FR3011969A1 - STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS - Google Patents
STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS Download PDFInfo
- Publication number
- FR3011969A1 FR3011969A1 FR1359887A FR1359887A FR3011969A1 FR 3011969 A1 FR3011969 A1 FR 3011969A1 FR 1359887 A FR1359887 A FR 1359887A FR 1359887 A FR1359887 A FR 1359887A FR 3011969 A1 FR3011969 A1 FR 3011969A1
- Authority
- FR
- France
- Prior art keywords
- digital image
- spatial resolution
- equalized
- image
- equalization
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 86
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 101800000863 Galanin message-associated peptide Proteins 0.000 description 3
- 102100028501 Galanin peptides Human genes 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
L'invention concerne un procédé d'estimation statistique de paramètres d'égalisation pour une image numérique à égaliser, l'image à égaliser comportant un bruit d'acquisition structuré selon des rayures directionnelles, une image numérique à égaliser ayant un niveau de résolution spatiale initiale associé. Selon le procédé de l'invention, pour une pluralité de sous-ensembles d'image prédéterminés d'une image traitée, on applique une estimation (74, 82) par une méthode statistique d'au moins une valeur paramètre d'une transformation d'égalisation, et mémorisation des valeurs estimées en association avec le niveau de résolution spatiale courant de l'image traitée. Ensuite, une image traitée égalisée est obtenue par application (78, 86) d'une transformation d'égalisation avec les valeurs de paramètres obtenues pour chaque sous-ensemble prédéterminé. Un sous-échantillonnage est ensuite appliqué à au moins une partie de l'image traitée égalisée, afin d'obtenir une image numérique sous-échantillonnée ayant une résolution spatiale inférieure à la résolution spatiale courante. Les étapes d'estimation, transformation et sous-échantillonnage sont appliquées un nombre prédéterminé de fois. Le procédé comporte également une étape de combinaison (90) des valeurs de paramètres estimées en association avec chaque niveau de résolution spatiale, pour obtenir un ensemble de valeurs finales des paramètres associé au niveau de résolution spatiale initiale.The invention relates to a method for statistical estimation of equalization parameters for a digital image to be equalized, the image to be equalized comprising an acquisition noise structured according to directional stripes, a digital image to be equalized having a level of spatial resolution. initial associate. According to the method of the invention, for a plurality of predetermined image subsets of a processed image, an estimate (74, 82) is applied by a statistical method of at least one parameter value of a transformation of a processed image. equalizing, and storing the estimated values in association with the current spatial resolution level of the processed image. Then, an equalized processed image is obtained by applying (78, 86) an equalization transformation to the parameter values obtained for each predetermined subset. Subsampling is then applied to at least a portion of the equalized processed image to obtain a subsampled digital image having a spatial resolution less than the current spatial resolution. The estimation, transformation and sub-sampling steps are applied a predetermined number of times. The method also includes a step of combining (90) estimated parameter values in association with each spatial resolution level to obtain a set of final parameter values associated with the initial spatial resolution level.
Description
Estimation statistique de paramètres d'égalisation d'image numérique La présente invention concerne un procédé d'estimation statistique de paramètres d'égalisation d'image numérique, un procédé d'égalisation statistique d'image numérique associé et un procédé d'évaluation de la qualité d'images numériques associés.The present invention relates to a method of statistically estimating digital image equalization parameters, an associated digital image equalizing method and a method of evaluating the digital image equalization parameter. associated digital image quality.
La présente invention se situe dans le domaine de l'amélioration de la qualité d'images numériques, en particulier des images présentant des artefacts comme du bruit structuré directionnel composé de rayures, par exemple horizontales et/ou verticales. De tels artefacts sont dus à l'acquisition d'images, et se présentent en particulier pour des images acquises par des capteurs d'images à détecteurs multiples.The present invention is in the field of improving the quality of digital images, in particular images presenting artifacts such as directional structured noise composed of stripes, for example horizontal and / or vertical. Such artifacts are due to the acquisition of images, and are in particular for images acquired by multi-detector image sensors.
Des capteurs d'images à détecteurs multiples sont utilisés notamment dans le domaine de la télédétection par satellite. L'invention s'applique plus généralement pour tout type d'image numérique présentant un bruit directionnel structuré. En particulier, un mode d'acquisition d'images connu dans le domaine de la télédétection consiste à utiliser un capteur composé d'une matrice monodimensionnelle de détecteurs fixé à un aéronef, perpendiculairement à la direction de déplacement de l'aéronef. Ainsi, le capteur défile au regard du paysage observé, chaque ligne de l'image numérique acquise correspondant à l'acquisition effectuée à un instant donné. L'image numérique obtenue est composée d'une matrice bidimensionnelle d'échantillons appelés pixels, chaque échantillon ayant une valeur de radiométrie associée. Dans ce mode d'acquisition, chaque colonne de l'image numérique obtenue est associée physiquement à un détecteur de la matrice monodimensionnelle de détecteurs formant le capteur. Ce mode d'acquisition par déplacement rectiligne du capteur est connu sous le nom d'acquisition par balayage, ou « push-broom » en anglais. Dans un cas de figure idéal, l'acquisition d'un paysage uniforme devrait fournir une image numérique acquise uniforme. Cependant, en pratique, les détecteurs présentent des différences de sensibilité qui se traduisent par des artefacts sur une image numérique acquise, qui sont des rayures verticales dans le cas de l'acquisition d'images en mode « push-broom » décrite ci-dessus. Il existe diverses méthodes de correction des artefacts dus aux différences de sensibilité entre détecteurs d'un capteur d'image à multiples détecteurs, ces différences de sensibilité ayant pour effet l'obtention d'une image comportant du bruit d'acquisition sous forme de rayures notamment horizontales/verticales, ou selon d'autres directions. On connaît notamment dans ce domaine une méthode de correction de ces artefacts, dite d'égalisation d'image numérique, utilisant un modèle mathématique de correction, représentatif d'une détection homogène pour l'ensemble des détecteurs, et le calcul de paramètres de transformation permettant de déduire, à partir d'une valeur de radiométrie réellement observée, une valeur de radiométrie corrigée correspondant à une détection homogène. Selon les techniques classiques, une méthode d'égalisation numérique d'image comporte une phase d'étalonnage permettant d'obtenir des valeurs de paramètres de transformation et une phase effective de mise en oeuvre de la correction par application de la transformation choisie avec les coefficients obtenus par étalonnage. Typiquement, pour l'acquisition d'images par télédétection, la phase d'étalonnage nécessite une acquisition d'images uniformes sur la totalité des détecteurs, par exemple des images de nuit ou de paysages de neige, en conditions d'observation sans nuage, ce qui est difficile à obtenir, car de nombreuses prises de vue sont nécessaires. De plus, une phase de validation des valeurs de paramètres obtenus par un expert est également nécessaire. L'étalonnage classique en vue de l'égalisation d'image numérique est donc long, et nécessite une intervention d'expert. Dans le domaine de la télédétection par satellite, il a été développé une méthode fondée sur un appariement de segments d'image présentant un paysage uniforme dans la direction colonne, pour en déduire des différences de réponse entre détecteurs, et pour obtenir des paramètres de correction d'image. L'article de Carfantan et ldier, « Statistical Linear Destriping of Satellite-Based Pushbroom-type Images », publié dans IEEE Transactions on Geoscience and Remote Sensing, vol. 48, numéro 4, en Avril 2010, décrit une méthode d'égalisation statistique pour la correction d'artefacts directionnels de type rayures verticales observés sur des images acquises par télédétection utilisant une matrice monodimensionnelle de détecteurs. La méthode d'égalisation proposée dans cet article améliore la technique existante, car elle permet de calculer des coefficients d'un modèle de transformation linéaire entre une valeur de radiométrie réellement observée et une valeur de radiométrie corrigée correspondant à une détection homogène à partir d'observations opérationnelles, donc sans nécessiter d'étalonnage, et de manière plus générale, sans nécessiter aucune observation supplémentaire. Cette méthode est basée sur une modélisation probabiliste d'une image numérique et une estimation de coefficients itérative utilisant la théorie du maximum de vraisemblance. Cependant, cette méthode est limitée à l'estimation d'un coefficient multiplicatif liant une valeur de radiométrie réellement observée et une valeur de radiométrie corrigée correspondant à une détection homogène. De plus, il a été constaté que les détecteurs peuvent présenter des variabilités temporelles et des variabilités en fonction de la plage de radiométrie traitée ainsi que de la luminance spectrale du paysage observé.Multi-detector image sensors are used in particular in the field of satellite remote sensing. The invention applies more generally for any type of digital image having a structured directional noise. In particular, an image acquisition mode known in the field of remote sensing consists in using a sensor composed of a one-dimensional array of detectors fixed to an aircraft, perpendicular to the direction of movement of the aircraft. Thus, the sensor scrolls in view of the observed landscape, each line of the acquired digital image corresponding to the acquisition made at a given moment. The resulting digital image is composed of a two-dimensional matrix of samples called pixels, each sample having an associated radiometric value. In this acquisition mode, each column of the digital image obtained is physically associated with a detector of the one-dimensional matrix of detectors forming the sensor. This mode of acquisition by rectilinear displacement of the sensor is known as scanning acquisition, or "push-broom" in English. In an ideal case, the acquisition of a uniform landscape should provide a uniformly acquired digital image. However, in practice, the detectors have differences in sensitivity that result in artefacts on an acquired digital image, which are vertical stripes in the case of the acquisition of images in "push-broom" mode described above. . There are various methods of correcting artifacts due to the differences in sensitivity between detectors of a multi-detector image sensor, these differences in sensitivity having the effect of obtaining an image comprising acquisition noise in the form of stripes. especially horizontal / vertical, or according to other directions. A method of correcting these artefacts, known as digital image equalization, using a mathematical correction model, representative of a homogeneous detection for all the detectors, and the calculation of transformation parameters, is particularly known in this field. allowing to deduce, from a radiometry value actually observed, a corrected radiometry value corresponding to a homogeneous detection. According to conventional techniques, a digital image equalization method comprises a calibration phase making it possible to obtain transformation parameter values and an effective phase for implementing the correction by applying the chosen transformation with the coefficients. obtained by calibration. Typically, for the acquisition of images by remote sensing, the calibration phase requires a uniform image acquisition on all the detectors, for example night images or snow landscapes, in cloudless observation conditions, which is difficult to obtain because many shots are needed. In addition, a validation phase of the parameter values obtained by an expert is also necessary. Traditional calibration for digital image equalization is therefore long, and requires expert intervention. In the field of satellite remote sensing, a method has been developed based on a pairing of image segments presenting a uniform landscape in the column direction, to deduce differences in response between detectors, and to obtain correction parameters. image. Carfantan et al., "Statistical Linear Destriping of Satellite-Based Pushbroom-type Images," published in IEEE Transactions on Geoscience and Remote Sensing, vol. 48, No. 4, April 2010, describes a statistical equalization method for the correction of vertical striped directional artifacts observed on remotely acquired images using a one-dimensional array of detectors. The equalization method proposed in this paper improves the existing technique by calculating coefficients of a linear transformation model between a radiometry value actually observed and a corrected radiometry value corresponding to a homogeneous detection from operational observations, thus without requiring calibration, and more generally, without requiring any additional observations. This method is based on a probabilistic modeling of a digital image and an iterative coefficient estimation using the maximum likelihood theory. However, this method is limited to the estimation of a multiplicative coefficient linking a radiometry value actually observed and a corrected radiometry value corresponding to a homogeneous detection. In addition, it has been found that the detectors may exhibit temporal variability and variability depending on the range of radiometry processed as well as the spectral luminance of the observed landscape.
