FR2945649A1 - Procede et dispositif de traitement d'une image numerique. - Google Patents
Procede et dispositif de traitement d'une image numerique. Download PDFInfo
- Publication number
- FR2945649A1 FR2945649A1 FR0953286A FR0953286A FR2945649A1 FR 2945649 A1 FR2945649 A1 FR 2945649A1 FR 0953286 A FR0953286 A FR 0953286A FR 0953286 A FR0953286 A FR 0953286A FR 2945649 A1 FR2945649 A1 FR 2945649A1
- Authority
- FR
- France
- Prior art keywords
- image
- angle
- inclination
- contours
- rectilinear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Procédé de traitement d'une image numérique comprenant une estimation (S1) d'un angle d'inclinaison de l'image par rapport à un axe de l'image.
Description
B08-5214FR FZ/CRA
Déposant : ST-Ericsson SA (ST-Ericsson Ltd) Procédé et dispositif de traitement d'une image numérique Invention de : LESELLIER Estelle CHOULY Antoine Procédé et dispositif de traitement d'une image numérique
L'invention concerne le traitement d'une image numérique, et notamment le traitement de son inclinaison.
En particulier, l'invention concerne les images numériques obtenues à l'aide d'un appareil de capture d'images numériques. L'invention s'applique avantageusement mais non limitativement aux images numériques individuelles, ou photos, et aux images numériques d'une vidéo.
On entend par appareil de capture d'images numériques, un appareil numérique apte à capturer des photos et des vidéos numériques, comme un appareil photo, un caméscope, une caméra d'un téléphone portable, une caméra d'ordinateur... Actuellement, l'inclinaison du contenu d'une image (une ligne d'horizon, des gratte-ciel, des arbres, etc.) par rapport aux bordures du cadre de l'image est un problème fréquent qui apparaît lors de la capture d'une image. L'inclinaison du contenu de l'image peut provenir du fait que les nouveaux appareils photos proposent un afficheur numérique pour visualiser les images avant capture et qui remplace le viseur traditionnel. En conséquence, l'utilisateur doit porter l'appareil à une distance de lecture, d'environ 25 cm, afin de visualiser correctement les images affichées, ce qui entraîne que l'appareil n'est plus calé par le visage. En outre, lorsque l'appareil qui affiche l'image est éloigné de l'utilisateur, celui-ci distingue moins nettement l'inclinaison de l'image avec les bordures du cadre de l'appareil de capture. Cette inclinaison non désirée peut également survenir lorsque l'utilisateur presse le bouton pour déclencher une capture d'image et entraîne un mouvement non désiré de l'appareil. Ce phénomène est d'autant plus amplifié que les appareils deviennent de plus en plus légers. On notera également qu'une faible inclinaison non désirée du contenu de l'image capturée sera perceptible lorsque l'image sera affichée sur un écran d'ordinateur ou sur une télévision ayant une taille d'affichage supérieure à l'appareil qui a capturé l'image. Certains appareils photo numériques affichent, dans l'afficheur numérique, une grille fixe. Mais cette méthode n'est pas suffisamment efficace car elle est basée sur une estimation visuelle subjective de l'utilisateur qui doit adapter la position de la grille par rapport à l'image avant capture. Cette manipulation de l'appareil n'est donc pas suffisamment précise. Des méthodes de traitement d'images sont utilisées par des logiciels de retouche d'images, mais c'est encore une fois l'utilisateur qui doit déterminer l'inclinaison correcte de l'image à retoucher. Selon un aspect, il est proposé un procédé de traitement d'une image numérique, comprenant, une estimation d'un angle d'inclinaison de l'image par rapport à un axe de l'image, et plus particulièrement par rapport au cadre de l'image, par exemple par rapport à un axe défini par rapport au cadre de l'image, cet axe pouvant être horizontal, vertical ou incliné. Cette estimation est avantageusement effectuée de façon automatisée. En d'autres termes elle est effectuée sans intervention de l'utilisateur et sans tenir compte notamment de la perception subjective de l'utilisateur. On peut ainsi mesurer l'inclinaison d'un appareil dans une image numérique capturée. On peut, grâce à une estimation de l'inclinaison de l'image par rapport à un axe de l'image, afficher cette estimation sur un appareil numérique avant la capture de l'image, appelé également mode de prévisualisation ou preview en langue anglaise, offrant la possibilité à l'utilisateur de corriger l'inclinaison de l'appareil. On peut afficher, par exemple la valeur de l'angle d'inclinaison, ou une ligne représentant l'inclinaison par rapport à une grille fixe dans l'afficheur avant que l'utilisateur capture l'image ou la vidéo. On peut également restaurer automatiquement l'inclinaison correcte de l'image après capture en effectuant une rotation inverse de l'image par rapport à l'angle d'inclinaison estimé, et ce quel que soit le contenu de l'image. Avantageusement, l'estimation comprend une détection d'un contour rectiligne pertinent de l'image et un calcul d'un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation. On peut ainsi fournir une méthode peu complexe et peu onéreuse pour mesurer l'angle d'inclinaison d'une image numérique par rapport à un axe de l'image. Ceci est particulièrement adapté aux appareils de capture d'images numériques ayant des capacités limitées en puissance de calcul, en bande-passante, en stockage de l'énergie électrique et en stockage de la mémoire. Selon un mode de mise en oeuvre, la détection du contour rectiligne pertinent comporte une détection de contours de l'image, un traitement comprenant une transformation des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un calcul des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, de façon à discriminer les contours rectilignes parmi lesdits contours détectés, et une sélection dudit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus. On peut ainsi préciser l'estimation de l'angle d'inclinaison de l'image en détectant plusieurs contours de l'image de manière à favoriser la sélection d'un contour pertinent parmi lesdits contours détectés. Selon encore un autre mode de mise en oeuvre, on sélectionne ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image.
On limite ainsi le nombre de calculs pour déterminer le contour rectiligne pertinent. La sélection dudit contour rectiligne pertinent peut comporter un calcul d'un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et ledit contour rectiligne pertinent est choisi parmi ceux ayant le plus grand nombre de pixels. On fournit ainsi un critère de sélection du contour pertinent qui est simple à mettre en oeuvre.
