Information theory oriented image restauration

par Cesario Vicenzo Angelino

Thèse de doctorat en Automatique, traitement du signal et des images

Sous la direction de Michel Barlaud et de Éric Debreuve.

Soutenue en 2011

à Nice .


  • Résumé

    Cette thèse aborde la formulation par la théorie de l’information des problèmes de traitement d’image. Cette formulation exprime la solution au travers de la minimisation d’une énergie. Ces énergies appartiennent à la classe non paramétrique au sens où elles ne font aucune hypothèse paramétrique sur la distribution des données. Les énergies sont exprimées directement en fonction des données considérées comme des variables aléatoires. Toutefois, l’estimation non paramétrique classique repose sur des noyaux de taille fixe moins fiables lorsqu’il s’agit de données de grande dimension. En particulier, des méthodes récentes dans le traitement de l’image dépendent des données de type ”patch” correspondant à des vecteurs de description de modèles locaux des images naturelles, par exemple, les voisinages de pixels. Le cadre des k-plus proches voisins résout ces difficultés en s’adaptant localement à la distribution des données dans ces espaces de grande dimension. Sur la base de ces prémisses, nous développons de nouveaux algorithmes qui s’attaquent principalement à deux problèmes du traitement de l’image : la déconvolution et le débruitage. Le problème de la restauration est développé dans les hypothèses d’un bruit blanc gaussien additive puis successivement adaptés à domaines tels que la photographie numérique et le débruitage d’image radar (SAR). Le schéma du débruitage est également modifié pour définir un algorithme d’inpainting.

  • Titre traduit

    Restauration d'image basée sur la théorie de l'information


  • Résumé

    This thesis addresses informational formulation of image processing problems. This formulation expresses the solution through a minimization of an information-based energy. These energies belong to the nonparametric class in that they do not make any parametric assumption on the underlying data distribution. Energies are expressed directly as a function of the data considered as random variables. However, classical nonparametric estimation relies on fixed-size kernels which becomes less reliable when dealing with high dimensional data. Actually, recent trends in image processing rely on patch-based approaches which deal with vectors describing local patterns of natural images, e. G. , local pixel neighborhoods. The k-Nearest Neighbors framework solves these difficulties by locally adapting the data distribution in such high dimensional spaces. Based on these premises, we develop new algorithms tackling mainly two problems of image processing: deconvolution and denoising. The problem of denoising is developed in the additive white Gaussian noise (AWGN) hypothesis and successively adapted to no AWGN realm such as digital photography and SAR despeckling. The denoising scheme is also modified to propose an inpainting algorithm.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (145 p.)
  • Annexes : Bibliogr. p. 137-145. Résumés en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Non disponible pour le PEB
  • Cote : 11NICE4044
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.