol.1, issue.2, pp.107-131, 1987.
URL : https://hal.archives-ouvertes.fr/inria-00075995
, A Bayesian Hyperprior Approach for Joint Image Denoising and Interpolation, With an Application to HDR Imaging, IEEE Transactions on Computational Imaging, vol.3, pp.633-646, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01107519
, The Shannon Total Variation, In: Journal of Mathematical Imaging and Vision, vol.59, pp.341-370, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01349516
, Structure-texture images decomposition-Modeling, algorithms and parameter selection, International Journal of Computer Vision, 2006.
, Reconstruction du relief par images des plans épipolaires à partir d'acquisitions aériennes denses, SFPT 2016
, Numérique et Perception 3D : les Nouvelles Conquêtes, 2016.
, Relief Computation from Images of a Fourier Transform Spectrometer for Interferogram Correction, Light, Energy and the Environment, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01405856
, Correction des effets de relief en spectro-imagerie aéroportée, GDR-ISIS-Co-conception : capteurs hybrides et algorithmes pour des systèmes innovants, 2017.
, Reconstruction 3D par Images des Plans Epipolaires : Application à un interférométre imageur hyperspectral aéroporté, Gretsi 2017-XXVIeme colloque, 2017.
, Digital Elevation Model estimation with an airborne hyperspectral imager, 2018.
, Epipolar-Plane Image Analysis : An Approach to Determining Structure From Motion, International Journal of Computer Vision, vol.1, issue.1, pp.7-55, 1987.
, Prediction of stereo disparity using optical flow, British Machine Vision Conf, pp.259-264, 1990.
, Segmentation of Epipolar-Plane Image Volumes with Occlusion and Disocclusion Competition, 2006 IEEE Workshop on Multimedia Signal Processing, pp.182-185, 2006.
, Convex Optimization Theory. Athena Scientific optimization and computation series, Athena Scientific, 2009.
, Military applications of hyperspectral imagery, Proc. SPIE 6239, Targets and Backgrounds XII : Characterization and Representation, vol.6239, 2006.
, A pixel dissimilarity measure that is insensitive to image sampling, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.20, pp.401-406, 1998.
, Depth Discontinuities by Pixel-to-Pixel Stereo, International Journal of Computer Vision, vol.35, pp.269-293, 1999.
, Fast Cartoon + Texture Image Filters, IEEE Transactions on Image Processing, vol.19, 2010.
URL : https://hal.archives-ouvertes.fr/hal-00453255
, Convex Optimization, 2004.
, Graph Cuts in Vision and Graphics : Theories and Applications". In: Handbook of Mathematical Models in Computer Vision, pp.79-96, 2006.
, Fast approximate energy minimization via graph cuts, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.23, pp.1222-1239, 2001.
, Markov random fields with efficient approximations, Proceedings. 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No.98CB36231, pp.648-655, 1998.
, SIELETERS, an airborne infrared dual-band spectro-imaging system for measurement of scene spectral signatures, Opt. Express, vol.23, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01390990
, Théorie et applications aux signaux et images satelliatires, 2012.
, On an analysis of static occlusion in stereo vision, Proceedings. 1991 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp.722-723, 1991.
, Recent Instrument Development at Telops, Advances in Imaging, 2009.
, Mapping of land cover in northern California with simulated hyperspectral satellite imagery, ISPRS Journal of Photogrammetry and Remote Sensing, vol.119, pp.228-245, 2016.
, Discrete Total Variation : New Definition and Minimization, In: SIAM Journal on Imaging Sciences, vol.10, issue.3, pp.1258-1290, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01309685
, A maximum likelihood N-camera stereo algorithm, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp.733-739, 1994.
, Image restoration subject to a total variation constraint, IEEE Transactions on Image Processing, 2004.
URL : https://hal.archives-ouvertes.fr/hal-00017934
, Proximal Splitting methods in signal processing, 2010.
URL : https://hal.archives-ouvertes.fr/hal-00643807
, Extracting layers and analysing their specular properties using epipolar-plane-image analysis, Computer Vision and Image Understanding, 2005.
, Mathematical models of local non-texture inpaintings, SIAM Journal on Applied Mathematics, vol.62, pp.1019-1043, 2001.