La détection de contours de l'image peut également comprendre un rejet des contours isolés. On peut ainsi accélérer le traitement de l'image en évinçant les contours non pertinents. Selon un mode de mise en oeuvre, le procédé comprend une première estimation d'un premier angle d'inclinaison par rapport à un premier axe de l'image, une deuxième estimation d'un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et une troisième estimation d'un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si la différence entre lesdits premier et deuxième angles d'inclinaison est inférieure à un seuil, ou à un desdits angles d'inclinaison dans le cas contraire. On améliore ainsi la robustesse de l'estimation de l'angle d'inclinaison. En utilisant deux axes, on fournit une méthode plus précise pour déterminer l'angle d'inclinaison de l'image. Selon un autre mode de mise en oeuvre, le procédé s'applique au traitement de plusieurs images numériques successives d'une vidéo ; le procédé comprend une sélection d'un nombre d'images de ladite vidéo, et une estimation de l'angle d'inclinaison de chaque image sélectionnée. On peut ainsi estimer le tremblement qui apparaît dans une vidéo. Selon un autre aspect, il est proposé un dispositif de traitement d'une image numérique. Ce dispositif comprend un moyen d'estimation pour estimer un angle d'inclinaison de l'image par rapport à un axe de l'image. Avantageusement, ledit moyen d'estimation comprend un moyen de détection pour détecter un contour rectiligne pertinent de l'image et un moyen de calcul pour calculer un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation. Selon un mode de réalisation, le moyen de détection comprend un moyen de détection initial pour détecter des contours de l'image, un moyen de traitement pour discriminer les contours rectilignes parmi lesdits contours détectés, ledit moyen de traitement comportant un moyen de transformation pour transformer des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un deuxième moyen de calcul pour calculer des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, et un moyen de sélection pour sélectionner ledit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus.
Selon encore un autre mode de réalisation, le moyen de sélection est apte à sélectionner ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image. Le moyen de sélection peut comporter un troisième moyen de calcul pour calculer un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et est en outre apte à sélectionner ledit contour rectiligne pertinent parmi ceux ayant le plus grand nombre de pixels.
Le moyen de détection initial est en outre apte à rejeter des contours isolés. Selon un mode de réalisation, le dispositif comprend un premier moyen d'estimation pour estimer un premier angle d'inclinaison par rapport à un premier axe de l'image, un deuxième moyen d'estimation pour estimer un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et un troisième moyen d'estimation pour estimer un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si la différence entre lesdits premier et deuxième angles d'inclinaison est inférieure à un seuil, ou à un desdits angles d'inclinaison dans le cas contraire. Selon un autre mode de réalisation, le dispositif est apte à traiter plusieurs images numériques successives d'une vidéo, ledit dispositif comprenant, un deuxième moyen de sélection pour sélectionner un nombre d'images de ladite vidéo, dans lequel, le moyen d'estimation est apte à estimer l'angle d'inclinaison de chaque image sélectionnée.
Le dispositif de traitement d'une ou de plusieurs images numériques peut être inclus dans un appareil de capture d'images numériques. Un tel appareil de capture d'images peut également être inclus dans un appareil de communication sans fil.
D'autres avantages et caractéristiques apparaîtront à l'examen de la description détaillée de modes de mise en oeuvre et de réalisations de l'invention, nullement limitatifs, et des dessins annexés sur lesquels : - la figure 1 illustre de façon schématique les phases principales d'un mode de mise en oeuvre du procédé de traitement d'une image numérique - la figure 2 illustre de façon schématique les phases principales de l'étape de détection d'un contour rectiligne pertinent ; - la figure 3 illustre de façon schématique un histogramme de la distribution des pixels de l'image ; - la figure 4 illustre de façon schématique un autre mode de mise en oeuvre du procédé de traitement d'une image numérique ; - la figure 5 illustre de façon schématique encore un autre mode de mise en oeuvre du procédé de traitement d'une image numérique ; - la figure 6 illustre de façon schématique un mode de mise en oeuvre du procédé de traitement de plusieurs images numériques ; - la figure 7 illustre de façon schématique un mode de réalisation d'un dispositif de traitement d'une image numérique ; - la figure 8 illustre de façon schématique un autre mode de réalisation du dispositif de traitement d'une image numérique ; - la figure 9 illustre de façon schématique un mode de réalisation du dispositif de traitement de plusieurs images numériques ; et - la figure 10 illustre de façon schématique un mode de réalisation d'un appareil de communication sans fil comprenant un dispositif de traitement d'une ou de plusieurs images numériques. Sur la figure 1, on a représenté de façon schématique les phases principales d'un exemple de procédé de traitement d'une image numérique Pi.
Ce procédé comprend une estimation S1 d'un angle d'inclinaison de l'image Pi par rapport à un axe de l'image AxH. L'image Pi comporte un cadre Cdi comprenant quatre bordures B1 à B4. En outre, le cadre Cdi comprend une hauteur B4,B2 et une largeur B1,B3 définissant le nombre de pixels de l'image Pi.
Généralement, le cadre Cdi de l'image Pi correspond au cadre de visé traditionnel, ou à l'afficheur, d'un appareil de capture d'images. On notera une bordure principale B1 du cadre Cdi de l'image Pi comme étant la bordure horizontale du bas du cadre de l'image. Par rapport à cette bordure principale B1, l'axe de l'image AxH peut être oblique, par exemple selon une diagonale de l'image, vertical ou horizontal. De préférence, l'axe de l'image sera horizontal ou vertical. Dans l'exemple illustré sur la figure 1, l'axe de l'image AxH est l'axe horizontal. Cette image représente schématiquement un parasol PL muni d'un pied PPL et d'une partie haute HPL, ledit parasol PL étant planté sur une plage PLG, avec une ligne d'horizon LHZ inclinée. On voit ici que la ligne d'horizon LHZ, au lieu d'être horizontale comme dans la réalité, est inclinée d'un angle aH qui correspond à l'angle d'inclinaison de l'image par rapport à l'horizontal. L'étape d'estimation S1 permet d'estimer cet angle d'inclinaison aH. Cette étape d'estimation S1 comprend une étape de détection S11 d'un contour rectiligne pertinent de l'image et une étape de calcul S12 d'un angle d'orientation du contour rectiligne pertinent par rapport audit axe. En outre, au cours de cette étape de calcul S12, on déduit l'angle d'inclinaison de l'image dudit angle d'orientation.
