Contributions aux algorithmes de mosaïques d’images : Cas des scènes contenant des objets dynamiques

Abstract

Une mosaïque d’images est définie par une succession d’algorithmes utilisés sur un ensemble d’entrée, qui peut être soit des images soit une vidéo de la même scène, pour former une seule image contenant toutes les informations de la scène de l’ensemble d’entrées avec un meilleur champ de vision. Le but de ce sujet de recherche est de trouver un moyen d’améliorer le résultat de la mosaïque obtenue dans des scènes contenant des objets dynamiques. En effet, les objets dynamiques sont définis comme tout changement entre les différentes images d’entrées qui peuvent générer des erreurs, que ce soit des éléments dans l’avant-plan comme des éléments vivants ou machines, ou des éléments dans l’arrière-plan qui changent d’une manière discrète telles que des particules. Ainsi, sans traitement de ces objets dynamiques, des erreurs comme le “ghosting”, effets parallaxes et dédoublement d’objets apparaissent et créent de mauvais résultats. Ces erreurs peuvent être néfastes dans certains domaines d’applications où une imprécision ou duplication d’informations n’est pas souhaité. Dans cette thèse, nous avons tout d’abord présenté les généralités et les étapes pour la création d’une mosaïque d’images de haute qualité. Ensuite, nous avons expliqué les différentes méthodes de la littérature qui permettent de palier aux différents problèmes de mosaïques d’images dynamiques, ainsi que les procédures pour l’évaluation de ces dernières. Dans l’objectif de réaliser cette recherche, nous avons proposé trois nouvelles méthodes. Les deux premières méthodes consistent à chercher une coupure optimale qui va séparer la zone de chevauchement des images sans créer de discontinuités. La première méthode développée est basée sur l’utilisation des “inliers” et “ouliers” pour créer des régions avec le détecteur de Canny pour calculer le chemin optimale d’une manière dynamique, ce chemin-ci est calculé d’une manière pour qu’il passe par des régions sûres (“inliers”) et évite les autres régions (“outliers”). Tandis que la deuxième méthode consiste à utiliser l’algorithme A* sur une carte d’énergie optimisée créée avec un mouvement fractionnaire Brownien modifié avec la fonction “Zero Normalized Cross Corrélation” au lieu d’une fonction de bruit aléatoire pour trouver le meilleur chemin. La troisième méthode est une méthode basée sur la reconstruction des régions. Cette dernière utilise un système de recommandation basé sur les objets et le filtrage collaboratif sur toutes les images simultanément. Les images d’entrées seront considérées comme des utilisateurs, les pixels et leur valeurs comme les objets et leur scores, et la mosaïque finale comme un nouvel utilisateur au système qui va être généré par une recommandation.