, Signal Recovery by Proximal Forward-Backward Splitting, Multiscale Modeling & Simulation, vol.4, 2005.
URL : https://hal.archives-ouvertes.fr/hal-00017649
, Total blind deconvolution, IEEE Transactions on Image Processing, 1998.
, Fusion of Hyperspectral and LIDAR Remote Sensing Data for Classification of Complex Forest Areas, IEEE Transactions on Geoscience and Remote Sensing, vol.46, pp.1416-1427, 2008.
, APERO, an open source bundle adjusment software for automatic calibration and orientation of set of images, 2011.
, Dequantizing Image Orientation, IEEE Transactions on Image Processing, vol.11, issue.10, 2002.
URL : https://hal.archives-ouvertes.fr/hal-00170791
, Epipolar Plane Image Refocusing for Improved Depth Estimation and Occlusion Handling, Vision, Modeling Visualization, 2013.
, From gestalt to image analysis : a probabilistic approach, 2008.
URL : https://hal.archives-ouvertes.fr/hal-00259077
, Photometric Bundle Adjustment for Dense Multiview 3D Modeling, 2014 IEEE Conference on Computer Vision and Pattern Recognition, pp.1486-1493, 2014.
URL : https://hal.archives-ouvertes.fr/hal-00985811
, Small Baseline Stereovision, Journal of Mathematical Imaging and Vision, vol.28, pp.209-223, 2007.
, Advantages using the thermal infrared (TIR) to detect and quantify semi-arid soil properties, Remote Sensing of Environment, vol.163, pp.296-311, 2015.
, Extension of epipolar image analysis to circular camera movements, Proceedings 2003 International Conference on Image Processing, vol.3, 2003.
, Spectro-Imagerie aéroportée par transformatoin de Fourier avec un interféromètre statique à décalage latéral : Réalisation et mise en oeuvre, 2008.
, View matching with blob features, The 2nd Canadian Conference on Computer and Robot Vision (CRV'05, pp.228-235, 2005.
, Miniature and cooled hyperspectral camera for outdoor surveillance applications in the mid-infrared, Opt. Lett, vol.41, pp.1901-1904, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01326809
, Polarizer-free two-pixel polarimetric camera by compressive sensing, Appl. Opt, vol.57, 2018.
URL : https://hal.archives-ouvertes.fr/hal-01673537
, Extension of Phase Correlation to Subpixel Registration, In: Trans. Img. Proc, vol.11, issue.3, pp.188-200, 2002.
, LSD : a Line Segment Detector, Image Processing On Line, vol.2, pp.35-55, 2012.
, The Lumigraph, 1996.
, Biconvex sets and optimization with biconvex functions : a survey and extensions, Mathematical Methods of Operations Research, vol.66, pp.373-407, 2007.
, Accurate and efficient stereo processing by semi-global matching and mutual information, Proc. CVRP, vol.131, pp.807-814, 2005.
, Stereo Processing by Semiglobal Matching and Mutual Information, IEEE Transactions on Pattern Analysis Machine Intelligence, vol.30, pp.328-341, 2007.
, Evaluation of Stereo Matching Costs on Images with Radiometric Differences, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.31, pp.1582-1599, 2009.
, Multiple View Geometry in Computer Vision, 2004.
, Exact Optimization for Markov Random Fields with Convex Priors, IEEE Transactions on Pattern Analysis Machine Intelligence, vol.25, pp.1333-1336, 2003.
, LS-ELAS : Line segment based efficient large scale stereo matching, 2017 IEEE International Conference on Robotics and Automation (ICRA, pp.146-152, 2017.
DOI : 10.1109/icra.2017.7989019
, 3DTVConference : The True Vision-Capture, Transmission and Display of 3D Video (3DTV-CON), 2015.
, Development of a videorate stereo machine, Proceedings 1995 IEEE/RSJ International Conference on Intelligent Robots and Systems. Human Robot Interaction and Cooperative Robots, vol.3, pp.95-100, 1995.
, ANCC flow : Adaptive normalized cross-correlation with evolving guidance aggregation for dense correspondence estimation, 2016 IEEE International Conference on Image Processing (ICIP, pp.3454-3458, 2016.
, Kolmogorov and Zabih's Graph Cuts Stereo Matching Algorithm, Image Processing On Line, vol.4, pp.220-251, 2014.
