Académique Documents
Professionnel Documents
Culture Documents
Plan du cours
1 – Problématique du dématriçage
Capteurs 3CCD et 1CCD pour l'acquisition d'images couleur
CFA et images CFA
De l'image CFA à l'image couleur estimée : formalisation du dématriçage
2 – Introduction aux méthodes de dématriçage
Dématriçage par copie de pixels, par interpolation bilinéaire
Artefacts de dématriçage
Principale hypothèses de dématriçage
3 – Méthodes de dématriçage avancées
Méthodes exploitant la corrélation spatiale
Méthodes fréquentielles
Critères et évaluation de la qualité
Sélection de références
Caméras 3CCD
Système à
prismes dichroïques
Caméras 1CCD
Système à mosaïque de filtres couleur monochromatiques
CFA = Color
Filter Array
Image CFA
Seul 1 niveau de composante est connu en chaque pixel
Dépend des filtres du CFA et de leur disposition
Exemple
« Scène » Filtrée par CFA Image CFA
Formalisation du dématriçage
À partir de l'image CFA ICFA dans laquelle 1 seul niveau de composante
(R ou G ou B) est connu en chaque pixel,
On forme une image couleur Î dans laquelle les 3 niveaux de composantes
(R, G et B) sont connus en chaque pixel, 2 d'entre eux étant estimés.
ICFA Î
Formalisation du dématriçage
Formalisme utilisé
Désignation du pixel de coordonnées (x, y), avec 0 6 x < w et 0 6 y < h
générique P(x, y) ou Px,y
d'une image en niveaux de gris I(x, y) ou Ix,y
d'une image couleur I(x, y) ou Ix,y
d'un plan de composante d'une image couleur Ik(x, y) ou Ikx,y , k∈{R,G,B}
Image CFA 0 1 2
{
Rx , y si x impair et y pair
I CFA
x, y = B x , y si x pair et y impair
G x , y sinon
Image estimée
Cas du CFA
{
x, y ,
R x, y , G B x , y si x impair et y pair
I x , y = de Bayer
x , y , B x , y si x pair et y impair
R x, y , G
R x, y , G x , y ,
B x , y sinon
{RGR} :
R=R1,0 ,
B=B0,−1 {BGB} :
R=R0,−1 ,
B=B1,0
{
1
B = B B 1,−1B−1,1 B1,1
4 −1,−1
1
G = G G−1,0G 1,0G 0,1
4 0,−1
{
1
R = R R1,0
2 −1,0
1
B = B B 0,1
2 0,−1
I CFA Î ÎR
(IR=IG=IB=ICFA)
ÎG
ÎB
Master ASE & Master Informatique – Traitement d'Images 14
Problématique Introduction aux méthodes Méthodes avancées
I Î
Corrélation spatiale
Une image est composée de régions homogènes juxtaposées.
Au sein d'une région, tous les pixels ont des niveaux similaires, et ce, pour chaque
composante couleur.
Zones de transition entre deux régions forte variation locale des composantes.
Principe : pour estimer les composantes manquantes en un pixel, utiliser
seulement des pixels voisins qui appartiennent à la même région.
ICFA ICFA
Corrélation spectrale
Dans une image naturelle, les trois composantes couleurs sont fortement corrélées.
Preuve [GAM02] : les coefficients de corrélation inter-composantes, par exemple
w−1 h−1 w−1 h−1
∑ ∑ R x , y− G x , y −
R G
∑ ∑ Rx , y
R ,G x=0 y=0 R x=0 y=0
r = avec =
wh
∑ ∑
w−1 h−1 w−1 h−1
R 2 G 2
R x , y − ∑ ∑ G x,y −
x=0 y=0 x=0 y =0
sont élevés pour toutes les composantes et toutes les sous-bandes fréquentielles.
Cette corrélation est particulièrement élevée dans les zones de hautes fréquences
spatiales.
Principe : prendre en compte cette corrélation spectrale (entre
composantes couleur) en un pixel donné pour y estimer les composantes
manquantes .