Un des objectifs de l'invention est d'améliorer l'estimation des valeurs de paramètres lorsque les détecteurs présentent une variabilité telle que décrite ci-dessus, et d'améliorer par conséquent la correction d'images numériques présentant des artefacts linéaires, notamment acquises par déplacement de capteurs à détecteurs multiples.One of the objectives of the invention is to improve the estimation of the values of parameters when the detectors have a variability as described above, and consequently to improve the correction of digital images presenting linear artefacts, in particular acquired by moving sensors with multiple detectors.
A cet effet, l'invention propose, selon un premier aspect, un procédé d'estimation statistique de paramètres d'égalisation pour une image numérique à égaliser, l'image numérique à égaliser comportant un bruit d'acquisition structuré selon des rayures directionnelles, l'image numérique à égaliser ayant un niveau de résolution spatiale initiale associé. Le procédé selon l'invention comporte les étapes suivantes, mises en oeuvre pour une image numérique traitée ayant un niveau de résolution spatiale courant, l'image numérique traitée étant initialisée à ladite image numérique à égaliser: a)- pour une pluralité de sous-ensembles prédéterminés d'échantillons de l'image numérique traitée, estimation par une méthode statistique d'au moins une valeur de paramètre d'une transformation d'égalisation permettant d'obtenir, à partir d'une valeur d'intensité d'échantillon de l'image numérique traitée, une valeur d'intensité corrigée et mémorisation des valeurs de paramètres estimées en association avec le niveau de résolution spatiale courant, b) application, pour chaque sous-ensemble prédéterminé d'échantillons, de la transformation d'égalisation avec ladite au moins une valeur de paramètre estimée pour ledit sous-ensemble d'échantillons, afin d'obtenir une image numérique traitée égalisée, c) sous-échantillonnage d'au moins une partie ladite image numérique traitée égalisée, permettant d'obtenir une image numérique sous-échantillonnée ayant une résolution spatiale inférieure à la résolution spatiale courante, le procédé comportant en outre, d) l'itération des étapes a), b) et c) un nombre prédéterminé de fois, avec comme image numérique courante l'image numérique sous-échantillonnée obtenue précédemment à l'étape c), et e) une étape de combinaison des valeurs de paramètres estimées en association avec chaque niveau de résolution spatiale, pour obtenir un ensemble de valeurs finales desdits paramètres associé au niveau de résolution spatiale initiale. Avantageusement, le procédé de l'invention permet d'estimer des valeurs de paramètres de modèle d'égalisation localement adaptés, permettant de mieux prendre en compte la variabilité temporelle et spectrale fonction de la radiométrie du ou des détecteurs de capture d'image et de réduire les artefacts à divers niveaux de résolution.For this purpose, the invention proposes, according to a first aspect, a method of statistical estimation of equalization parameters for a digital image to be equalized, the digital image to be equalized comprising an acquisition noise structured according to directional stripes, the digital image to be equalized having an associated initial spatial resolution level. The method according to the invention comprises the following steps, implemented for a processed digital image having a current spatial resolution level, the processed digital image being initialized to said digital image to be equalized: a) - for a plurality of subsystems predetermined sets of samples of the processed digital image, estimation by a statistical method of at least one parameter value of an equalization transformation for obtaining, from a sample intensity value of the processed digital image, a corrected intensity value and storing the estimated parameter values in association with the current spatial resolution level, b) applying, for each predetermined subset of samples, the EQ transformation with said at least one estimated parameter value for said subset of samples, in order to obtain an equalized processed digital image, c) sub- sampling at least a portion of said processed equalized digital image, to obtain a subsampled digital image having a spatial resolution lower than the current spatial resolution, the method further comprising, d) iterating the steps a), b) and c) a predetermined number of times, with the undersampled digital image obtained in step c) as the current digital image, and e) a step of combining the estimated parameter values in association with each level of spatial resolution, to obtain a set of final values of said parameters associated with the initial spatial resolution level. Advantageously, the method of the invention makes it possible to estimate locally adapted equalization model parameter values, making it possible to better take into account the temporal and spectral variability which is a function of the radiometry of the image capture detector (s) and reduce artifacts at various levels of resolution.
De plus, le procédé de l'invention permet de prendre en compte des effets de variabilité progressifs, qui donnent lieu à des artefacts de fréquence spectrale variable et/ou localisés spatialement dans l'image acquise à cause d'une variabilité temporelle des détecteurs. Le procédé selon l'invention peut présenter une ou plusieurs des caractéristiques ci-dessous.In addition, the method of the invention makes it possible to take into account progressive effects of variability, which give rise to artefacts of variable spectral frequency and / or spatially located in the image acquired because of a temporal variability of the detectors. The method according to the invention may have one or more of the features below.
L'image numérique à égaliser est acquise par balayage d'une zone par déplacement selon une direction prédéterminée d'au moins un capteur comprenant une pluralité de détecteurs organisés selon une matrice de détecteurs, et chaque sous-ensemble d'échantillons comprend une ligne ou une colonne d'une image numérique traitée.The digital image to be equalized is acquired by scanning a zone by moving in a predetermined direction of at least one sensor comprising a plurality of detectors organized according to a matrix of detectors, and each subset of samples comprises a line or a column of a processed digital image.
Chaque sous-ensemble d'échantillons comprend un groupe de lignes ou un groupe de colonnes d'une image numérique traitée. La transformation d'égalisation est une transformation affine en fonction des valeurs d'intensité, les paramètres de la transformation d'égalisation étant un paramètre de gain et un paramètre de décalage.Each subset of samples comprises a group of lines or a group of columns of a processed digital image. The equalization transformation is an affine transformation as a function of the intensity values, the parameters of the equalization transform being a gain parameter and an offset parameter.
L'application de la transformation d'égalisation consiste à transformer une valeur d'intensité de l'échantillon de l'image numérique traitée en une valeur d'intensité corrigée obtenue par la formule : 01,j)/GI,J Où est le paramètre de décalage et G,,, le paramètre de gain, les valeurs desdits paramètres de décalage et de gain étant les valeurs estimées associées au sous- ensemble d'échantillons auquel appartient l'échantillon Les valeurs de paramètres de gain et de décalage dépendent uniquement de la direction des rayures du bruit d'acquisition structuré. La méthode d'égalisation statistique est basée sur une minimisation itérative d'un critère de maximum a posteriori sur chaque sous-ensemble d'échantillons de l'image traitée. L'étape de sous-échantillonnage comporte l'application d'un filtre pour chaque échantillon d'image par ligne ou par colonne de l'image numérique traitée. L'étape de combinaison des valeurs de paramètres estimées en association avec chaque niveau de résolution spatiale comprend des étapes d'interpolation d'un vecteur de paramètres correspondant à niveau de résolution spatiale donné pour obtenir un vecteur interpolé correspondant à un niveau de résolution supérieur, et de combinaison entre le vecteur de paramètres interpolé et le vecteur de paramètres correspondant audit niveau de résolution spatiale supérieur.The application of the equalization transformation is to transform a sample intensity value of the processed digital image into a corrected intensity value obtained by the formula: 01, j) / GI, J Where is the offset parameter and G ,,, the gain parameter, the values of said offset and gain parameters being the estimated values associated with the subset of samples to which the sample belongs. The values of gain and offset parameters depend only on of the direction of structured acquisition noise scratches. The statistical equalization method is based on an iterative minimization of a maximum a posteriori criterion on each subset of samples of the processed image. The subsampling step includes applying a filter for each image sample per line or column of the processed digital image. The step of combining the estimated parameter values in association with each spatial resolution level comprises interpolation steps of a parameter vector corresponding to a given spatial resolution level to obtain an interpolated vector corresponding to a higher resolution level. and combining the interpolated parameter vector and the parameter vector corresponding to said higher spatial resolution level.