DOI : 10.5201/ipol.2014.97
URL : http://www.ipol.im/pub/art/2014/97//article.pdf
, A theory of shape by space carving, p.IJCV, 2000.
, Computing visual correspondence with occlusions using graph cuts, Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001, vol.2, pp.508-515, 2001.
DOI : 10.1109/iccv.2001.937668
URL : http://www.cs.cornell.edu/~rdz/Papers/KZ-ICCV01.pdf
, Multi-camera Scene Reconstruction via Graph Cuts, Computer Vision-ECCV 2002 : 7th European Conference on Computer Vision, pp.82-96, 2002.
DOI : 10.1007/3-540-47977-5_6
, What Energy Functions Can Be Minimized via Graph Cuts ?, In: Computer Vision-ECCV 2002, pp.65-81, 2002.
DOI : 10.1007/3-540-47977-5_5
URL : https://ecommons.cornell.edu/bitstream/1813/5842/1/2001-1857.pdf
, Scene reconstruction from High SpatioAngular Resolution Light Fields, Disney Reasearch, 2013.
DOI : 10.1145/2461912.2461926
, Distinctive Image Features from Scale-Invariant Keypoints, In: International Journal of Computer Vision, vol.60, 2004.
DOI : 10.1023/b:visi.0000029664.99615.94
, A LWIR hyperspectral imager using a Sagnac interferometer and cooled HgCdTe detector array, 2012.
, On Being 'undigital' With Digital Cameras : Extending Dynamic Range By Combining Differently Exposed Pictures, Proceedings of IST, pp.442-448, 1995.
, Locally Parallel Texture Modeling, SIAM Journal on Imaging Sciences, vol.4, issue.1, pp.413-447, 2011.
DOI : 10.1137/090770795
URL : https://hal.archives-ouvertes.fr/hal-00415779
, Imaging spectrometry and GIS techniques application for the study of seawater quality and pollution hazard, Proc. SPIE 4488, Ocean Optics : Remote Sensing and Underwater Imaging, vol.4488, pp.264-268, 2002.
, Calcul de Translation et Rotation par la Transformation de Fourier, Colloque Gretsi, 1997.
, Edge Direction Preserving Image Zooming : A Mathematical and Numerical Analysis, SIAM Journal on Numerical Analysis, vol.39, pp.1-37, 2001.
, How to discretize the Total Variation of an image ?, In: PAMM 7, vol.1, pp.1041907-1041908, 2007.
URL : https://hal.archives-ouvertes.fr/hal-00624503
, Quasi-Euclidean Epipolar Rectification, Image Processing On Line, vol.1, 2011.
URL : https://hal.archives-ouvertes.fr/hal-00826370
, Fonctions convexes duales et points proximaux dans un espace hilbertien, Comptes Rendus de l'Académie des Sciences, pp.2897-2899, 1962.
URL : https://hal.archives-ouvertes.fr/hal-01867195
, Robust Discontinuity Preserving Optical Flow Methods". In: Image Processing On Line, vol.6, pp.165-182, 2016.
, Dense Depth Maps from Epipolar Images. Tech. rep. MASSACHUSETTS INSTITUTE OF TECHNOLOGY ARTIFICIAL INTELLIGENCE LABORATORY, 2002.
, An a contrario decision method for shape element recognition, International Journal of Computer Vision, vol.69, issue.3, pp.295-315, 2006.
, Light Field Photography with a Hand-held Plenoptic Camera, 2005.
, Local Strong Homogeneity of a Regularized Estimator, SIAM Journal on Applied Mathematics, vol.61, pp.633-658, 2000.
, Releases Enhanced Shuttle Land Elevation Data, 2018.
, Fast Ordering Algorithm for Exact Histogram Specification, IEEE Transactions on Image Processing, vol.23, pp.5274-5283, 2014.
URL : https://hal.archives-ouvertes.fr/hal-00870501
, Alternating proximal gradient descent for nonconvex regularised problems with multiconvex coupling terms, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01492846
, Exact Histogram Specification for Digital Images Using a Variational Approach, Journal of Mathematical Imaging and Vision, vol.46, pp.309-325, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00723448
, Stereo by intra-and inter-scanline search, 1985.
, A locally adaptive window for signal matching, Proceedings Third International Conference on Computer Vision, pp.190-199, 1990.
