M?thodes et structures non locales pour la restaurationd'images et de surfaces 3D

par Thierry Guillemot

Thèse de doctorat en Signal et images

Sous la direction de Tamy Boubekeur et de Andr?s Almansa.

Le président du jury était Julie Delon.

Le jury était composé de Cyril Crassin, Pooran Memari.

Les rapporteurs étaient Pierre Alliez, Jean-Michel Morel.


  • Résumé

    Durant ces derni?res ann?es, les technologies d?acquisition num?riques n?ont cess? de se perfectionner, permettant d?obtenir des donn?es d?une qualit? toujours plus fine. N?anmoins, le signal acquis reste corrompu par des d?fauts qui ne peuvent ?tre corrig?s mat?riellement et n?cessitent l?utilisation de m?thodes de restauration adapt?es. J'usqu?au milieu des ann?es 2000, ces approches s?appuyaient uniquement sur un traitement local du signal d?t?rior?. Avec l?am?lioration des performances de calcul, le support du filtre a pu ?tre ?tendu ? l?ensemble des donn?es acquises en exploitant leur caract?re autosimilaire. Ces approches non locales ont principalement ?t? utilis?es pour restaurer des donn?es r?guli?res et structur?es telles que des images. Mais dans le cas extr?me de donn?es irr?guli?res et non structur?es comme les nuages de points 3D, leur adaptation est peu ?tudi?e ? l?heure actuelle. Avec l?augmentation de la quantit? de donn?es ?chang?es sur les r?seaux de communication, de nouvelles m?thodes non locales ont r?cemment ?t? propos?es. Elles utilisent un mod?le a priori extrait ? partir de grands ensembles d??chantillons pour am?liorer la qualit? de la restauration. N?anmoins, ce type de m?thode reste actuellement trop co?teux en temps et en m?moire. Dans cette th?se, nous proposons, tout d?abord, d??tendre les m?thodes non locales aux nuages de points 3D, en d?finissant une surface de points capable d?exploiter leur caract?re autosimilaire. Nous introduisons ensuite une nouvelle structure de donn?es, le CovTree, flexible et g?n?rique, capable d?apprendre les distributions d?un grand ensemble d??chantillons avec une capacit? de m?moire limit?e. Finalement, nous g?n?ralisons les m?thodes de restauration collaboratives appliqu?es aux donn?es 2D et 3D, en utilisant notre CovTree pour apprendre un mod?le statistique a priori ? partir d?un grand ensemble de donn?es.

  • Titre traduit

    Non local methods and structures for images and 3D surfaces restoration


  • Résumé

    In recent years, digital technologies allowing to acquire real world objects or scenes have been significantly improved in order to obtain high quality datasets. However, the acquired signal is corrupted by defects which can not be rectified materially and require the use of adapted restoration methods. Until the middle 2000s, these approaches were only based on a local process applyed on the damaged signal. With the improvement of computing performance, the neighborhood used by the filter has been extended to the entire acquired dataset by exploiting their self-similar nature. These non-local approaches have mainly been used to restore regular and structured data such as images. But in the extreme case of irregular and unstructured data as 3D point sets, their adaptation is few investigated at this time. With the increase amount of exchanged data over the communication networks, new non-local methods have recently been proposed. These can improve the quality of the restoration by using an a priori model extracted from large data sets. However, this kind of method is time and memory consuming. In this thesis, we first propose to extend the non-local methods for 3D point sets by defining a surface of points which exploits their self-similar of the point cloud. We then introduce a new flexible and generic data structure, called the CovTree, allowing to learn the distribution of a large set of samples with a limited memory capacity. Finally, we generalize collaborative restoration methods applied to 2D and 3D data by using our CovTree to learn a statistical a priori model from a large dataset.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Télécom ParisTech. Bibliothèque scientifique et technique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.