L'image numérique à égaliser au niveau de résolution spatiale initiale est obtenue par acquisition d'une image numérique comportant un bruit d'acquisition structuré selon des rayures directionnelles et application d'une méthode d'égalisation classique sur ladite image numérique acquise. Selon un deuxième aspect, l'invention propose un procédé d'égalisation statistique pour une image numérique à égaliser, acquise par au moins un capteur comprenant une pluralité de détecteurs, une dite image numérique à égaliser comprenant une matrice bidimensionnelle d'échantillons d'image ayant chacun une valeur d'intensité associée, l'image numérique à égaliser ayant un niveau de résolution spatiale initiale associée, comportant l'application d'une transformation paramétrée d'égalisation permettant d'obtenir, à partir d'une valeur d'intensité d'échantillon d'image acquise par un desdits détecteurs, une valeur d'intensité corrigée, l'estimation étant mise en oeuvre par une méthode statistique. Le procédé d'égalisation statistique selon l'invention comporte une étape d'obtention d'un ensemble de valeurs desdits paramètres associé au niveau de résolution spatiale initiale par un procédé d'estimation tel que brièvement décrit ci-dessus, et une étape d'application de ladite transformation avec les valeurs de paramètres obtenues. Selon un troisième aspect, l'invention propose un procédé d'évaluation de qualité d'images numériques comportant un bruit d'acquisition structuré selon des rayures directionnelles. Ce procédé d'évaluation comporte les étapes de : -acquisition d'une image numérique ayant des caractéristiques spectrales et d'intensité quelconques, comportant un bruit d'acquisition structuré selon des rayures directionnelles, - application d'un procédé d'estimation statistique de paramètres d'égalisation pour une image numérique tel que brièvement décrit ci-dessus à l'image numérique acquise, - application d'un critère d'évaluation de niveau de bruit d'acquisition utilisant les paramètres d'égalisation statistique estimés. Selon un quatrième aspect, l'invention concerne un dispositif d'estimation statistique de paramètres d'égalisation pour une image numérique à égaliser, comportant des moyens de mise en oeuvre d'un procédé d'estimation statistique de paramètres d'égalisation tel que brièvement décrit ci-dessus. Selon un cinquième aspect, l'invention concerne un dispositif d'égalisation statistique pour une image numérique à égaliser, acquise par au moins un capteur comprenant une pluralité de détecteurs, comportant des moyens de mise en oeuvre d'un procédé d'égalisation statistique tel que brièvement décrit ci-dessus.The digital image to be equalized at the initial spatial resolution level is obtained by acquisition of a digital image comprising a structured acquisition noise according to directional stripes and application of a conventional equalization method on said acquired digital image. According to a second aspect, the invention proposes a statistical equalization method for a digital image to be equalized, acquired by at least one sensor comprising a plurality of detectors, a said digital image to be equalized comprising a two-dimensional array of image samples. each having an associated intensity value, the digital image to be equalized having an associated initial spatial resolution level, comprising the application of a parameterized equalization transformation making it possible to obtain, from an intensity value image sample acquired by one of said detectors, a corrected intensity value, the estimate being implemented by a statistical method. The statistical equalization method according to the invention comprises a step of obtaining a set of values of said parameters associated with the initial spatial resolution level by an estimation method as briefly described above, and a step of applying said transformation with the parameter values obtained. According to a third aspect, the invention proposes a digital image quality evaluation method comprising a structured acquisition noise according to directional stripes. This evaluation method comprises the steps of: acquisition of a digital image having spectral characteristics and of any intensity, comprising a structured acquisition noise according to directional streaks; application of a statistical estimation method of equalization parameters for a digital image as briefly described above to the acquired digital image, - applying an acquisition noise level evaluation criterion using the estimated statistical equalization parameters. According to a fourth aspect, the invention relates to a device for statistical estimation of equalization parameters for a digital image to be equalized, comprising means for implementing a method of statistical estimation of equalization parameters such as briefly described above. According to a fifth aspect, the invention relates to a statistical equalization device for a digital image to be equalized, acquired by at least one sensor comprising a plurality of detectors, comprising means for implementing a statistical equalization method such as as briefly described above.
Selon un sixième aspect, l'invention concerne un dispositif d'évaluation de qualité d'images numériques comportant un bruit d'acquisition structuré selon des rayures directionnelles, apte à mettre en oeuvre un procédé d'évaluation de qualité d'images tel que brièvement décrit ci-dessus. D'autres caractéristiques et avantages de l'invention ressortiront de la description qui en est donnée ci-dessous, à titre indicatif et nullement limitatif, en référence aux figures annexées, parmi lesquelles : -la figure 1 illustre schématiquement le principe d'acquisition d'image par un capteur à multiples détecteurs dans le cas de l'imagerie satellite ; -la figure 2 est un schéma représentant les blocs fonctionnels d'un dispositif programmable apte à mettre en oeuvre l'invention ; -la figure 3 est un synoptique d'un procédé d'égalisation statistique d'image numérique; -la figure 4 est une illustration schématique d'un découpage en sous-ensembles d'image; -la figure 5 est un synoptique d'un procédé d'estimation statistique de paramètres et d'égalisation statistique par sous-ensembles d'image ; -la figure 6 est une illustration schématique de principe d'un procédé d'égalisation statistique multi-résolution ; -la figure 7 est un synoptique d'un procédé d'estimation statistique de paramètres et d'égalisation statistique multi-résolution ; - la figure 8 est un synoptique d'une combinaison de paramètres issu d'une estimation statistique multi-résolution ; - la figure 9 est un synoptique d'un procédé d'évaluation de qualité d'image selon un mode de réalisation de l'invention.According to a sixth aspect, the invention relates to a digital image quality evaluation device comprising an acquisition noise structured according to directional scratches, able to implement an image quality evaluation method such as briefly described above. Other features and advantages of the invention will emerge from the description which is given below, by way of indication and in no way limitative, with reference to the appended figures, among which: FIG. 1 schematically illustrates the principle of acquisition of image by a sensor with multiple detectors in the case of satellite imagery; FIG 2 is a diagram showing the functional blocks of a programmable device capable of implementing the invention; FIG. 3 is a block diagram of a digital image statistical equalization method; FIG. 4 is a schematic illustration of a division into image subsets; FIG. 5 is a block diagram of a method for statistical estimation of parameters and of statistical equalization by image subsets; FIG. 6 is a schematic illustration of the principle of a multi-resolution statistical equalization method; FIG. 7 is a block diagram of a method for statistical estimation of parameters and of statistical multi-resolution equalization; FIG. 8 is a block diagram of a combination of parameters resulting from a multi-resolution statistical estimation; FIG. 9 is a block diagram of an image quality evaluation method according to one embodiment of the invention.
L'invention sera décrite ci-après plus particulièrement dans le domaine de l'acquisition d'image par satellite, par des capteurs monodimensionnels à détecteurs multiples, dans le mode d'acquisition par le mode dit «push-broom », dans lequel chaque colonne de l'image numérique obtenue est associée physiquement à un détecteur de la matrice monodimensionnelle de détecteurs formant le capteur.The invention will be described hereinafter more particularly in the field of satellite image acquisition, by one-dimensional sensors with multiple detectors, in the mode of acquisition by the so-called "push-broom" mode, in which each The column of the resulting digital image is physically associated with a detector of the one-dimensional matrix of sensors forming the sensor.
II est cependant à noter que le concept de l'invention s'applique dans d'autres cas d'application, notamment dans le cas de l'acquisition d'images par une matrice monodimensionnelle ou bidimensionnelle de détecteurs présentant des sensibilités différentes utilisée en mode d'acquisition par balayage, et d'une manière plus générale, pour tout cas d'acquisition d'image dans lequel l'image présente un bruit structure comportant des rayures directionnelles, horizontales et/ou verticales, ou orientées selon un angle 0 par rapport à la verticale différent de 0° et de 90°, sur au moins une portion de l'image. Le contexte de l'acquisition d'images numériques par satellite est illustré schématiquement dans la figure 1.It should however be noted that the concept of the invention applies in other cases of application, in particular in the case of the acquisition of images by a one-dimensional or two-dimensional matrix of detectors having different sensitivities used in scanning acquisition, and more generally, for any case of image acquisition in which the image has a structure noise comprising directional, horizontal and / or vertical stripes, or oriented at an angle 0 by vertical ratio different from 0 ° and 90 °, on at least a portion of the image. The context of satellite digital image acquisition is schematically illustrated in Figure 1.
Un satellite non représenté ayant une trajectoire de déplacement T comporte un capteur 2, qui est une matrice monodimensionnelle de détecteurs 4, qui est apte à acquérir des images via un système optique 6. Chaque détecteur 4 réalise l'acquisition d'une portion du paysage observé, enregistrée dans une matrice d'image numérique I sous forme d'un échantillon d'image 8 ou pixel, ayant une valeur de radiométrie associée, appelée également valeur d'intensité associée. La matrice d'image numérique I est composée de lignes de pixels Li et de colonne de pixels Ci, chaque ligne d'image correspondant à l'acquisition du paysage à un instant donné. Dans l'exemple de la figure 1, chaque colonne de pixels est associée à un détecteur 4 du capteur 6. Etant donné que les détecteurs 4 peuvent avoir, en pratique, des sensibilités différentes, même lorsque le paysage sous-jacent (non représenté sur la figure 1) est uniforme, des différences de valeurs d'intensité sont observées, ce qui donne lieu à des artefacts visibles, qui sont des rayures verticales dans ce cas, particulièrement visibles lorsque le paysage sous-jacent observé est uniforme. L'égalisation d'image a pour objectif de réduire voire supprimer ces artefacts directionnels dus à la non uniformité de la sensibilité des détecteurs. Un des objectifs de l'invention est de proposer un procédé d'estimation de valeurs de paramètres d'égalisation, pour un modèle d'égalisation d'image donné. Ce procédé est utilisé dans un procédé d'égalisation d'image et dans un procédé d'évaluation de la qualité des images acquises.A not shown satellite having a displacement trajectory T comprises a sensor 2, which is a one-dimensional array of detectors 4, which is able to acquire images via an optical system 6. Each detector 4 acquires a portion of the landscape observed, recorded in a digital image matrix I in the form of an image sample 8 or pixel, having an associated radiometry value, also called associated intensity value. The digital image matrix I is composed of lines of pixels Li and column of pixels Ci, each image line corresponding to the acquisition of the landscape at a given moment. In the example of FIG. 1, each column of pixels is associated with a detector 4 of the sensor 6. Since the detectors 4 may have, in practice, different sensitivities, even when the underlying landscape (not shown on FIG. Figure 1) is uniform, differences in intensity values are observed, which gives rise to visible artifacts, which are vertical stripes in this case, particularly visible when the underlying landscape observed is uniform. The purpose of image equalization is to reduce or eliminate these directional artifacts due to the non-uniformity of the sensitivity of the detectors. One of the objectives of the invention is to propose a method for estimating equalization parameter values, for a given image equalization model. This method is used in an image equalization method and in a method of evaluating the quality of the acquired images.