, A multiple-baseline stereo, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.15, pp.353-363, 1993.
, Image Decomposition and Restoration using Total Variation Minimization and the H1 norm, Multiscale Modeling and Simulation, vol.1, pp.349-370, 2003.
, Proximal Algorithms". In: Foundations and Trends in Optimization, 2013.
, Satellite image registration for attitude estimation with a constrained polynomial model, 2010 IEEE International Conference on Image Processing, pp.925-928, 2010.
URL : https://hal.archives-ouvertes.fr/inria-00514896
, Toolbox for non-smooth convex optimization using first order schemes, 2010.
, Multi-view stereo reconstruction and scene flow estimation with a global image-based matching score, The International Journal of Computer Vision, vol.72, pp.179-193, 2007.
, A Method to Remove Fringes from Images Using Wavelets, The Astrophysical Journal, vol.649, issue.1, p.553, 2006.
, Nonlinear total variation based noise removal algorithms, Physica D, 1992.
, Satellite attitude instability effects on stereo images, 2004 IEEE International Conference on Acoustics, Speech, and Signal Processing, vol.3, 2004.
, Misalignment correction for depth estimation using stereoscopic 3-D cameras, 2012 IEEE 14th International Workshop on Multimedia Signal Processing (MMSP), pp.19-24, 2012.
, Hyperspectral remote sensing applied to uranium exploration : A case study at the Mary Kathleen metamorphic-hydrothermal U-REE deposit, Journal of Geochemical Exploration (
, Meaningful Matches in Stereovision, IEEE Trans. PAMI, vol.34, pp.930-972, 2011.
URL : https://hal.archives-ouvertes.fr/hal-00647995
, Meaningful matches in stereovision, IEEE Transactions on pattern analysis and machine intelligence, 2012.
URL : https://hal.archives-ouvertes.fr/hal-00647995
, A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms, Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol.1, pp.519-528, 2006.
, A Nonlinear Inverse Scale Space Method for a Convex Multiplicative Noise Model, SIAM Journal on Imaging Sciences, vol.1, issue.3, pp.294-321, 2008.
, Fast and Accurate Multiplicative Decomposition for Fringe Removal in Interferometric Images, IEEE Transactions on Computational Imaging, vol.3, issue.2, pp.187-201, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01492428
, Carbon dioxide of Pu'u'O'o volcanic plume at Kilauea retrieved by AVIRIS hyperspectral data, Remote Sensing of Environment, vol.112, pp.3192-3199, 2008.
, A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms, International Journal of Computer Vision, vol.47, pp.7-42, 2002.
, Photo tourism : Exploring photo collections in 3D, Proc. ACM SIGGRAPH, 2006.
, Global depth from epipolar volumes-A general framework for reconstructing non-lambertian surfaces, Proceedings of the Third International Symposium on 3D Data Processing, 2006.
, Computer Vision : Algorithms and Applications, p.11
, Précision de modèle et efficacité algorithmique : exemples du traitement de l'occultation en stéréovision binoculaire et de l'accélération de deux algorithmes en optimisation convexe, Antonin et Monasse, 2016.
, Comparison of Metrics for the Classification of Soils Under Variable Geometrical Conditions Using Hyperspectral Data, IEEE Geoscience and Remote Sensing Letters, vol.5, pp.755-759, 2008.
URL : https://hal.archives-ouvertes.fr/hal-01859094
, Algorithms for subpixel registration, Computer Vision, Graphics, and Image Processing, vol.35, pp.220-233, 1986.
, Bundle AdjustmentA Modern Synthesis, VISION ALGORITHMS : THEORY AND PRACTICE, pp.298-375, 2000.
, Efficient Stereo and Optical Flow with Robust Similarity Measures, Pattern Recognition : 33rd DAGM Symposium, Frankfurt/Main, pp.246-255, 2011.
, Multiview Stereo via Volumetric Graph-Cuts and Occlusion Robust Photo-Consistency, IEEE Trans. Pattern Anal. Mach. Intell. 29, vol.12, pp.2241-2246, 2007.
, Research on LASIS interferogram processing, 2015.
, Computational Plenoptic Imaging, SIGGRAPH Course, 2012.
, Globally Consistent depth labeling of 4D light fields, 2012.