I1 existe plusieurs formats d'images numériques. Le format RVB , ou Rouge, Vert et Bleu , le format YUV , ou Luminance, Chrominance bleue et Chrominance rouge , le format Lab ou Clarté, Gamme de l'axe rouge-vert et Gamme de l'axe jaune-bleu , le format TSV ou Teinte, Saturation et Valeur ...
Tous ces formats ont le point commun de définir chaque pixel de l'image numérique à l'aide de trois composantes qui définissent un espace colorimétrique. L'étape de détection S11 d'un contour rectiligne pertinent peut être effectuée à partir de l'une des trois composantes d'une image, quelque soit son format. De préférence, les images numériques Pi traitées sont converties au format YUV et l'étape d'estimation S1 d'un angle d'inclinaison est effectuée à partir de la composante Y de luminance. On pourra également appliquer le procédé de traitement sur les autres composantes U et V de l'image afin d'augmenter la robustesse du procédé. Avantageusement, on effectue une étape de réduction du bruit de l'image numérique Pi dans laquelle on applique des filtres sur l'image Pi, comme par exemple des filtres passe-bas ou gaussien connus de l'homme du métier. Cette étape préalable à l'étape de détection S11 permet de réduire la complexité du procédé de traitement de l'image. Cette étape permet également de supprimer certains contours non pertinents de l'image. On peut également effectuer une réduction de la taille de l'image numérique Pi qui permet, notamment, de diminuer le nombre de calculs lors du traitement de l'image Pi. Cette réduction de la taille de l'image Pi permet, en outre, de supprimer certains contours non pertinents de l'image. Sur la figure 2, on a représenté de façon schématique les phases principales de l'étape de détection S11 d'un contour rectiligne pertinent. L'étape de détection S11 d'un contour rectiligne pertinent comprend une étape détection de plusieurs contours de l'image 5111, une étape de traitement S112 et une étape de sélection du contour rectiligne pertinent S113. Le principe de la détection de contours consiste à repérer les pixels d'une image numérique qui correspondent à un changement brutal de l'intensité lumineuse, c'est-à-dire un gradient d'un contour. L'étape de détection de contours de l'image 5111 permet d'établir une table binaire qui contient les contours de l'image Pi. On peut établir cette table à l'aide de filtres qui mesurent les gradients des contours de l'image. On peut, par exemple, appliquer un filtre de Sobel sur l'image Pi, mais il existe également d'autres filtres comme les filtres de Prewitt ou les filtres de Canny.
Lors de cette étape de détection de contours de l'image 5111, on retient les contours essentiels de l'image en comparant la valeur absolue du gradient calculé avec un seuil. Ce seuil peut être compris entre 3% et 5% de la valeur maximum des gradients de l'image. De préférence, ce seuil est égal à 4% de la valeur maximum des gradients de l'image. La table binaire contient alors les contours de l'image Pi ayant un gradient supérieur audit seuil. Cette table binaire est directement liée à l'image numérique d'origine. Dans cette table, les pixels appartenant à un contour sont par exemple représentés par 1, et les pixels appartenant à des parties uniformes ou très peu texturées de l'image sont par exemple représentés par 0. En outre, cette étape de détection de contours de l'image S111 peut comprendre une étape de rejet SR des contours isolés. Dans cette étape de rejet SR, on identifie dans la table binaire chaque pixel élément d'un contour, et si ce pixel ne possède pas de voisins (valeur à 0 dans la table binaire) on élimine ledit pixel, car il est considéré comme appartenant à un contour isolé. Dans l'autre cas, si le pixel possède au moins un voisin (valeur à 1 dans la table binaire) on conserve ledit pixel, car il est considéré comme appartenant à un contour non isolé. Cette étape de détection de contours de l'image S111 peut encore comprendre une étape de fiabilité de la détection. Au cours de cette étape de fiabilité de la détection, on compare le nombre de pixels qui appartiennent à au moins un contour par rapport à un premier seuil de fiabilité. Ce premier seuil de fiabilité peut être calculé en fonction de la taille de l'image numérique Pi. Ce premier seuil de fiabilité peut être égal à 10% du nombre total de pixels de l'image. En dessous de ce premier seuil de fiabilité, on considère que l'étape de détection de contours de l'image S111 n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. L'étape de traitement S112 permet de discriminer les contours rectilignes parmi lesdits contours détectés à l'étape précédente S111. Cette étape de traitement S112 comporte une étape de transformation S20 et une étape de calcul S21. Au cours de cette étape de transformation S20, on transforme les coordonnées cartésiennes (x,y) des pixels appartenant aux contours détectés en courbes sinusoïdales. Cette étape peut être effectuée, par exemple, à l'aide d'une transformée de Hough appliquée sur la table binaire établie lors de l'étape précédente S111. La transformée de Hough est une technique de reconnaissance de formes bien connue de l'homme du métier, comme par exemple des contours rectilignes d'une image.
Le principe de la transformée de Hough consiste à transformer chaque pixel de coordonnées cartésiennes (x,y) en une courbe sinusoïdale selon l'équation (1) : p =x•cos0 +y•sin0 équation (1)
dans laquelle - p désigne la longueur du segment de droite qui relie un pixel d'un contour rectiligne de l'image avec le centre de l'image Pi, ledit segment étant perpendiculaire audit contour rectiligne ; - 0 désigne l'angle du segment de droite par rapport à l'axe AxH de l'image. En d'autres termes, (p,0) sont les coordonnées polaires des contours rectilignes de l'image. En outre, on déduit l'angle d'orientation du contour rectiligne Oi en fonction de son angle polaire 0, c'est-à-dire en fonction de l'angle du segment de droite, selon l'équation (2) : 0i =0 ùOaxe -90° équation (2) dans laquelle - Oi : désigne l'angle d'orientation du contour rectiligne par rapport à l'axe de l'image. - Oaxe : désigne l'angle de l'axe de l'image AxH par rapport à la bordure principale de l'image B1. Par exemple, dans l'exemple d'image décrite à la figure 1, les contours rectilignes Ci de l'image sont le pied PPL, la partie haute du parasol HPL, et la ligne d'horizon LHZ. Par ailleurs, l'angle Oaxe de l'axe de l'image AxH par rapport à la bordure principale B1 est nul. Selon la transformée de Hough, les pixels appartenant à un même contour rectiligne Ci de l'image ont leur courbe sinusoïdale respective qui ont toutes un point d'intersection commun. Ce point d'intersection a donc pour coordonnées, les coordonnées polaires (p, 0) du contour rectiligne Ci de l'image. L'étape de calcul S21 consiste à calculer les coordonnées polaires (p,0) des contours rectilignes parmi les contours détectés.