Les procédés de l'invention sont mis en oeuvre par un dispositif programmable de type ordinateur, station de travail, dont les principaux blocs fonctionnels sont illustrés à la figure 2. Un dispositif programmable 10 apte à mettre en oeuvre les procédés de l'invention comprend une unité centrale de traitement 18, ou CPU, apte à exécuter des instructions de programme informatique lorsque le dispositif 10 est mis sous tension. Dans un mode de réalisation, une unité centrale de traitement multi-processeurs est utilisée, permettant d'effectuer des calculs parallèles. Le dispositif 10 comporte également des moyens de stockage d'informations 20, par exemple des registres, aptes à stocker des instructions de code exécutable permettant la mise en oeuvre de programmes comportant des instructions de code aptes à mettre en oeuvre les procédés selon l'invention.The methods of the invention are implemented by a computer-type, workstation-type programmable device whose main functional blocks are illustrated in FIG. 2. A programmable device 10 able to implement the methods of the invention comprises a central processing unit 18, or CPU, capable of executing computer program instructions when the device 10 is powered on. In one embodiment, a multiprocessor CPU is used to perform parallel computations. The device 10 also comprises information storage means 20, for example registers, capable of storing executable code instructions allowing the implementation of programs comprising code instructions able to implement the methods according to the invention. .
Le dispositif 10 comporte des moyens de commande 14 permettant de mettre à jour des paramètres et de recevoir des commandes d'un opérateur. Lorsque le dispositif programmable 10 est un dispositif embarqué, les moyens de commande 14 comprennent un dispositif de télécommunication permettant de recevoir des commandes et des valeurs de paramètres à distance. Alternativement et de manière optionnelle, les moyens de commande 14 sont des moyens de saisie de commandes d'un opérateur, par exemple un clavier. De manière optionnelle, le dispositif programmable 10 comprend un écran 12 et un moyen supplémentaire de pointage 16, tel une souris.The device 10 comprises control means 14 for updating parameters and receiving commands from an operator. When the programmable device 10 is an onboard device, the control means 14 comprise a telecommunication device for receiving remote commands and parameter values. Alternatively and optionally, the control means 14 are means for inputting commands from an operator, for example a keyboard. Optionally, the programmable device 10 comprises a screen 12 and additional pointing means 16, such as a mouse.
Les divers blocs fonctionnels du dispositif 10 décrits ci-dessus sont connectés via un bus de communication 22. L'invention met en oeuvre un procédé d'égalisation statistique d'images, dont les principales étapes selon un mode de réalisation sont illustrées à la figure 3. Une image initiale 30, ou image numérique traitée, ainsi que des valeurs de paramètres d'entrée permettant de paramétrer les algorithmes mis en oeuvre sont fournis. Notamment, les paramètres nécessaires à la mise en oeuvre d'une estimation statistique de valeurs de paramètres d'un modèle d'égalisation, sont fournis en entrée, comme détaillé ci-après. Une image numérique représentée par une matrice de taille MxN, comportant M lignes et N colonnes de pixels est fournie en entrée. Dans le cas d'une image numérique acquise par satellite, des images de très grande taille, de l'ordre de M=10000, N=30000 pixels sont acquises. Il est à noter qu'il n'y a aucune restriction sur la taille MxN des images acquises, le procédé de l'invention s'appliquant pour toute taille d'images numériques. L'image numérique initiale est une image issue d'un capteur d'images tel que décrit à la figure 1. Alternativement, l'image numérique traitée est une image numérique déjà égalisée par un procédé d'égalisation classique, comme par exemple par application d'un modèle de correction paramétré utilisé avec des paramètres prédéterminés. De manière optionnelle, des valeurs initiales 32, qui sont des valeurs d'initialisation des paramètres d'un modèle de correction de l'image sont fournies également. Le procédé d'égalisation statistique comporte deux phases principales, une phase d'estimation des valeurs de paramètres d'égalisation 34 et une phase d'égalisation effective 36. Dans ce mode de réalisation, le modèle de correction appliqué à une image est un modèle affine, défini par deux paramètres, le paramètre de gain et le paramètre de décalage ou offset en anglais.The various functional blocks of the device 10 described above are connected via a communication bus 22. The invention implements a method of statistical equalization of images, the main steps of which according to one embodiment are illustrated in FIG. 3. An initial image 30, or processed digital image, as well as input parameter values making it possible to parameterize the implemented algorithms are provided. In particular, the parameters necessary for the implementation of a statistical estimate of parameter values of an equalization model, are provided as input, as detailed below. A digital image represented by a matrix of size MxN, comprising M rows and N columns of pixels is provided as input. In the case of a digital image acquired by satellite, images of very large size, of the order of M = 10000, N = 30000 pixels are acquired. It should be noted that there is no restriction on the size MxN of the images acquired, the method of the invention applying to any size of digital images. The initial digital image is an image derived from an image sensor as described in FIG. 1. Alternatively, the digital image processed is a digital image already equalized by a conventional equalization method, for example by application a parameterized correction model used with predetermined parameters. Optionally, initial values 32, which are initialization values of the parameters of an image correction model, are also provided. The statistical equalization method comprises two main phases, an estimation phase of the equalization parameter values 34 and an effective equalization phase 36. In this embodiment, the correction model applied to an image is a model affine, defined by two parameters, the gain parameter and the offset or offset parameter in English.
La phase d'estimation consiste à estimer des valeurs optimisées des paramètres de gain et de décalage. Si on note l'intensité d'un pixel acquis par un détecteur réel et une valeur d'intensité corrigée par le modèle de correction affine, la relation suivante est vérifiée : (W,,j -01)/G1 (Eq1) Où 0, est la valeur du décalage, dépendante uniquement de l'indice de colonne j dans ce mode de réalisation, et G, est la valeur de gain, uniquement dépendante de l'indice de colonne j dans ce mode de réalisation. De manière générale, les valeurs de gain et de décalage du modèle affine sont constantes selon la direction des rayures directionnelles observées. Les valeurs de paramètres à estimer sont les valeurs 0, et GJ, pour l'ensemble des colonnes de l'image initiale 30 traitée. Selon le mode de réalisation de la figure 3, une étape 38 optionnelle de réduction du nombre de lignes de l'image initiale est mise en oeuvre. Cette étape permet d'optimiser le traitement en fonction des ressources calculatoires et des ressources mémoire disponibles, et s'avère avantageuse notamment pour des images de très grande taille. En pratique, selon une première variante, la réduction du nombre de lignes de la matrice initiale consiste à sélectionner une ligne sur P lignes de la matrice, de manière à réduire la matrice à une dimension de (M/P)xN.The estimation phase consists of estimating optimized values of the gain and offset parameters. If we note the intensity of a pixel acquired by a real detector and an intensity value corrected by the affine correction model, the following relation is satisfied: (W ,, j-01) / G1 (Eq1) Where 0 , is the offset value, dependent only on the column index j in this embodiment, and G, is the gain value, only dependent on the column index j in this embodiment. In general, the gain and offset values of the affine model are constant according to the direction of the directional stripes observed. The parameter values to be estimated are the values 0, and GJ, for all the columns of the initial image 30 processed. According to the embodiment of FIG. 3, an optional step 38 for reducing the number of lines of the initial image is implemented. This step optimizes the processing according to the computational resources and available memory resources, and proves advantageous especially for very large images. In practice, according to a first variant, the reduction of the number of rows of the initial matrix consists in selecting a line on P rows of the matrix, so as to reduce the matrix to a dimension of (M / P) xN.
En variante, une ligne moyenne est obtenue à partir de P lignes de la matrice. Ensuite, une étape d'estimation statistique conjointe 44 des valeurs de gain et de décalage par colonne de l'image est mise en oeuvre. Cette étape met en oeuvre un processus itératif d'optimisation d'un critère de maximum a posteriori, qui est une amélioration, dont le principe est décrit ci-après, du processus itératif d'optimisation décrit dans l'article « Statistical Linear Destriping » de Carfantan et Idier, publié dans IEEE Transactions on Geoscience and Remote Sensing, vol. 48, n ° 4, avril 2010. Le principe de l'estimation statistique conjointe et itérative des valeurs de gain et de décalage est basé sur une modélisation statistique d'une image numérique par un champ de Markov-Gibbs, dans laquelle chaque pixel d'une image ne dépend statistiquement que de ses voisins directs horizontaux et verticaux. De plus, il est considéré, par hypothèse, que les transitions horizontales et verticales ont une vraisemblance qui décroît selon l'écart de radiométrie A, proportionnelle à : exp ( 1 où 05(x) est une fonction positive et croissante donnée, paramétrée --T* 0, (A) par un paramètre s, s et T étant des paramètres réels strictement positifs fonction du capteur d'images. Par exemple, dans un mode de réalisation, s=0,01 et T=100. Par exemple, la fonction 05(x) peut être une des fonctions suivantes : 05(x) = x2 ; 2 Os (x) = x1 ; Os (x) = 1/x2 +s2 ; Os (X) = X 2 ; Os (x) =.xl -1n(1+ x) , où In désigne le s +x logarithme népérien. Une hypothèse supplémentaire est ajoutée sur la distribution des paramètres de gain et de décalage, qui sont considérés comme gaussiens et indépendamment distribués. La vraisemblance des valeurs de gain et de décalage, G; et Op tenant compte de l'observation Wij et respectant la modélisation de Markov-Gibbs, est maximisée.Alternatively, a mean line is obtained from P lines of the matrix. Next, a joint statistical estimation step 44 of the gain and column shift values of the image is implemented. This step implements an iterative process for optimizing a criterion of maximum a posteriori, which is an improvement, the principle of which is described below, of the iterative optimization process described in the article "Statistical Linear Destriping" of Carfantan and Idier, published in IEEE Transactions on Geoscience and Remote Sensing, vol. 48, No. 4, April 2010. The principle of the joint and iterative statistical estimation of the gain and offset values is based on a statistical modeling of a digital image by a Markov-Gibbs field, in which each pixel of an image depends statistically only on its horizontal and vertical direct neighbors. Moreover, it is assumed that the horizontal and vertical transitions have a decreasing likelihood according to the radiometric deviation A, proportional to: exp (1 where 05 (x) is a given positive and increasing function, parameterized - -T * 0, (A) by a parameter s, s and T being strictly positive real parameters as a function of the image sensor For example, in one embodiment, s = 0.01 and T = 100. the function 05 (x) can be one of the following functions: 05 (x) = x2; 2 Os (x) = x1; Os (x) = 1 / x2 + s2; Os (X) = X2; x) = .xl -1n (1+ x), where In designates the s + x natural logarithm An additional assumption is added on the distribution of the gain and offset parameters, which are considered Gaussian and independently distributed. gain and offset values, G; and Op taking into account the observation Wij and respecting the Markov-Gibbs modeling, is maximized.