, Improved MCA-TV algorithm for interference hyperspectral image decomposition, Optics and Lasers in Engineering, vol.75, pp.81-87, 2015.
, A Motion Stereo Method Based on Coarse-to-Fine Control Strategy, IEEE Transactions on Pattern Analysis and Machine Intelligence PAMI-9, vol.2, pp.332-336, 1987.
, Efficient Approximate Energy Minimization via Graph Cuts, p.20, 2001.
, Robust phase correlation based feature matching for image co-registration and DEM generation, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol.37, pp.1751-1756, 2008.
, A Robust Technique for Matching Two Uncalibrated Images Through the Recovery of the Unknown Epipolar Geometry, Artificial Intelligence, vol.78, pp.87-119, 1995.
URL : https://hal.archives-ouvertes.fr/inria-00074398
, Morphological operation-based bi-dimensional empirical mode decomposition for automatic background removal of fringe patterns, Opt. Express, vol.20, pp.24247-24262, 2012.
, Effects of camera alignment errors on stereoscopic depth estimates, Pattern Recognition, vol.29, pp.51-60, 1996.
, Continuous 3D Label Stereo Matching using Local Expansion Moves, 2016.
, Ces images ont été recalées en faisant l'hypothèse d'un sol plat. Les interférogrammes en (c) correspondent aux croix rouge et verte sur les imagettes. Ces croix sont situées sur le haut d'un bâtiment et chacune pointe le même pixel dans les deux images. La croix rouge, en bord de toit, pointe sur le bord noir dans (a) et sur l'intérieur blanc du toit en (b) en raison de la parallaxe. L'interférogramme rouge est donc incorrect, et c'est effectivement ce que l'on observe en le traçant. L'interférogramme vert est correct car il se trouve sur une zone homogène, Interférogramme mal reconstruit sur un bâtiment.-(a) et (b) montrent des détails d'images du début et de la fin de la séquence acquise par Sieleters
, , p.20
, Schéma de principe pour la stéréovision après prise en compte du déplacement de la caméra de C1 à C2.-C1 et C2 sont les sommets des images , B la base, H la hauteur de vol, f la focale, d la disparité et h la hauteur du point M que l'on cherche à déterminer. M' correspond à la reprojection au sol de M via C1
, 3 (a) Géométrie epipolaire-Les centres des deux clichés, C et C', et un point X de la scène constituent un plan épipolaire fi. L'intersection entre ce plan et chacune des images est une ligne : les lignes épipolaires l et l Õ. (b) Axe des épipoles-Les épipoles e et e Õ définissent un axe. L'ensemble des plans contenant cet axe forment l'ensemble des plans épipolaires de la paire d'images, vol.2
, Les points P et Q étant radiométriquement similaires sur les images, ils sont appariés. Le point Q prend alors la même disparité que P. L'emprise du bâtiment est alors étendue
, Algorithme de block matching sur un couple d'images Sieleters.-Les images (a) et (b) sont deux images d'une séquence Sieleters dont on a enlevé les franges (cf. Partie 2). (c) est la carte de disparité correspondante obtenue par l'algorithme de
, , p.26
, Algorithme de flot optique sur un couple d'images Sieleters.-Les images Sieleters utilisées sont les mêmes que sur la figure 6.1. L'image (a) est l'image de référence et (b) montre le flot optique correpondant, p.27
, Correspondances en programmation dynamique-Les abscisses représentent une ligne épipolaire de l'image de gauche, les ordonnées sa correspondante sur l'image de droite. Les lettres en minuscules associées sont les valeurs d'intensité de chaque pixel de la ligne. L'intervalle de disparités autorisées est signalé par les cases en blanc
, L'appariement de deux pixels est signifié par un M. L et R indiquent que le pixel est occulté dans l'image de gauche et de droite respectivement. Ces lettres constituent donc un chemin. Source : [SS02]
, Les lignes épipolaires correspondantes sont surlignées en rouge, et la ligne est prolongée pour montrer leur position sur l'image des plans épipolaires à gauche. s est l'axe des numéros d'images, u est l'axe spatial de la direction du mouvement et v est l'axe spatial transversal au mouvement, Construction d'une image des plans épipolaires.-A droite, deux images issues d'une séquence acquise par un déplacement rectiligne vers la droite