{
G−1,0G 1,0 /2 si x y ,
G = G0,−1G 0,1 /2 x
si ,
y
G0,−1G−1,0G1,0G0,1 / 4 si x = y .
{
G−1,0G 1,0 /2 2R− R−2,0−R 2,0 /4 si x y ,
x y
G =
G0,−1G 0,1 /2 2R− R0,−2−R0,2 /4 si ,
G0,−1G−1,0G1,0G0,1 /4
4R− R 0,−2− R−2,0− R2,0 − R0,2 /8 si x = y .
Problèmes restants
Mauvais choix de la direction d'interpolation (zones de détails fins).
Incohérences entre directions d'interpolation pour R et B.
b si GG
h si GG
échantillonnage
1
m
R
=
4
1−−1 1−1
x y
1
m
G
= 1−1x y
2
1
I≡ f ≡[f f f ]
R G B mB = 1−1x 1−−1 y ICFA ≡ fCFA
4
f CFA x , y= ∑ f k x , y mk x , y
[ ][ ][ ]
fL 1 /4 1/2 1/4 fR k =R ,G , B
Dématriçage
(Alleysson par sélection de fréquences
et al., 2005) (fin)
Estimation de la luminance L : sélection des basses fréquences
x →
[ ]
0 0 0 0 1 0 1 0 0 0 0
0 0 0 −1 0 2 0 −1 0 0 0
0 0 1 1 2 1 2 1 1 0 0
0 −1 1 −5 3 −9 3 −5 1 −1 0
∗ 1
128
1 0 2 3 1 7
0 −2 1 −9 7 104
1 0 2 3 1 7
1
7
1
3
−9
3
2 0 1
1 −2 0
2 0 1
0 −1 1 −5 3 −9 3 −5 1 −1 0
0 0 1 1 2 1 2 1 1 0 0
0 0 0 −1 0 2 0 −1 0 0 0
0 0 0 0 1 0 1 0 0 0 0
Critères
Rapport signal-sur-bruit pic-à-pic (ang. Peak Signal to Noise Ratio)
Aussi utilisé en compression d'images
Mesure la qualité de l'image estimée Î par rapport à l'image de référence I en
évaluant l'erreur quadratique moyenne (ang. Mean Square Error) :
w−1 h−1
d2 1 2
PSNR I , I =10⋅log10
MSE
avec MSE= ∑ ∑ ∑
3 w h k =R , G , B x=0 y=0
I x , y− I x , y
k
k
d est la valeur maximale possible du signal (si composantes sur 8 bits, d=255).
Le PSNR s'exprime en décibels (dB).
Plus sa valeur est élevée, meilleure est l'estimation.
Mesure la « proximité » entre 2 images, pas la qualité visuelle de l'image estimée.
Autres mesures
Mesure perceptuelle (sans unité) dans l'espace L*a*b* :
w−1 h−1
1
∗ ∗ ∗ 2
E
L a b
= ∑∑
3 w h x=0 y=0
∑ I k
x, y − I x , y
k
k =L , a ∗ , b ∗
Sites web
Deux sites sur la technologie des capteurs couleur mono-CCD.
http://www710.univ-lyon1.fr/~fdenis/club_EEA/cours/couleur2.html
et http://en.wikipedia.org/wiki/Bayer_filter
Description, implémentation et comparaison des principaux algorithmes.
http://scien.stanford.edu/class/psych221/projects/99/tingchen/main.htm
Compilation (quasi-)exhaustive des approches de dématriçage existantes.
http://www.danielemenon.it/top/demosaicking-list.php
Articles scientifiques
[All04] D. Alleysson, 30 ans de démoisaïçage. Traitement du Signal,
21(6) : 561-581, 2004.
[GAM02] B. K. Gunturk, Y. Altunbasak et R. M. Mersereau, Color plane
interpolation using alternating projections. IEEE Transactions on Image
Processing, 11(9) : 997-1013, 2002.