En appliquant cette transformée de Hough sur la table binaire contenant les contours de l'image Pi, on détermine une courbe sinusoïdale pour chaque pixel appartenant à un contour (valeur à 1 dans la table binaire). Chaque intersection entre au moins deux courbes correspond alors aux coordonnées polaires (p,O) d'un contour rectiligne de l'image Ci. En d'autres termes, si N pixels sont alignés sur un contour rectiligne Ci, on déterminera donc N courbes sinusoïdales, associées respectivement à chacun des pixels. Ces N courbes sinusoïdales auront toutes un point d'intersection, dont les coordonnées polaires (p,0) correspondent aux coordonnées polaires du contour rectiligne Ci. Lors de cette étape de traitement S112, on élabore une table polaire comprenant les coordonnées polaires (p,0) des contours rectilignes détectés. L'étape de sélection du contour rectiligne pertinent S113 permet d'identifier un contour rectiligne pertinent parmi lesdits contours rectilignes obtenus à l'étape de traitement S112 précédente. Au cours de cette étape de sélection 5113, on peut quantifier les angles d'orientation Oi des contours rectilignes selon un pas d'échantillonnage, par exemple égal à 0,5°. Cette quantification permet de limiter le nombre de calculs pour déterminer le contour rectiligne pertinent de l'image. Afin de limiter encore le nombre de calculs, on restreint, lors de cette étape de sélection 5113, les angles d'orientations Oi déterminés à un intervalle centré sur l'axe de l'image. On pourra prendre par exemple un intervalle de restriction compris entre °axe-10° et Oaxe+10°, avec °axe, l'angle de l'axe de l'image par rapport à la bordure principale de l'image. On limite ainsi la sélection du contour rectiligne pertinent aux contours rectilignes qui sont proches de l'axe de l'image.
Avantageusement, on pourra également quantifier les valeurs de p des contours rectilignes en fonction de la taille de l'image. Cette quantification et cette restriction des angles d'orientation permettent d'élaborer une deuxième table polaire quantifiée comprenant les coordonnées polaires quantifiées (ps,Os) des contours rectilignes détectés ayant un angle d'orientation Oi compris dans l'intervalle de restriction. On peut également pondérer la table polaire quantifiée. Lors de cette étape de pondération, on affecte un poids à chaque contour rectiligne de ladite table en fonction, par exemple, de la valeur du gradient du contour, du nombre de pixels appartenant au contour, de la couleur ou de la luminance moyenne du contour, de la position du contour dans l'image, par exemple de la position du contour par rapport au centre de l'image, etc.
Cette pondération permet de déterminer plus facilement le contour rectiligne pertinent de l'image. On peut encore favoriser cette détermination en éliminant les contours rectilignes sélectionnés qui ne contiennent pas un nombre suffisant de pixels. On élimine les contours rectilignes ayant un nombre de pixels inférieur à un seuil de pertinence, par exemple ce seuil de pertinence peut être égal à 30% du maximum entre la hauteur et la largeur de l'image Pi. Selon un autre exemple, le seuil de pertinence est égal à 30% de la hauteur de l'image lorsqu'on utilise un axe de l'image vertical. Selon un autre exemple, le seuil de pertinence est égal à 30% de la largeur de l'image lorsqu'on utilise un axe de l'image horizontal. On notera que si aucun contour rectiligne ne possède un nombre de pixel au dessus du seuil de pertinence, on considère que l'étape de sélection du contour rectiligne pertinent S113 n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. L'étape de sélection du contour rectiligne pertinent S113 peut également comprendre une étape de calcul SHI d'un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation Oi des contours rectilignes. Cet histogramme peut être calculé à partir de l'une des tables polaires élaborées à l'étape de traitement S112 précédente, en sélectionnant pour chaque valeur d'angle 0,0s, le contour rectiligne prédominant, par exemple le contour rectiligne ayant le plus grand nombre de pixels. Puis, on analyse l'histogramme obtenu pour sélectionner le contour rectiligne pertinent qui a le plus grand nombre de pixels. Dans le cas de l'image décrite à la figure 1, le contour rectiligne pertinent de l'image sera la ligne d'horizon LHZ car elle contient plus de pixels que le contour rectiligne correspondant au pied du parasol PPL ou à la partie haute du parasol HPL. Lors de l'analyse de l'histogramme, on estime l'angle d'inclinaison de l'image aH en calculant une moyenne pondérée autour de l'angle correspondant au maximum de l'histogramme. Cette moyenne pondérée est effectuée pour des angles d'orientation Oi compris dans l'intervalle entre Oaxe-10° et Oaxe+10°, avec Oaxe, l'angle de l'axe de l'image par rapport à la bordure principale de l'image. Cette moyenne pondérée peut être calculée selon l'équation (3) : E0, •Histogramme(Oi) l EHistogramme(Oi) équation (3) - Oi : désigne l'angle d'orientation d'un contour rectiligne par rapport à l'axe de l'image ; - i : indexe du contour rectiligne ; - Histogramme(Oi) : valeur du poids affecté au contour 25 rectiligne ayant pour angle d'orientation Oi. On peut également effectuer une étape supplémentaire de fiabilité d'histogramme, dans laquelle on évalue la variance de l'histogramme autour de la valeur estimée de l'angle d'inclinaison de l'image aH. Si la variance calculée est supérieure à un seuil de 30 tolérance, on considère que l'étape de calcul d'histogramme SHI n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. i 20 aH = Sur la figure 3 on a représenté schématiquement un histogramme de la distribution du nombre de pixels N appartenant aux contours rectilignes en fonction des angles d'orientation Oi des contours rectilignes.