, obtenus par un déplacement rectiligne de la caméra vers la gauche, observent un même point p. A partir de ces images on peut construire un cube, dont l'EPI est une coupe transversale qui décrit par une ligne le déplacement du point selon les différents points de vue, Construction du cube spatio-temporel.-Les trois clichés
, Schéma de deux images en géométrie épipolaire.-Le point M de la scène (en haut) est observé par les images (en bas) de centres C1 et C2, de focale f et base B. D'après : [BBM87]
, Schéma de calcul des images simulées de franges, panchromatique et interférométrique
, Images simulées pour une même scène
, Images simulées interférométriques.-L'image (j) a été suréchantillonnée pendant les traitements, ce qui explique qu'elle soit plus nette que les autres, p.38
, Les points rouges sont les points de contrôle utilisés au chapitre 8. Source : Géoportail
, Les photographies ont été prises
, Image de la scène Canjuers
, Les pixels colorés en cyan correspondent à des points pour lesquels l'algorithme n'a pas trouvé d'appariemment
, On observe des franges d'interférence obliques sur l'ensemble de l'EPI, et en particulier sur la droite, où elles sont très contrastées. Cela se répercute sur les orientations des gradients de l'image (en degrés), avec des nombreuses valeurs proches de la verticale, Image des plans épipolaires obtenue à partir d'images Sieleters, p.48
, Transformée de Fourier d'une image Sieleters-Dans le voisinage des basses fréquences verticales, deux lignes quasi verticales correspondent aux fréquences propres des franges. L'une d'elles est désignée par une flèche verte
, La flèche verte montre les fréquences des franges pour une scène homogène. La flèche rouge indique les fréquences propres à la scène, particulièrement au bâtiment de la recette en bas au milieu de l'image. Enfin, en jaune sont désignées les répliques des franges dues à la texture de la scène
, Décomposition cartoon-texture-(a) Image originale. (b) Composante lisse (cartoon). (c) Composante contenant la texture, Crédits, p.53
, Les lignes noires désignent les lignes de niveau de la fonction, la ligne en gras est la frontière de son domaine. Les estimations sur les points bleus donnent un résultat en rouge. Tous tendent vers le minimum de la fonction
, En vert pointillé : "-= |t| ?-log(1 + |t|-). On observe que, En bleu : "(t) = |t|
,
, Résultat sur une image simulée additive
, Résultat sur une image simulée physique
, Détails de la scène en figure 5.5 sur les résultats obtenus à partir des images simulées physiques et additives.-Sur les résultats des images simulées physiques, des franges demeurent autour des zones à fort contraste
, Les transformées de Fourier sont obtenues après prolongement symétrique de l'image et apodisation par une fenêtre de Hanning
, et (b) sont des imagettes issues de l'image Sieleters, dans une zone où les franges sont très contrastées, (c) et (d) sont ces mêmes détails après régularisation, Détails des images.-(a)
, Extrait de l'image de la figure 5.7 avec des résidus de franges-Dans (a), les résidus de franges correspondent aux lignes horizontales. On remarque dans (b) que l'imagette contient des fréquences de franges dans
, Isolignes de fonctions biconvexes-(a) La fonction présente des minima locaux sur les courbes des deux hyperboles xy = 1. (b) La fonction présente un minium et plusieurs points stationnaires ne correspondant pas à des minima, p.70
, Les courbes sont réalisées à partir de la moyenne des lignes ou colonnes d'une image. (a) Les transformées de Fourier selon les lignes présentent des valeurs très proches pour les deux images. (b) Pour les colonnes, les courbes diffèrent autour des fréquences propres des franges, Comparaison des transformées de Fourier d'une image simulée panchromatique et sa correspondante avec franges-En vert, valeurs pour l'image panchromatique et en bleu l'image avec franges
, Oracle pour les algorithmes multiplicatifs
, Les valeurs données correspondent à la médiane des résultats sur images simulées. L'influence est mesurée par la différence entre le score de PSNR pour la meilleure valeur du paramètre et le score pour la valeur de paramètre donnée en abscisse. Les valeurs résultantes sont donc nulles (en particulier lorsque la valeur testée est celle qui a été choisie) ou négatives. Les algorithmes ne sont pas sensibles à des variations d'un facteur 2 autour de la valeur choisie, p.76