Selon un mode de réalisation préféré, cette étape d'estimation statistique 44 utilise des paramètres A; et Bi, définis pour chaque colonne j de l'image numérique traitée : A. - Gi Oi Bi KxGi 1 (Eq 2) Où K est la moyenne des valeurs d'intensité des échantillons de l'image numérique traitée.According to a preferred embodiment, this statistical estimation step 44 uses parameters A; and Bi, defined for each column j of the processed digital image: A. - Gi Oi Bi KxGi 1 (Eq 2) Where K is the average of the intensity values of the samples of the processed digital image.
Les équations (Eq2) sont inversibles, et permettent de calculer A; à partir de et vice-versa, G; à partir de Ai, ainsi que 13; à partir de G; et Op et vice versa 0; à partir de 13; et de G. Ainsi, l'équation (Eq1) s'écrit : x - Bi x K (Eq 3) Comme expliqué ci-dessus, le processus d'estimation statistique 44 est itératif, donc les valeurs de paramètres dépendent également de l'indice de l'itération courante, noté I, on note donc : . Dans ce mode de réalisation, l'estimation met en oeuvre un processus de descente de gradient et une optimisation d'un critère de maximum a posteriori utilisant un vecteur de paramètres [ ] à chaque itération I. Un gradient horizontal est calculé, pour une matrice Yi,; par : Grades CH (i, j) * -17i1±1) (Eq 4)Où CH(i,j) est un coefficient de1)saturation, égal soit à 0, soit à 1. CH(i,j) est un coefficient égal à 0 si au moins l'une des valeurs Yi,; ou Y;;+, est en anomalie, et égal à 1 sinon. Une valeur Yi,; est considérée en anomalie si elle correspond à une valeur de saturation basse, typiquement 0, ou haute, typiquement 2Nbits -1, où Nbits est le nombre de bits de sur lesquels sont représentées les valeurs des pixels, ou si les coordonnées i,j appartiennent à une zone de l'image qui a été signalée en anomalie d'acquisition dans une information externe accompagnant l'image (par exemple par un masque de qualité technique).The equations (Eq2) are invertible, and allow to calculate A; from and vice versa, G; from Ai, as well as 13; from G; and Op and vice versa 0; from 13; and G. Thus, the equation (Eq1) is written: x - Bi x K (Eq 3) As explained above, the statistical estimation process 44 is iterative, so the parameter values also depend on the index of the current iteration, denoted I, we therefore note: In this embodiment, the estimation implements a gradient descent process and an optimization of a maximum a posteriori criterion using a vector of parameters [] at each iteration I. A horizontal gradient is calculated, for a matrix Yi ,; by: Grades CH (i, j) * -17i1 ± 1) (Eq 4) where CH (i, j) is a coefficient of 1) saturation, equal to either 0 or 1. CH (i, j) is a coefficient equal to 0 if at least one of the values Yi ,; or Y ;; +, is in anomaly, and equal to 1 otherwise. A value Yi ,; is considered as an anomaly if it corresponds to a low saturation value, typically 0, or high, typically 2Nbits -1, where Nbits is the number of bits on which the values of the pixels are represented, or if the coordinates i, j belong to to an area of the image that has been reported as an acquisition anomaly in external information accompanying the image (for example by a technical quality mask).
Un gradient vertical est calculé, pour une matrice par : Gradv(Yj) = Cv(i, (Eq 5) Où Cv(i,j) est un coefficient de saturation, analogue au coefficient CH(i,j), égal soit à 0, soit à 1, en fonction d'une anomalie sur une des valeurs ou Yi+l, J. Un critère global à minimiser, J, est, à chaque itération I, formé par somme suivante : J = `TH j j régul JGMAP JOMAP (Eq Où JH et Jv sont respectivement relatifs à la contribution de gradient horizontal et vertical, .1 -regul est un critère relatif à la régularisation des gains, JGMAP et JOMAP sont des critères de maximum a posteriori sur les gains et décalages.A vertical gradient is calculated for a matrix by: Gradv (Yj) = Cv (i, (Eq 5) Where Cv (i, j) is a saturation coefficient, similar to the coefficient CH (i, j), equal to either 0, either to 1, as a function of an anomaly on one of the values or Yi + 1, J. A global criterion to be minimized, J, is, at each iteration I, formed by the following sum: J = `TH jj regul JGMAP JOMAP (Eq Where JH and Jv are respectively relative to the contribution of horizontal and vertical gradient, .1 -regul is a criterion relating to the regularization of the gains, JGMAP and JOMAP are criteria of maximum a posteriori on gains and offsets.
Par exemple : I0s(Grad H )) J H M T * M I05(Gradv j)) M (Eq 8) T * M Où M est le nombre de lignes et N le nombre de colonnes de l'image traitée. Le critère relatif à la régularisation des gains est donné par la formule : Jrégul C régul * log(Ail (Eq 9) N Où C régui est un paramètre scalaire, égal à 1 dans un mode de réalisation. Le critère de maximum a posteriori sur les gains est donné par : JGMAP =m 2 * Gs G mAp * 2 *(Al - Gm )2 (Eq 10) N Où GMAP est une pondération attribuée au maximum a posteriori sur les gains, Gs est une valeur d'écart-type pour la régularisation des gains par maximum a posteriori et GM est une valeur moyenne pour la régularisation des gains par maximum a posteriori. Les valeurs de GMAP Gs et GM sont fournies par l'utilisateur. Par exemple, dans un mode de réalisation, GMAP =1, GM =let Gs est un écart-type correspondant à la dispersion attendue pour le capteur considéré sur les gains, par exemple Gs =0,1.For example: I0s (Grad H)) M (Eq 8) T * M Where M is the number of rows and N is the number of columns of the processed image. The criterion relating to the regularization of the gains is given by the formula: Jrégul C rég * log (Ail (Eq 9) N Where C is a scalar parameter, equal to 1 in one embodiment The criterion of maximum a posteriori on the gains are given by: JGMAP = m 2 * Gs G mAp * 2 * (Al-Gm) 2 (Eq 10) N Where GMAP is a weighting attributed to the posterior maximum on earnings, Gs is a spread value type for gain adjustment by a posterior maximum, and GM is a mean value for gain adjustment by a posterior maximum GMAP Gs and GM values are provided by the user For example, in one embodiment, GMAP = 1, GM = let Gs is a standard deviation corresponding to the expected dispersion for the sensor considered on the gains, for example Gs = 0.1.
Le critère de maximum a posteriori sur les décalages est donné par : (Eq 7) K2 0'p / 2 OMAP * * m (Eq 11) M 2* OS N K Où 0 mAp est une pondération attribuée au maximum a posteriori sur les décalages, Os est une valeur d'écart-type pour la régularisation des décalages par maximum a posteriori et Om est une valeur moyenne pour la régularisation des décalages par maximum a posteriori. Les valeurs de 0 mAp , OS et Om sont fournies par l'utilisateur. Par exemple, dans un mode de réalisation, 0 mAp =1, Om = 0 et Os est un écart-type correspondant à la dispersion attendue pour le capteur considéré sur les décalages, par exemple Os =10. Dans ce mode de réalisation, le processus consiste à chercher, par itérations, à approcher le minimum global du critère J où la dérivée de J tend vers 0. Afin de faciliter les calculs, une implantation de la fonctionnelle de dérivée d'un critère convexe J à minimiser est implantée. Un ensemble de valeurs initiales des paramètres de gain et de décalage est fourni en entrée de l'algorithme. Un nombre maximal d'itérations Max iter est fixé à l'avance. De préférence, Max iter est égal à 200.The criterion of a posteriori maximum on the offsets is given by: (Eq 7) K2 0'p / 2 OMAP * * m (Eq 11) M 2 * OS NK Where 0 mAp is a weighting attributed to the maximum a posteriori on offsets , Os is a standard deviation value for the regularization of posterior maximum offsets and Om is a mean value for the regularization of posterior maximum offsets. The values of 0 mAp, OS and Om are provided by the user. For example, in one embodiment, 0 mAp = 1, Om = 0 and Os is a standard deviation corresponding to the expected dispersion for the sensor considered on the offsets, for example Os = 10. In this embodiment, the process consists in seeking, by iterations, to approach the global minimum of the criterion J where the derivative of J tends to 0. In order to facilitate the calculations, an implementation of the derivative functional of a convex criterion J to minimize is implanted. A set of initial values of the gain and offset parameters is provided at the input of the algorithm. A maximum number of iterations Max iter is fixed in advance. Preferably, Max iter is equal to 200.