Sur la figure 4, on a représenté de façon schématique un autre mode de mise en oeuvre du procédé de traitement d'une image numérique. On a également reporté sur la figure 4 certains éléments décrits à la figure 1 précédente. En outre, on a représenté un axe vertical AxV supplémentaire sur l'image.
Dans ce mode de mise en oeuvre, on détermine deux axes de l'image Pi afin d'augmenter la robustesse de l'estimation de l'angle d'inclinaison de l'image. Les deux axes de l'image sont distincts, c'est-à-dire qu'ils ont un angle différent l'un de l'autre par rapport à la bordure principale de l'image B1.
Par rapport à cette bordure principale B1, ces axes peuvent être obliques, verticaux ou horizontaux. De préférence, on choisira deux axes ayant un angle de 90° entre eux. Dans un mode de mise en oeuvre préféré, le premier axe est vertical AxV et le deuxième axe est horizontal AxH par rapport à la bordure principale de l'image B1. Dans ce mode de mise en oeuvre préféré, on effectue une première étape d'estimation S1H d'un premier angle d'inclinaison de l'image aH par rapport à l'axe horizontal de l'image et une deuxième étape d'estimation S1V d'un deuxième angle d'inclinaison de l'image av par rapport à l'axe vertical de l'image. En outre, on effectue une troisième étape d'estimation S3 dans laquelle on estime l'angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés.
Lors de cette troisième étape d'estimation S3, si la première et la deuxième étape S 1H, S1V fournissent deux angles respectifs aH , av, c'est-à-dire si ces deux étapes sont valides, on estime un angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés, sinon l'angle final d'inclinaison de l'image aF est égal à un desdits angles d'inclinaison aH , ou av correspondant à l'étape d'estimation considérée comme étant valide. Lorsque les deux premières étapes d'estimation S l H et S1V sont valides, ledit angle final d'inclinaison de l'image aF est égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison aH , av. On notera que les angles d'inclinaison obtenus sont proches l'un de l'autre en valeur absolue, de l'ordre de quelques degrés. En effet, lors des étapes de sélection du contour rectiligne pertinent S113 par rapport à chaque axe de l'image AxH, AxV on utilise un même intervalle de restriction, par exemple deux intervalles centrés de 10°, pour chaque axe de l'image AxH, AxV. Ainsi, on sélectionne les contours rectilignes qui sont proches, de l'ordre de quelques degrés, de chaque axe de l'image AxH, AxV. Cette moyenne pondérée permet donc d'estimer un angle d'inclinaison de l'image représentatif de l'angle réel d'inclinaison de l'image. Dans le cas où l'un des deux angles correspond à un contour rectiligne prépondérant, l'angle de ce contour aura un poids plus important dans le calcul de l'angle final d'inclinaison de l'image aF. Par ailleurs, si les angles aH , av estimés sont égaux en valeur absolue, correspondent à des contours rectilignes ayant un poids identique mais sont opposés en signe, alors la moyenne pondérée est nulle. Dans ce cas, l'angle final d'inclinaison de l'image aF est alors nul et traduit le fait que deux contours pertinents qui ont une inclinaison opposée ont été détectés et qu'il n'est pas possible de déterminer un angle représentatif de d'inclinaison de l'image. Par exemple, à partir de l'image décrite à la figure 4, la première étape d'estimation SlH fournit le premier angle d'inclinaison de l'image aH correspondant à l'angle d'inclinaison de la ligne d'horizon LHZ par rapport à l'axe horizontal de l'image AxH. La deuxième étape d'estimation S1V fournit le deuxième angle d'inclinaison de l'image av correspondant à l'angle d'inclinaison du pied du parasol PPL par rapport à l'axe vertical de l'image AxV. En effet, le pied du parasol PPL est considéré comme étant le contour rectiligne pertinent par rapport à l'axe vertical AxV car il comprend plus de pixels que la partie haute du parasol HPL. Lors de la troisième étape d'estimation S3, comme les deux estimations S 1 H, S 1 V sont valides, on effectue alors la moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison aH , av. En outre, dans cet exemple la ligne d'horizon LHZ correspond au contour qui a le plus grand nombre de pixels et donc le plus de poids par rapport au pied du parasol PPL. A partir de la moyenne pondérée calculée, on fournit alors l'angle final d'inclinaison de l'image aF qui est environ égal au premier angle d'inclinaison aH correspondant à la ligne d'horizon LHZ qui possède le plus grand nombre de pixels par rapport au pied du parasol PPL. Sur la figure 5, on a représenté de façon schématique encore un autre mode de mise en oeuvre du procédé de traitement d'une image numérique. On a également reporté sur la figure 4 certains éléments décrits aux figures précédentes. Dans ce mode de mise en oeuvre, on détermine deux axes de l'image Pi distincts, c'est-à-dire deux axes qui ont un angle différent l'un de l'autre par rapport à la bordure principale de l'image B1. De préférence, on choisira deux axes ayant un angle de 90° entre eux. Dans un mode de mise en oeuvre préféré, le premier axe est vertical AxV et le deuxième axe est horizontal AxH par rapport à la bordure principale de l'image B1.
