Diapositive 1

1
compensation de défaut flou, bougé, écho
bruit additif inconnu
déformation (modélisée par un filtre linéaire
image mesurée
scène image  parfaite  inconnue
(convolution inconnue H(z))
evaluation du bruit afin de le soustraire
compensation
nécessité de prendre en compte les
caractéristiques statistiques de limage p.ex.
régions lisses, zones de contours
(convolution inverse 1/H(z)) réponse
impulsionnelle longue modèle de filtre récursif
problème de conditions initiales
dinstabilité
2
compensation de défaut flou, bougé, écho
image mesurée
caractéristiques du bruit
filtre estimé
scène estimée
différence
3
High-quality Motion Deblurring from a Single
Image Qi Shan, Jiaya Jia, and Aseem Agarwala
http//www.cse.cuhk.edu.hk/leojia/projects/motion
_deblurring/index.html
4
convolution et addition de bruit
dans le domaine des fréquences
si on a une estimation de h(H) et de W
comment estimer H et W ?
5
approche probabiliste fondée sur la règles de
Bayes (probabilités conditionnelles et prise en
compte de lindépendance)
probabilité de la réponse impulsionnelle du bougé
probabilité du bruit sur limage cas le plus
simple bruit blanc gaussien
probabilité de la scène photographiée
approche efficace dans de nombreux types
dapplications (p. ex. Markov)
6
http//www.cs.unc.edu/lazebnik/research/fall08/le
c05_deblurring.pdf
7
autres éléments plus ou moins pris en compte il
y a plus de hautes fréquences, les contours étant
mieux marqués
8
estimer la réponse impulsionnelle du filtre
modélisant le bougé
on a une estimation de la scène f(x,y)
minimisation de lécart entre les deux images
limage mesurée
limage bougée prédite
9
estimer la réponse impulsionnelle du filtre
modélisant la déformation  h(x,y) 
coupe
10
reconstruction de la scène par filtrage inverse
le filtre inverse nest pas stable dépendance
très forte des conditions aux limites
exemple à une dimension
défaut de bougé filtre à réponse impulsionnelle
finie
reconstruction filtrage inverse récursif
http//www.cse.cuhk.edu.hk/leojia/projects/motion
_deblurring/index.html
11
reconstruction de la scène par filtrage inverse
le filtre inverse nest pas stable dépendance
très forte des conditions aux limites
 forcer  les conditions aux limites afin de
limiter les défauts
dans les régions où le gradient est faible, il
ny a pas lieu de modifier limage on fait
lhypothèse que le bruit présente des
caractéristiques différentes dans les deux types
de régions
http//www.cse.cuhk.edu.hk/leojia/projects/motion
_deblurring/index.html
12
approche itérative
nouvelle estimation de f(x,y) par filtrage
inverse prenant en compte les caractéristiques
statistiques du bruit, de la scène à
reconstruire et de la réponse impulsionnelle du
bougé (critère max de vraisemblance)
nouvelle estimation du filtre h(x,y) minimisant
lécart entre limage bougée et sa prédiction
domaine où il faut trouver les bonnes conditions
initiales pour effectuer le filtrage inverse
taille du filtre modélidant le bougé
13
http//www.cse.cuhk.edu.hk/leojia/projects/motion
_deblurring/index.html