, Histogrammes des résultats de la comparaison des deux algorithmes multiplicatifs par calcul du PSNR.-Ces résultats sont obtenus par comparaison de 30 images non redondantes issues de Sieleters
, Résultats de l'algorithme 3 sur une image Sieleters
, Spectres sur l'infrarouge thermique.-Obtenu avec Sieleters sur diverses cibles
, Obtenu avec Sieleters sur diverses cibles
, Obtenus avec l'instrument CaHyD
, Détail d'une image Sieleters.-Les traces horizontales des champs ont une fréquence et orientation proche de celle des franges. Pour cela, elles ont tendance à être effacées, p.82
, TABLE DES FIGURES 141
, Celles du milieu du résultat du modèle additif et celles de la troisième colonne du modèle multiplicatif. La première ligne montre les lacunes du modèle additif sur les motifs à haute fréquence. Les deux autres montrent des scènes plus lisses, où peu de différences sont observées entre les deux modèles d'image, Détails de la scène en figure 6.12 avant et après traitement.-Les imagettes de la première colonne sont issues de l'image d'origine (avec franges), vol.87
, Comparaison des résultats sur le spectre de Fourier.-L'algorithme utilisé pour l'image (c) est celui par filtrage non-linéaire. Les fréquences des franges et leurs répliques sont enlevées par le modèle multiplicatif mais conservées par le modèle additif, p.88
, Image des plans épipolaires lorsque l'orientation de la caméra varie selon ses trois axes.-Le schéma (a) montre, pour plusieurs images successives, la position d'une même ligne épipolaire. La variation d'orientation a pour résultat de modifier la position des épipoles, et donc des lignes épipolaires. Extraire les lignes épipolaires de chaque image pour construire l'EPI devient plus difficile. Le traitement de l'EPI est lui aussi compliqué
,
, La ligne horizontale en haut de la figure montre les positions successives de l'avion le long de la ligne de vol, correspondant à chacune des colonnes de l'EPI. Sur les points rouges, la vitesse du porteur a doublé. L'échantillonnage de l'EPI ne rend toutefois pas compte de cette variation et reste constant. Dans ce cas, le chemin dévie de sa direction attendue (en pointillés) et sa pente augmente brusquement. Les estimations de disparité sont alors mauvaises. (b) Sur cette EPI, la partie centrale a été obtenue en n'utilisant qu'une image sur cinq, ce qui permet de simuler le cas d'une variation (exagérée) de la base
, La même colonne du détecteur est tracée sur chacune d'elles. Sur le dessin de droite, on retrouve ces même colonnes qui composent l'EPI résultante d'une séquence d'images dont font partie celles de gauche. L'objet rouge qu'observe la caméra n'apparaît pas sur la bonne colonne de l'image en pointillé en raison du décalage t y. Sur l'EPI on observe que le chemin correspondant à cet objet est alors discontinu, Le schéma de gauche montre deux images rectangulaires prises à des instants différents et ayant un décalage latéral t y
, A droite est dessinée l'EPI pour la ligne épipolaire correspondant aux colonnes surlignées. Si l'objet observé, en rouge, est incliné par rapport à l'axe de vol, alors l'erreur de disparité est accrue. En effet, le point gris, au lieu d'être associé à son correspondant de l'autre image qui devrait se trouver au point noir, est associé à l'autre point de même couleur, A nouveau, on observe à droite deux images successives et avec un décalage latéral t y, p.95
, Trajectoire du vol canjuers.-La ligne rouge correspond à la trajectoire réelle, tandis que la bleue correspond à la trajectoire attendue, qui sert de référence à la correction. Les trajectoires sont données en coordonnées planes
, Histogrammes des écarts en translation de la trajectoire réelle par rapport à la trajectoire corrigée (en mètres)
, Ecarts en attitude par rapport à la valeur moyenne en vol (en radians), p.97