La norme L2 de la dérivée du critère J est calculée à chaque itération et comparée à une valeur seuil prédéterminée J toi. Dans un mode de réalisation, J to1=1. De plus, une différence minimale entre valeurs de dérivée du critère entre deux itérations successives est fixée à une valeur Prec, par exemple égale à 10-5. L'algorithme itératif de recherche de valeurs optimales des paramètres de gain et de décalage prend fin si l'un des trois critères d'arrêt suivants est vérifié : nombre maximal d'itérations Max iter atteint, valeur de la dérivée de J inférieure à J tol, différence entre valeurs de dérivée du critère J entre deux itérations successives inférieure à Prec. Les valeurs Max iter, J tol et Prec sont fournies en entrée du procédé, comme paramètres d'entrée 30.The norm L2 of the derivative of the criterion J is calculated at each iteration and compared with a predetermined threshold value J you. In one embodiment, J to1 = 1. In addition, a minimum difference between derived values of the criterion between two successive iterations is set to a value Prec, for example equal to 10-5. The iterative algorithm for finding optimal values of the gain and offset parameters ends if one of the following three stop criteria is satisfied: maximum number of iterations Max iter reached, value of the derivative of J less than J tol, difference between derived values of the criterion J between two successive iterations less than Prec. The Max iter, J tol, and Prec values are provided as input to the process as input parameters 30.
A l'issue d'un nombre L d'itérations, un ensemble 50 de paramètres de gain et de décalage optimisés sont obtenus. Lors de l'étape suivante de correction 54, qui est optionnelle dans un procédé d'estimation des valeurs de paramètres d'égalisation mais qui est mise en oeuvre dans un procédé d'égalisation d'image, une transformation affine de correction utilise les paramètres 50 obtenus, pour chaque colonne de l'image initiale, selon la formule (Eq1). Une image numérique égalisée 60 est finalement obtenue à l'issue du processus d'égalisation. La figure 3 décrite ci-dessus explicite le processus d'égalisation statistique appliqué à une image initiale ayant un niveau de résolution initiale, qu'il s'agisse d'une image entière acquise par des capteurs d'acquisition ou d'un sous-ensemble extrait d'une telle image initiale, un tel sous-ensemble formant une sous-image de l'image initiale. Avantageusement, les paramètres de gain et de décalage sont estimés conjointement. Selon un mode de réalisation, une estimation des paramètres d'égalisation est effectuée pour chaque sous-ensemble formé par un groupe de lignes d'image initiale. La figure 4 illustre trois tels sous-ensembles notés Si, S2, S3. Dans ce cas, le procédé d'estimation statistique de paramètres d'égalisation statistique comporte, comme illustré à la figure 5, outre les étapes déjà décrites, des étapes supplémentaires découpage de l'image traitée en sous-ensembles, et d'interpolation des valeurs de paramètres pour obtenir un ensemble de paramètres de gain et de décalage pour toute l'image initiale. Dans la figure 5, les références des étapes communes avec celles de la figure 3 ont été conservées. Une étape 40 de découpage en sous-ensembles intervient après l'étape 38. Lorsque le bruit d'acquisition est un bruit directionnel vertical, l'image est découpée à l'étape 40 en groupes de lignes d'image non recouvrants, comme illustré à la figure 4. En effet, dans cette figure, une image initiale I est découpée en trois sous-ensembles Si, S2, S3. Ensuite, pour chacun des groupes de lignes, en parallèle ou successivement, l'estimation statistique itérative des valeurs des paramètres de gain et de décalage est appliquée, pour obtenir des valeurs optimisées de gain et de décalage par sous- ensemble. Ainsi, pour chaque sous-ensemble B, un vecteur de paramètres de gain GLB de taille égale au nombre de colonnes de l'image traitée, et un vecteur de paramètres de décalage 0,,B, chacun de taille égale au nombre de colonnes de l'image traitée, est obtenu.At the end of a number L of iterations, a set of optimized gain and offset parameters are obtained. In the next correction step 54, which is optional in a method of estimating the equalization parameter values but which is implemented in an image equalization method, an affine correction transformation uses the parameters 50 obtained, for each column of the initial image, according to the formula (Eq1). An equalized digital image 60 is finally obtained at the end of the equalization process. FIG. 3 described above explains the statistical equalization process applied to an initial image having an initial resolution level, whether it be an entire image acquired by acquisition sensors or a sub-image. together extracted from such an initial image, such a subset forming a sub-image of the initial image. Advantageously, the gain and offset parameters are estimated jointly. According to one embodiment, an estimation of the equalization parameters is performed for each subset formed by a group of initial image lines. FIG. 4 illustrates three such subsets denoted Si, S2, S3. In this case, the method of statistical estimation of statistical equalization parameters comprises, as illustrated in FIG. 5, in addition to the steps already described, additional steps of splitting the processed image into subsets, and interpolation of the parameter values to obtain a set of gain and offset parameters for the entire initial image. In Figure 5, the references of the steps common with those of Figure 3 have been retained. A subset splitting step 40 occurs after step 38. When the acquisition noise is a vertical directional noise, the image is split in step 40 into groups of non-overlapping image lines, as illustrated. In FIG. 4, in fact, in this figure, an initial image I is divided into three subsets Si, S2, S3. Then, for each of the row groups, in parallel or successively, the iterative statistical estimation of the values of the gain and offset parameters is applied, to obtain optimized values of gain and offset by subset. Thus, for each subset B, a vector of gain parameters GLB of size equal to the number of columns of the processed image, and a vector of offset parameters 0,, B, each of size equal to the number of columns of the processed image is obtained.
Une étape d'interpolation 52 des valeurs de paramètres permet d'obtenir les valeurs finales des paramètres de gain et de décalage à appliquer par ligne d'image traitée. Avantageusement, le traitement par sous-ensembles d'image permet de prendre en compte la variabilité temporelle des acquisitions d'images.An interpolation step 52 of the parameter values makes it possible to obtain the final values of the gain and offset parameters to be applied per treated image line. Advantageously, the processing by image subsets makes it possible to take into account the temporal variability of the image acquisitions.
Afin de mieux prendre en compte des effets progressifs de variabilité d'acquisition un traitement multi-échelle est proposé. Les étapes d'estimation des paramètres d'égalisation sont effectuées pour chaque image traitée à plusieurs niveaux de résolution spatiale, et des paramètres de gain et de décalage sont obtenus pour chaque niveau de résolution spatiale.In order to better take into account progressive effects of acquisition variability, a multi-scale treatment is proposed. The steps of estimating the equalization parameters are performed for each image processed at several levels of spatial resolution, and gain and offset parameters are obtained for each level of spatial resolution.
Ensuite, les paramètres de gain et de décalage obtenus à des niveaux de résolution différents sont combinés pour obtenir finalement un ensemble de paramètres associés au niveau de résolution initial de l'image initiale, pour chaque ligne de l'image initiale, de manière à réaliser une égalisation localisée spatialement. La figure 6 illustre le principe du traitement multi-échelle pour trois niveaux de résolution spatiale.Then, the gain and offset parameters obtained at different resolution levels are combined to finally obtain a set of parameters associated with the initial resolution level of the initial image, for each line of the initial image, so as to realize spatially localized equalization. Figure 6 illustrates the principle of multi-scale processing for three levels of spatial resolution.
Partant d'une image initiale 10 de niveau de résolution spatial initial Ro associé, une estimation des paramètres de transformation affine d'égalisation est effectuée, et les paramètres sont appliqués pour égalisation de l'image. Ensuite l'image obtenue est sous-échantillonnée pour obtenir une image 1, de niveau de résolution R1 inférieur à Ro, selon l'une des dimensions de l'image ou selon les deux dimensions comme illustré à la figure 6. Toute méthode de sous-échantillonnage permettant de réduire le niveau de résolution d'une image numérique est applicable. Le facteur de changement d'échelle Ro/R, est prédéterminé. Par exemple, dans un mode de réalisation, le facteur de changement d'échelle est égal à 2, et le changement de résolution spatiale est appliqué uniquement sur les colonnes de l'image Io. Une estimation des paramètres d'égalisation statistique, suivi d'une application des paramètres d'égalisation pour obtenir une image 1, égalisée, sont appliquées. De même, une image 12 de niveau de résolution R2 inférieur à R1 selon au moins une de ses dimensions est obtenue.Starting from an initial image 10 of the initial spatial resolution level Ro associated with it, an estimation of the affine equation transformation parameters is performed, and the parameters are applied to equalize the image. Then the obtained image is downsampled to obtain an image 1, of resolution level R1 less than Ro, according to one of the dimensions of the image or in both dimensions as illustrated in FIG. -sampling to reduce the resolution level of a digital image is applicable. The scaling factor Ro / R is predetermined. For example, in one embodiment, the scaling factor is 2, and the spatial resolution change is applied only to the columns of the Io image. An estimation of the statistical equalization parameters, followed by an application of the equalization parameters to obtain an equalized image 1, are applied. Similarly, an image 12 of resolution level R2 less than R1 according to at least one of its dimensions is obtained.
De manière analogue, des paramètres d'égalisation statistique sont obtenus pour l'image 12. Il est à noter qu'il n'est pas utile d'appliquer les coefficients de correction obtenus au niveau de résolution le plus bas. Les paramètres de gain et de décalage obtenus aux divers niveaux de résolution sont combinés ensuite, comme expliqué plus en détail ci-après, pour obtenir un ensemble de paramètres applicables pour l'image. La figure 7 détaille les principales étapes mises en oeuvre dans un procédé d'estimation statistique multi-échelle des paramètres d'égalisation selon l'invention. En entrée on fournit un ensemble de données d'entrée 70, comportant un ensemble de paramètres d'entrée ainsi qu'une image initiale 10, de niveau de résolution initial Ro. Lors d'une première étape préliminaire de préparation 72, une extension des colonnes de l'image initiale 10 est appliquée par recopie en miroir d'une ou plusieurs colonnes de droite. Ainsi, une image initiale de M lignes et N colonnes est étendue à une image de M lignes et N+c colonnes, où c est le nombre de colonnes rajoutées.Similarly, statistical equalization parameters are obtained for the image 12. It should be noted that it is not useful to apply the correction coefficients obtained at the lowest resolution level. The gain and offset parameters obtained at the various resolution levels are then combined, as explained in more detail below, to obtain a set of applicable parameters for the image. FIG. 7 details the main steps implemented in a multiscale statistical estimation method of the equalization parameters according to the invention. In input is provided a set of input data 70, comprising a set of input parameters and an initial image 10, initial resolution level Ro. In a first preliminary preparation step 72, an extension of the columns of the initial image 10 is applied by mirroring one or more right columns. Thus, an initial image of M rows and N columns is extended to an image of M rows and N + c columns, where c is the number of columns added.