Dans ce mode de mise en oeuvre préféré, on effectue une première étape de détection S111H des contours rectilignes par rapport à l'axe horizontal AxH et une deuxième étape de détection S111H des contours rectilignes par rapport à l'axe vertical AxV. Puis, on effectue une étape S6 de présélection des contours rectilignes basée sur le rapport entre les valeurs absolues des gradients verticaux et horizontaux. En effet, pour chaque pixel de l'image on calcule le rapport Igrad(ver)l/lgrad(hor)l, avec : - 1grad(ver)l : la valeur absolue du gradient du pixel selon l'axe vertical AxV ; - 1grad(hor)l : la valeur absolue du gradient du pixel selon l'axe horizontal AxH ; Le calcul du rapport des gradients Igrad(ver)l/lgrad(hor)l permet d'exclure les contours dont le rapport est en dehors d'un intervalle Ir=[tan(Omax) ; l/tan(Omax)], avec Amax l'angle maximum que les contours rectilignes doivent avoir par rapport à chacun des axes vertical et horizontal. C'est-à-dire que le contour détecté sera rejeté si tan(Omax) < Igrad(ver)l/lgrad(hor)l < 1/tan(O ) pour tous les pixels du contour considéré. Cette étape S6 de présélection permet de rejeter les contours ayant des angles d'inclinaison par rapport à l'axe vertical AxV ou horizontal AxH supérieurs à la valeur Amax autorisée. En d'autres termes, cette étape de présélection S6 permet de diminuer le nombre de calculs à réaliser aux étapes ultérieures. Puis, on effectue une étape de traitement S112H et une étape de sélection du contour rectiligne pertinent S113H à partir des contours présélectionnés par rapport à l'axe horizontal AxH. Ces étapes de traitement S112H et de sélection S113H permettent d'estimer un premier angle d'inclinaison de l'image aH par rapport à l'axe horizontal de l'image.
En outre, on effectue une étape de traitement S 112V et une étape de sélection du contour rectiligne pertinent S113V à partir des contours présélectionnés par rapport à l'axe vertical AxV. Ces étapes de traitement S 112V et de sélection S 113 V permettent d'estimer un deuxième angle d'inclinaison de l'image av par rapport à l'axe vertical de l'image. Ensuite, on effectue une étape d'estimation S3 dans laquelle on estime l'angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés. Cette étape d'estimation S3 correspond à l'étape S3 décrite à la figure 4 précédente.
En variante, on peut appliquer l'estimation d'angle d'inclinaison qui vient d'être décrite sur les trois composantes des pixels de l'image, et corréler les résultats en pondérant chaque résultat en fonction de la pertinence de perception de la composante.
En outre, lorsqu'on applique ce procédé aux trois composantes Y,U,V d'une image numérique, on peut comparer les trois résultats obtenus. Par exemple, si la variance des trois résultats est inférieure à un seuil, l'angle final d'inclinaison de l'image sera égal à une moyenne pondérée des trois résultats, dans le cas contraire l'angle final d'inclinaison de l'image sera égal au résultat fourni par le procédé appliqué sur la luminance Y de l'image. Sur la figure 6, on a représenté de façon schématique un mode de mise en oeuvre d'un procédé de traitement de plusieurs images numériques. Dans ce mode de mise en oeuvre, on applique le procédé décrit aux figures précédentes sur plusieurs images numériques successives d'une vidéo Vi. Le procédé de traitement comprend une étape de sélection S4 d'un nombre d'images de ladite vidéo Vi, puis l'étape d'estimation S1 de l'angle d'inclinaison de l'image décrite aux figures précédentes pour chaque image sélectionnée. Ainsi, on peut corriger l'inclinaison de chaque image de la vidéo. Dans un autre mode de mise en oeuvre, on peut effectuer une étape d'homogénéisation S5 dans laquelle on estime la valeur de l'angle d'inclinaison d'une image par rapport aux valeurs des angles d'inclinaison des images précédentes (c'est-à-dire passées). Par exemple, au cours de cette étape d'homogénéisation S5, l'angle d'inclinaison d'une image de la vidéo peut être égal à une moyenne des angles d'inclinaison des images précédentes.
A l'aide de ces angles d'inclinaison estimés, on pourra lisser la vidéo capturée afin d'atténuer le tremblement perçu dans la vidéo d'origine. Sur la figure 7, on a représenté de façon schématique un dispositif de traitement d'une image numérique 1 qui est apte à mettre en oeuvre le procédé décrit aux figures précédentes. Ce dispositif de traitement d'une image numérique 1 comprend un moyen d'estimation 2 pour estimer un angle d'inclinaison de l'image Pi par rapport à un axe de l'image.
Ce moyen d'estimation 2 comprend un moyen de détection 3 pour détecter un contour rectiligne pertinent de l'image Pi et un moyen de calcul 4 pour calculer un angle d'orientation du contour rectiligne pertinent par rapport audit axe et pour calculer l'angle d'inclinaison de l'image en fonction dudit angle d'orientation. Ce moyen de détection 3 comprend un moyen de détection initial 5 pour détecter des contours de l'image, un moyen de traitement 6 pour discriminer les contours rectilignes parmi lesdits contours détectés, ledit moyen de traitement 6 comportant un moyen de transformation 7 pour transformer des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un deuxième moyen de calcul 8 pour calculer des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues.
En outre, le moyen de détection 3 comprend un moyen de sélection 9 pour sélectionner ledit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus. Par ailleurs, ce moyen de sélection 9 comporte un troisième moyen de calcul 10 pour calculer un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes. Le moyen de sélection 9 est en outre apte à sélectionner ledit contour rectiligne pertinent parmi ceux ayant le plus grand nombre de pixels.
Tous ces moyens peuvent être réalisés de façon logicielle ou également sous la forme de circuits logiques. Sur la figure 8, on a représenté de façon schématique un mode de réalisation du dispositif de traitement d'une image numérique 1. Dans ce mode de réalisation, le dispositif de traitement d'une image numérique 1 comprend un premier moyen d'estimation 2H pour estimer un premier angle d'inclinaison par rapport à un premier axe de l'image, un deuxième moyen d'estimation 2V pour estimer un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et un troisième moyen d'estimation 20 pour estimer un angle final d'inclinaison de l'image. Sur la figure 9, on a représenté de façon schématique un mode de réalisation d'un dispositif de traitement de plusieurs images numériques 11. Ce dispositif 11 est apte à traiter plusieurs images numériques successives d'une vidéo Vi. Le dispositif 11 comprend un deuxième moyen de sélection 30 pour sélectionner un nombre d'images de ladite vidéo Vi, un dispositif 1 de traitement d'une image numérique 1 dans lequel le moyen d'estimation 2 est apte à estimer l'angle d'inclinaison de chaque image sélectionnée. En outre, ce dispositif 11 peut comprendre un moyen d'homogénéisation 31 pour homogénéiser les angles d'inclinaison des images de la vidéo. Ce moyen d'homogénéisation 31 est apte à estimer un angle d'inclinaison d'une image de la vidéo déduit desdits angles d'inclinaison estimés des images précédentes. Sur la figure 10, on a représenté de façon schématique un appareil de communication sans fil 40 comprenant un appareil de capture d'images numériques 41.