, 10 (a) Schéma de calcul de l'erreur sur la position de la reprojection "r d'un point M pour une déviation transversale "B y .-La reprojection du point I se fait en I' au lieu de J. (b) Schéma de la relation entre le décalage transversal de l'avion par rapport à son axe de visée "r et l'erreur sur la mesure de disparité "d y .-Le schéma représente l'image reprojetée. Le trait noir vertical en pointillé dessine une colonne quelconque (une ligne épipolaire). Le trait gris continu désigne la reprojection d'un objet surélevé. Le trait gris en pointillé correspond à la position correcte de l'objet. L'erreur faite sur la disparité est donc le segment rouge, Schéma de calcul de l'erreur sur la disparité "d x .-La reprojection du point I pour corriger la déviation "B x selon l'axe de vol devrait se faire en J, vol.7, p.98
, Erreur de reprojection pour une variation d'altitude.-La reprojection du point I pour corriger la déviation "B z devrait se faire en J. Comme on ne connaît pas l'élévation de la scène, elle se fait toutefois en I'. (b) Décomposition de l'erreur due à l'altitude.-Le schéma représente l'image reprojetée. L'erreur de disparité se décompose en une erreur selon la ligne de vol et une erreur transversale, p.99
, Chaque ligne correspond à la déviation de l'avion selon une direction en particulier, respectivement l'axe de direction de vol X, l'axe transverse Y et l'axe vertical Z. Pour les valeurs maximales de déviation données en 7.7, les courbes (a) et (e) dépendent des variations de la hauteur du point au sol h et la courbe (c) des variations de l'orientation ? pour plusieurs valeurs de h. Les courbes de la deuxième colonnes sont calculées avec h = 20m, ? = 45 ¶. C'est la valeur de la déviation de la base qui varie
, En gris, le plan épipolaire associé. La flèche indique la direction de vol. Sur l'EPI, nous appelons les lignes que l'on observe des chemins, Construction des EPI avec les images Sieleters
, Un telle structure aurait peu de chances de se produire dans une image de bruit. Il s'agit donc d'un gestalt, Les points sont agencés de telle sorte qu'ils forment un cercle
, Extraction de segments avec l'algorithme LSD.-Les segments extraits sont en bleu. La direction des chemins de l'EPI est différente de celle de la figure 8.1, pour laquelle le déplacement de l'avion n'a pas été compensé. L'utilisation de l'un ou l'autre est indifférente
, Carte éparse obtenue par EPI pour la scène CFM.-La carte, en couleur, désigne les hauteurs relatives en mètres. Elle est superposée à l'image Sieleters correspondante (en gris) pour faciliter l'interprétation
, désigne les hauteurs relatives en mètres. Elle est superposée à l'image Sieleters correspondante (en gris) pour faciliter l'interprétation. En haut à gauche en rouge foncé, désigné par une flèche, les valeurs de hauteurs anormalement élevées sont causées par un véhicule qui se déplace au cours de l'acquisition
, TABLE DES FIGURES 143
, L'élément central est un extrait de la carte éparse en 8.4, entourée de la moitié de l'EPI des colonnes directement à gauche et à droite du trait rouge. La carte éparse est élargie afin de la rendre identifiable, Illustration du manque d'information sur les bords verticaux
, 2 (a) Résultat de la minimisation sans régularisation sur image CFM.-Le résultat est dicté par le terme d'attache aux données seul. Les pixels verts sont des pixels occultés. (b) Résultat avec tous les termes d'énergie. Les pixels occultés sont en jaune. Les échelles sont en mètres, Les liens entre noeuds sont à la fois arêtes jaunes gérant les relations de voisinage, et les liens rouges et bleus correspondants à des propriétés des noeuds, vol.112
, 2(b). (a) En général, sur les arbres isolés, l'algorithme parvient à séparer le feuillage et son ombre, en suivant les contours donnés par la carte éparse. (b) Entre deux alignements de disparité différente, l'algorithme a des difficultés dans les ombres, où le terme d'attache aux données est trop faible pour être déterminant, Deux cas de gestion des ombres.-On montre ici le résultat du graphcut en niveaux de gris sur lequel est superposée en couleur la carte éparse. Les vignettes correspondent aux zones dans les rectangles de la figure 9
, On montre ici le résultat du graphcut en niveaux de gris sur lequel est superposée en couleur la carte éparse
, Résultat du graphcut pour Canjuers.-Les pixels occultés sont en bleu foncé. L'échelle est
, Celui en vert est issu d'images recalées avec un MNE obtenu par les traitements présentés dans cette thèse, L'interférogramme rouge a été calculé après recalage avec un MNE plat