Dans le mode de réalisation préféré, c est le demi-support du filtre de sous- échantillonnage de l'ensemble des itérations, par exemple c=320.In the preferred embodiment, c is the half-support of the sub-sampling filter of all the iterations, for example c = 320.
Ensuite, une estimation statistique itérative des paramètres d'égalisation 74 telle que décrite ci-dessus est appliquée, à partir de valeurs initiales 75 des valeurs de gains et décalages. De préférence, une estimation conjointe des paramètres de gain et de décalage, telle que décrite en référence à la figure 3, est appliquée ici. Des paramètres d'égalisation 76 de gain et de décalage, en nombre correspondant au niveau de résolution Ro, est obtenu et mémorisé à l'issue de l'estimation statistique 72. Ainsi, pour une image de M lignes, N+c colonnes, un vecteur de paramètres de N+c valeurs de gain et décalage (G,, 0,) est obtenu. Une image égalisée notée ro au niveau de résolution spatial Ro, est obtenue et mémorisée à l'étape 78 par application d'une égalisation avec les valeurs de paramètres obtenues à l'étape précédente. Ensuite un indice q mis à la valeur 1, et un sous-échantillonnage 80 des colonnes est appliqué à l'image ro pour obtenir une image numérique traitée lq de niveau de résolution spatial Rq (ici R1) inférieur à Rq_, (ici Ro) dans une des directions de la matrice d'image. Le sous-échantillonnage 80 consiste par exemple, dans un mode de réalisation, à appliquer un sous échantillonnage de facteur p, par exemple par application d'un filtre de sous-échantillonnage sur p de colonnes adjacentes. Dans un mode de réalisation, le facteur de sous-échantillonnage p est fixé et par exemple égal à 2. Dans un mode de réalisation alternatif, le facteur de sous- échantillonnage p dépend du niveau de résolution courant, par exemple p={4,2,2} pour trois niveaux de résolution. Une étape d'estimation statistique des paramètres d'égalisation 82, analogue à l'étape 74, est appliquée à l'image traitée lq, en utilisant des paramètres d'entrée 83 spécifiques au niveau de résolution courant q, en particulier des valeurs initiales des paramètres de gain et de décalage à ce niveau de résolution. A l'issue de l'étape 82, un ensemble 84 de valeurs estimées des paramètres de gain et de décalage, correspondant au niveau de résolution spatiale Rq est obtenu. L'ensemble 84 est un vecteur de paramètres de (N+c)/p valeurs de gain et décalage (G,, 0,), qui est mémorisé également pour utilisation ultérieure. Ensuite, les paramètres 84 sont utilisés dans une étape d'égalisation 86 permettant d'obtenir une image 1*q égalisée. L'indice q est par la suite comparé lors d'une étape 88 à un paramètre NbPass de valeur préalablement fixée, par exemple égal à 6 pour une image initiale de N=2000 colonnes.Then, an iterative statistical estimate of the equalization parameters 74 as described above is applied, from initial values 75 of the gains and offsets values. Preferably, a joint estimate of the gain and offset parameters, as described with reference to FIG. 3, is applied here. Equalization parameters 76 of gain and of offset, in number corresponding to the level of resolution Ro, are obtained and stored at the end of the statistical estimation 72. Thus, for an image of M lines, N + c columns, a parameter vector of N + c gain and offset values (G ,, 0,) is obtained. An equalized image denoted ro at spatial resolution level Ro is obtained and stored in step 78 by applying an equalization with the parameter values obtained in the previous step. Then an index q set to 1, and a subsampling 80 of the columns is applied to the image ro to obtain a processed digital image lq of spatial resolution level Rq (here R1) less than Rq_, (here Ro) in one of the directions of the image matrix. Subsampling 80 consists, for example, in one embodiment of applying sub-sampling of factor p, for example by applying a sub-sampling filter on p of adjacent columns. In one embodiment, the subsampling factor p is set and for example equal to 2. In an alternative embodiment, the subsampling factor p depends on the current resolution level, for example p = {4, 2.2} for three levels of resolution. A step of statistically estimating the equalization parameters 82, analogous to step 74, is applied to the processed image 1q, using specific input parameters 83 at the current resolution level q, in particular initial values. gain and offset parameters at this resolution level. At the end of step 82, a set 84 of estimated values of the gain and offset parameters corresponding to the spatial resolution level Rq is obtained. The set 84 is a parameter vector of (N + c) / p gain and offset values (G0, 0), which is also stored for later use. Next, the parameters 84 are used in an equalization step 86 to obtain an equalized image. The index q is subsequently compared in a step 88 to a previously fixed value parameter NbPass, for example equal to 6 for an initial image of N = 2000 columns.
Si q est inférieur à NbPass, alors q est incrémenté de 1, et l'algorithme retourne à l'étape 80 précédemment décrite. Lors de cette nouvelle passe, on obtient un vecteur de valeurs de paramètres de gain et de décalage correspondant au niveau de résolution spatial Rq.If q is smaller than NbPass, then q is incremented by 1, and the algorithm returns to step 80 previously described. During this new pass, a vector of values of gain and offset parameters corresponding to the level of spatial resolution Rq is obtained.
Lorsque l'indice q atteint la valeur NbPass fixée, une étape 90 de combinaison des paramètres mémorisés pour chacune des passes est mise en oeuvre. Un ensemble 92 de paramètres de gain et de décalage, correspondant au niveau de résolution initial Ro, est obtenu à l'issue de l'étape de combinaison 90. La combinaison consiste, dans un mode de réalisation dont les principales étapes sont illustrées à la figure 8, à partir du niveau de résolution le plus bas, et à interpoler au fur et à mesure les valeurs de paramètres obtenues pour les combiner avec les valeurs de paramètres mémorisées au niveau de résolution suivant. Pour la mise en oeuvre de cette étape de combinaison, il est supposé que les valeurs de paramètres 76, 84 obtenues pour chaque niveau de résolution sont stockées également dans leur représentation AJ, B, explicitée ci-dessus par les équations (Eq2). Si besoin, un calcul préalable est effectué, à partir des valeurs de paramètres GJ, 0, mémorisées, pour obtenir les valeurs AJ, 13J correspondantes. Lors d'une première étape 100, un compteur I est initialisé à la valeur NbPass-1, et lors de l'étape suivante d'initialisation 102, un vecteur A est initialisé avec les valeurs de paramètres A,' et un vecteur B est initialisé avec les valeurs de paramètres BJ'. Chacun des vecteurs de paramètres A, B a une taille égale au nombre de colonnes de l'image traitée à la résolution R,. Il est ensuite vérifié lors d'une étape 104 si le compteur I est supérieur ou égal à 0. En cas de réponse positive au test de l'étape 104, une interpolation ou changement d'échelle de facteur p(I) est appliquée à l'étape 106. Ainsi, les vecteurs A' et B' résultants ont la même taille que les vecteurs de paramètres A", B" correspondant au niveau de résolution spatial R1_1. Par exemple, si le facteur de changement d'échelle est constant et égal à 2, l'interpolation de l'étape 106 consiste à effectuer une transformée de Fourier discrète de chacun des vecteurs de paramètres, puis à compléter les signaux par un nombre de valeurs nulles (zéros) équivalant à la taille du vecteur initial, puis à effectuer une transformée de Fourier discrète inverse de chaque vecteur complété (technique connue sous le nom de « zero padding »).En variante, l'interpolation de l'étape 106 consiste à intercaler des zéros entre les valeurs précédentes de chacun des vecteurs de paramètres, puis d'effectuer une convolution par un filtre de zoom spatial, par exemple de type spline cubique. Ensuite les vecteurs A', B' sont combinés selon les formules suivantes : BJ 13J + AJ J * 131-1 (Eq 12) A~=A~*Aji1 (Eq 13) Le compteur I est ensuite décrémenté de 1 à l'étape suivante 110, suivie de l'étape de vérification 104 déjà décrite.When the index q reaches the fixed value NbPass, a step 90 of combining the parameters stored for each of the passes is implemented. A set 92 of gain and offset parameters, corresponding to the initial resolution level Ro, is obtained at the end of the combination step 90. The combination consists, in one embodiment, of which the main steps are illustrated in FIG. Figure 8, from the lowest resolution level, and interpolate as the parameter values obtained to combine with the parameter values stored at the next resolution level. For the implementation of this combination step, it is assumed that the parameter values 76, 84 obtained for each resolution level are also stored in their representation AJ, B, explained above by the equations (Eq2). If necessary, a preliminary calculation is performed, from the parameter values GJ, 0, stored, to obtain the corresponding AJ, 13J values. In a first step 100, a counter I is initialized to the value NbPass-1, and during the next initialization step 102, a vector A is initialized with the parameter values A, 'and a vector B is initialized with parameter values BJ '. Each of the parameter vectors A, B has a size equal to the number of columns of the image processed at the resolution R 1. It is then verified in a step 104 whether the counter I is greater than or equal to 0. In the case of a positive answer to the test of step 104, an interpolation or scaling of factor p (I) is applied to step 106. Thus, the resulting vectors A 'and B' have the same size as the vectors of parameters A ", B" corresponding to the level of spatial resolution R1_1. For example, if the scaling factor is constant and equal to 2, the interpolation of step 106 consists of performing a discrete Fourier transform of each of the parameter vectors, then completing the signals by a number of zero values (zeros) equivalent to the size of the initial vector, then to perform an inverse discrete Fourier transform of each completed vector (technique known as "zero padding"). Alternatively, the interpolation of step 106 consists in inserting zeros between the previous values of each of the parameter vectors, and then convolving by a spatial zoom filter, for example of the cubic spline type. Then the vectors A ', B' are combined according to the following formulas: BJ 13J + AJ J * 131-1 (Eq 12) A ~ = A ~ * Aji1 (Eq 13) The counter I is then decremented from 1 to 1 next step 110, followed by the verification step 104 already described.