L'appareil de communication sans fil 40 comprend un boîtier 42 et une antenne 43 d'émission/réception de données numériques. Un tel appareil de communication sans fil peut être, par exemple, un téléphone cellulaire. L'appareil de capture d'images numériques 41 est apte à capturer des images Pi et/ou des vidéos Vi. Cet appareil de capture d'images numériques 41 comprend un dispositif de traitement d'une image numérique 1 et un dispositif de traitement de plusieurs images numériques 11. Ce procédé et ce dispositif sont adaptés aux différents formats d'une image numérique (RVB, YUV, Lab, TSV).
Claims (20)
- REVENDICATIONS1. Procédé de traitement d'une image numérique, caractérisé en ce qu'il comprend une estimation (Si) d'un angle d'inclinaison de l'image par rapport à un axe de l'image.
- 2. Procédé selon la revendication 1, dans lequel l'estimation (Sl) comprend une détection (Sll) d'un contour rectiligne pertinent de l'image et un calcul (S12) d'un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation.
- 3. Procédé selon la revendication 2, dans lequel la détection (Sll) du contour rectiligne pertinent comporte une détection (5111) de contours de l'image, un traitement (5112) comprenant une transformation (S20) des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un calcul (S21) des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, de façon à discriminer les contours rectilignes parmi lesdits contours détectés, et une sélection (5113) dudit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus.
- 4. Procédé selon la revendication 3, dans lequel on sélectionne (S113) ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image.
- 5. Procédé selon l'une des revendications 3 et 4, dans lequel la sélection (S113) dudit contour rectiligne pertinent comporte un calcul d'un histogramme (SHI) de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et ledit contour rectiligne pertinent étant choisi parmi ceux ayant le plus grand nombre de pixels.
- 6. Procédé selon l'une des revendications 3 à 5, dans lequel la détection (5111) de contours de l'image comprend un rejet (SR) des contours isolés.
- 7. Procédé selon l'une des revendications 1 à 6, comportant en outre une fourniture d'une indication de l'angle d'inclinaison estimé.
- 8. Procédé de traitement d'une image numérique comprenant une première estimation (S1H) d'un premier angle d'inclinaison par rapport à un premier axe de l'image selon l'une des revendications 1 à 7, une deuxième estimation (S1V) d'un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image selon l'une des revendications 1 à 7, et une troisième estimation (S3) d'un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si les première et deuxième estimations (SlH,S1V) sont valides, ou à un desdits angles d'inclinaison dans le cas contraire.
- 9. Procédé de traitement de plusieurs images numériques successives d'une vidéo, comprenant une sélection (S4) d'un nombre d'images de ladite vidéo, et une estimation (S1,S3) de l'angle d'inclinaison de chaque image sélectionnée selon l'une des revendications 1 à 8.
- 10. Dispositif de traitement d'une image numérique (1), caractérisé en ce qu'il comprend un moyen d'estimation (2) pour estimer un angle d'inclinaison de l'image par rapport à un axe de l'image.
- 11. Dispositif selon la revendication 10, dans lequel ledit moyen d'estimation (2) comprend un moyen de détection (3) pour détecter un contour rectiligne pertinent de l'image et un moyen de calcul (4) pour calculer un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation.
- 12. Dispositif selon la revendication 11, dans lequel le moyen de détection (3) comprend un moyen de détection initial (5) pour détecter des contours de l'image, un moyen de traitement (6) pour discriminer les contours rectilignes parmi lesdits contours détectés, ledit moyen de traitement (6) comportant un moyen de transformation (7) pour transformer des coordonnées cartésiennes de chaque pixeldesdits contours détectés en une courbe sinusoïdale et un deuxième moyen de calcul (8) pour calculer des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, et un moyen de sélection (9) pour sélectionner ledit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus.
- 13. Dispositif selon la revendication 12, dans lequel le moyen de sélection (9) est apte à sélectionner ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image.
- 14. Dispositif selon l'une des revendications 12 et 13, dans lequel le moyen de sélection (9) comporte un troisième moyen de calcul (10) pour calculer un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et est en outre apte à sélectionner ledit contour rectiligne pertinent parmi ceux ayant le plus grand nombre de pixels.
- 15. Dispositif selon l'une des revendications 12 à 14, dans lequel le moyen de détection initial (5) est en outre apte à rejeter des contours isolés.
- 16. Dispositif de traitement d'une image numérique comprenant un premier moyen d'estimation (2H), selon l'une des revendications 10 à 15, pour estimer un premier angle d'inclinaison par rapport à un premier axe de l'image, un deuxième moyen d'estimation (2V), selon l'une des revendications 10 à 15, pour estimer un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et un troisième moyen d'estimation (20) pour estimer un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si les première et deuxième estimations (S 1 H,S 1V) sont valides, ou à un desdits angles d'inclinaison dans le cas contraire.
- 17. Dispositif de traitement de plusieurs images numériques successives d'une vidéo (11), comprenant un deuxième moyen desélection (30) pour sélectionner un nombre d'images de ladite vidéo, un dispositif (1) selon l'une des revendications 10 à 16 dans lequel le moyen d'estimation (2,20) est apte à estimer un angle d'inclinaison de chaque image sélectionnée.
- 18. Appareil de capture d'images numériques (41) comprenant un dispositif de traitement d'une ou de plusieurs images numériques (1,11) selon l'une quelconque des revendications 10 à 17.
- 19. Appareil selon la revendication 18, comprenant des moyens d'affichage aptes à afficher une indication de l'angle d'inclinaison estimé par le dispositif de traitement d'une ou de plusieurs images numériques (1,11) selon l'une quelconque des revendications 10 à 17.
