Approches multi-échelles et variationnelles pour la décomposition d’images : Applications à la fusion et la recherche d’images par le contenu

Abstract

Les travaux de cette thèse s’articulent autour de deux axes : les systèmes d’indexation et de recherche d’images par le contenu et la fusion d’images multifocales. Dans le premier axe, nous nous intéressons aux problématiques d'extraction de signatures des images, en particulier les bases de données d’images texturées. Nous proposons, dans ce cadre, des méthodes d’extraction des caractéristiques de l’image basées sur des modèles de décompositions adaptatives, multi-échelles et multi-directionnelles. Plus précisément, nous décomposions l’image en plusieurs composantes à l’aide des modèles de décompositions adaptaives, dites respectivement la FABEMD (Fast and Adaptive Bidimensionnal Empirical Mode Decomposition) et le modèle variationnel de décomposition d’image en Objet/Texture proposé par Meyer. Ensuite, nous utilisons des transformées multi-échelles multidirectionelles (la transformée en Curvelets et les Ondelettes de Gabor) afin d’extraire les signatures des images à partir de ses composantes. Nous avons mené des expérimentations sur plusieurs bases de données d’images. Les résultats expérimentaux sont encourageants. Le second axe de cette thèse est la fusion d’images multifocales. Le problème dans ce domaine est que la profondeur de champ de la caméra est limitée, par conséquent, seulement les objets de l’image situés au point de focalisation sont nets, tandis que les autres sont flous. La solution de ce problème est de prendre plusieurs images de la même scène avec mise au point sur les différentes parties de l’image. Ensuite ces images sont combinées afin de construire une seule image fusionnée de meilleure qualité. Nous avons proposé une méthode qui se repose sur une hybridation entre la transformée en Contourlets non sous échantillonnée (NSCT, Nonsubsampled Contourlet Transform) et la décomposition d’image en Objet/Texture. Le principe de sélection des sous-bandes de la NSCT a été discuté en détail. La sélection des sous-bandes dans les basses fréquences est faite à base d’un schéma de l’énergie locale maximale; tandis que les sous-bandes dans hautes fréquences sont fusionnées via le schéma de sélection du maximum. Les résultats expérimentaux montrent que la méthode proposée peut non seulement extraire l’information visuelle importante des images sources, mais aussi d’éviter l’introduction des artefacts.