- 20. Appareil de communication sans fil (40) comprenant un appareil de capture d'images numériques (41) selon l'une des revendications 18 et 19.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0953286A FR2945649A1 (fr) | 2009-05-18 | 2009-05-18 | Procede et dispositif de traitement d'une image numerique. |
PCT/EP2010/056734 WO2010133547A1 (fr) | 2009-05-18 | 2010-05-17 | Procédé et dispositif de traitement d'une image numérique |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0953286A FR2945649A1 (fr) | 2009-05-18 | 2009-05-18 | Procede et dispositif de traitement d'une image numerique. |
Publications (1)
Publication Number | Publication Date |
---|---|
FR2945649A1 true FR2945649A1 (fr) | 2010-11-19 |
Family
ID=41467312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR0953286A Withdrawn FR2945649A1 (fr) | 2009-05-18 | 2009-05-18 | Procede et dispositif de traitement d'une image numerique. |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR2945649A1 (fr) |
WO (1) | WO2010133547A1 (fr) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5568571A (en) * | 1992-12-14 | 1996-10-22 | University Microfilms, Inc. | Image enhancement system |
DE19700318A1 (de) * | 1997-01-08 | 1998-07-09 | Heidelberger Druckmasch Ag | Verfahren zur Bestimmung der Geometriedaten von Abtastvorlagen |
US7065261B1 (en) * | 1999-03-23 | 2006-06-20 | Minolta Co., Ltd. | Image processing device and image processing method for correction of image distortion |
WO2007132679A1 (fr) * | 2006-05-15 | 2007-11-22 | Sanyo Electric Co., Ltd. | Dispositif et procédé de correction d'inclinaison d'image |
WO2009001512A1 (fr) * | 2007-06-27 | 2008-12-31 | Panasonic Corporation | Appareil d'imagerie, procédé, système de circuit intégré, et programme |
-
2009
- 2009-05-18 FR FR0953286A patent/FR2945649A1/fr not_active Withdrawn
-
2010
- 2010-05-17 WO PCT/EP2010/056734 patent/WO2010133547A1/fr active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5568571A (en) * | 1992-12-14 | 1996-10-22 | University Microfilms, Inc. | Image enhancement system |
DE19700318A1 (de) * | 1997-01-08 | 1998-07-09 | Heidelberger Druckmasch Ag | Verfahren zur Bestimmung der Geometriedaten von Abtastvorlagen |
US7065261B1 (en) * | 1999-03-23 | 2006-06-20 | Minolta Co., Ltd. | Image processing device and image processing method for correction of image distortion |
WO2007132679A1 (fr) * | 2006-05-15 | 2007-11-22 | Sanyo Electric Co., Ltd. | Dispositif et procédé de correction d'inclinaison d'image |
US20090244308A1 (en) * | 2006-05-15 | 2009-10-01 | Yukio Mori | Image Inclination Correction Device and Image Inclination Correction Method |
WO2009001512A1 (fr) * | 2007-06-27 | 2008-12-31 | Panasonic Corporation | Appareil d'imagerie, procédé, système de circuit intégré, et programme |
Non-Patent Citations (3)
Title |
---|
J.J. HULL, S.L. TAYLOR: "Document Analysis Systems II", 1998, WORLD SCIENTIFIC, article J.J. HULL: "Document image skew detection: Survey and annotated bibliography", pages: 40 - 64, XP002562656 * |
LEAVERS V F: "Shape Detection in Computer Vision using the Hough Transform", 1992, SPRINGER, ISBN: 9783540197232, article "Chapitres 3 et 4", XP002562657 * |
ROBERT ADELMANN ED - PENG YANG ET AL: "Mobile Phone Based Interaction with Everyday Products - On the Go", NEXT GENERATION MOBILE APPLICATIONS, SERVICES AND TECHNOLOGIES, 2007. NGMAST '07. THE 2007 INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 1 September 2007 (2007-09-01), pages 63 - 69, XP031142481, ISBN: 978-0-7695-2878-6 * |
Also Published As
Publication number | Publication date |
---|---|
WO2010133547A1 (fr) | 2010-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1410327B1 (fr) | Procede et systeme pour produire des informations formatees liees aux defauts d'au moins un appareil d'une chaine, notamment au flou | |
US8928772B2 (en) | Controlling the sharpness of a digital image | |
Lukáš et al. | Detecting digital image forgeries using sensor pattern noise | |
US8724919B2 (en) | Adjusting the sharpness of a digital image | |
EP1523730B1 (fr) | Procede et systeme pour calculer une image transformee a partir d'une image numerique | |
US7616237B2 (en) | Method and apparatus for identifying an imaging device | |
US7787030B2 (en) | Method and apparatus for identifying an imaging device | |
US8160293B1 (en) | Determining whether or not a digital image has been tampered with | |
EP3416128B1 (fr) | Système et procédé de traitement d'image brute | |
US20150178946A1 (en) | Image adjustment using texture mask | |
US20210390747A1 (en) | Image fusion for image capture and processing systems | |
US9478016B2 (en) | Image restoration method and image processing apparatus using the same | |
EP3340169B1 (fr) | Débruitage hybride d'images et de vidéos basé sur des métriques d'intérêt | |
EP3371741A1 (fr) | Détection de focalisation | |
JP2004310475A (ja) | 画像処理装置、画像処理を行う携帯電話、および画像処理プログラム | |
WO2018109372A1 (fr) | Procédé de traitement d'image numérique | |
WO2005031646A1 (fr) | Procede et systeme pour m7difier une image numérique de maniere differenciee et quasi reguliere par pixel | |
WO2016202926A1 (fr) | Procédé et dispositif de production d'une image numérique | |
JP5254361B2 (ja) | カーネル融合を使用するデジタル信号パターンの検出および分類 | |
Mandelli et al. | Source camera model identification | |
Galdi et al. | Videos versus still images: Asymmetric sensor pattern noise comparison on mobile phones | |
Iuliani et al. | A hybrid approach to video source identification | |
FR2945649A1 (fr) | Procede et dispositif de traitement d'une image numerique. | |
Hou et al. | Hue modification estimation using sensor pattern noise | |
Fan et al. | Image tampering detection using noise histogram features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RM | Correction of a material error | ||
ST | Notification of lapse |
Effective date: 20130131 |