Lorsque le compteur I atteint la valeur de zéro, l'ensemble des valeurs de paramètres mémorisées, à tous les niveaux de résolution, a été traité. L'étape 104 de vérification est alors suivie de l'étape 112 d'obtention des paramètres finaux, à laquelle les paramètres finaux obtenus A, B sont transformés en vecteurs de paramètres G,,O, correspondant au niveau de résolution initial Ro, applicables à l'image initiale. Selon un autre mode de réalisation de l'invention, le procédé d'estimation multiéchelle des coefficients tel que décrit ci-dessus en référence aux figures 7 et 8 est combiné avec un traitement localisé spatialement par groupe de lignes d'image tel qu'explicité ci-dessus à la figure 5.When the counter I reaches the value of zero, all the parameter values stored at all resolution levels have been processed. The verification step 104 is then followed by the final parameter obtaining step 112, at which the final parameters obtained A, B are transformed into parameter vectors Gi, O, corresponding to the initial resolution level Ro, which are applicable. to the initial image. According to another embodiment of the invention, the method of multiscale estimation of the coefficients as described above with reference to FIGS. 7 and 8 is combined with spatially localized processing by group of image lines such as explicit above in Figure 5.
Selon une première variante de mise en oeuvre, à chaque niveau de résolution spatial, l'estimation des valeurs de paramètres de gain et de décalage est calculée par groupes de lignes. Ainsi, pour chaque niveau de résolution spatial, on obtient un vecteur de paramètres par groupe de lignes. L'étape de combinaison décrite en référence à la figure 8 ci-dessus est appliquée pour chaque groupe de lignes, aux ensembles de valeurs de paramètres obtenues pour les différents niveaux de résolution. Selon une deuxième variante de mise en oeuvre, l'algorithme explicité ci-dessus en référence à la figure 5 est appliqué, l'étape d'estimation statistique 44 étant appliquée sur un nombre fixé de niveaux de résolution, selon l'algorithme d'estimation multirésolution des paramètres.According to a first implementation variant, at each spatial resolution level, the estimation of the gain and offset parameter values is calculated by groups of lines. Thus, for each level of spatial resolution, a vector of parameters per group of lines is obtained. The combination step described with reference to FIG. 8 above is applied for each group of lines to the sets of parameter values obtained for the different levels of resolution. According to a second implementation variant, the algorithm explained above with reference to FIG. 5 is applied, the statistical estimation step 44 being applied to a fixed number of resolution levels, according to the algorithm of FIG. multiresolution estimation of the parameters.
La figure 9 illustre un procédé d'utilisation des paramètres d'égalisation estimés pour l'évaluation du niveau de bruit d'acquisition pour diverses valeurs moyennes de radiométrie d'images. Avantageusement, les valeurs de paramètres d'égalisation sont estimées selon le procédé de l'invention décrit ci-dessus, lors d'une première étape 120, à partir d'une acquisition d'image quelconque et sont utilisées pour évaluer le bruit d'acquisition pour un ensemble de valeurs moyennes de radiométrie. Des valeurs de gain 122, G, et de décalage 0,,,, sont obtenues pour chacun des pixels de l'image initiale acquise. Selon un mode de réalisation, lorsque le bruit d'acquisition est de type rayures verticales, les valeurs des paramètres ne dépendent que de la colonne, et non de la ligne : G, et O. Les valeurs de gain et de décalage 122 sont mémorisées dans une mémoire du dispositif mettant en oeuvre le procédé de l'invention. Ensuite, une valeur de radiométrie moyenne, notée X, est obtenue lors d'une étape 124, et un niveau de bruit d'acquisition est calculé lors d'une étape suivante 126, en fonction du niveau de radiométrie moyen X et des valeurs de paramètre mémorisées 122. Dans un mode de réalisation, le niveau de bruit d'acquisition est calculé suivant la formule mathématique suivante : C(X)= Max stat( Aan(k) (Eq 14) RMS col(k)) k=1 N, La fonction Max stat donne la valeur maximale statistiquement à P pour cent des valeurs d'un vecteur, avec P=99,7% par exemple. Am(k) = max (m(q)) - min (m(q)) (Eq 15) q=k k+F q=k...k+F Où (Eq 16) N, m(k) = t-1 Y, k = Gk * X +0k (Eq 17) Nc est un nombre de colonnes, F=Nc-1 et NI un nombre de lignes, et RMS col(k) ="\ c+F NI-F (Eq 18) IICY (g) q=k 1=1 (N1 - F)* N Avec cs (q) I+F (Eq 19) 1(17i, 1111(q))2 i=1 N, I+F Y 1,,q et m1(q) = P-1 (Eq 20) N, Bien évidemment, le critère C(X) peut être remplacé par tout autre critère d'évaluation analogue. Les procédés de l'invention ont été décrits ci-dessus dans le cas d'un exemple particulier dans lequel le bruit structuré est un bruit comportant des rayures verticales. Cependant, comme déjà mentionné ci-dessus, l'invention ne se limite pas à ce cas, mais s'applique à tout type de bruit structuré directionnel.Figure 9 illustrates a method of using the estimated equalization parameters for the evaluation of the acquisition noise level for various average image radiometry values. Advantageously, the equalization parameter values are estimated according to the method of the invention described above, during a first step 120, from any image acquisition and are used to evaluate the noise of acquisition for a set of average radiometric values. Gain values 122, G, and offset 0 ,,,, are obtained for each of the pixels of the initial image acquired. According to one embodiment, when the acquisition noise is of vertical stripes type, the values of the parameters depend only on the column, and not on the line: G, and O. The gain and offset values 122 are stored in memory. in a memory of the device implementing the method of the invention. Then, an average radiometry value, denoted X, is obtained during a step 124, and an acquisition noise level is calculated in a following step 126, as a function of the average radiometry level X and the values of stored parameter 122. In one embodiment, the acquisition noise level is calculated according to the following mathematical formula: C (X) = Max stat (Aan (k) (Eq 14) RMS col (k)) k = 1 N, The Max stat function gives the maximum value statistically at P percent of the values of a vector, with P = 99.7% for example. Am (k) = max (m (q)) - min (m (q)) (Eq 15) q = k k + F q = k ... k + F Where (Eq 16) N, m (k) = t-1 Y, k = Gk * X + 0k (Eq 17) Nc is a number of columns, F = Nc-1 and NI a number of rows, and RMS col (k) = "\ c + F NI- F (Eq 18) IICY (g) q = k 1 = 1 (N1 - F) * N With cs (q) I + F (Eq 19) 1 (17i, 1111 (q)) 2 i = 1 N, I + FY 1,, q and m1 (q) = P-1 (Eq 20) N, Of course, the criterion C (X) can be replaced by any other similar evaluation criterion The methods of the invention have been described above in the case of a particular example in which the structured noise is a noise having vertical stripes, however, as already mentioned above, the invention is not limited to this case, but applies to any type of structured directional noise.
Ainsi, par exemple dans le cas de présence de rayures horizontales, il suffit d'appliquer une transposition de la matrice d'image et d'appliquer les procédés tel que décrits ci-dessus. Par exemple, des rayures horizontales sont constatées lorsque le capteur d'images comporte une fluctuation temporelle, soit pour un capteur comportant un seul détecteur qui défile dans la direction horizontale grâce à un mécanisme de miroir, soit pour un capteur à multiples détecteurs utilisés en mode de balayage «push-broom » et présentant une fluctuation temporelle. Dans ce dernier cas, on peut soit considérer que les capteurs ne présentent pas de variabilité entre eux, et calculer un paramètre de gain et un paramètre de décalage par ligne, commun à tous les capteurs, soit prendre en compte à la fois la variabilité temporelle et la variabilité inter-capteurs en appliquant une estimation des paramètres par colonne et une égalisation suivie d'une estimation et égalisation par lignes de l'image numérique traitée. Dans le cas d'une présence à la fois de rayures horizontales et verticales, il est possible d'appliquer successivement un traitement d'égalisation permettant d'éliminer les artefacts verticaux, puis d'appliquer une transposition de l'image égalisée et de répéter le traitement d'égalisation, afin d'éliminer les artefacts horizontaux par la même méthode. La description ci-dessus a été faite pour des rayures d'orientation verticale ou horizontale, les rayures étant donc orientées selon un angle de 0° ou de 90°par rapport à la verticale. Cependant, l'invention n'est pas limitée à ces cas et s'applique également lorsque l'angle 0 est un angle différent de 0° et de 90°. Dans ce cas de figure, selon un premier mode de réalisation, une étape supplémentaire de rotation de l'image numérique à traiter d'angle -0 est effectuée, et l'ensemble des étapes ultérieures décrites ci-dessus, selon les différents modes de réalisation de l'invention, s'appliquent.Thus, for example in the case of presence of horizontal stripes, it suffices to apply a transposition of the image matrix and to apply the methods as described above. For example, horizontal stripes are observed when the image sensor has a temporal fluctuation, either for a sensor comprising a single detector that travels in the horizontal direction by means of a mirror mechanism, or for a sensor with multiple detectors used in the same mode. "push-broom" scanning and having a temporal fluctuation. In the latter case, we can either consider that the sensors do not exhibit variability between them, and calculate a gain parameter and a line shift parameter, common to all sensors, or take into account both the temporal variability. and inter-sensor variability by applying column parameter estimation and equalization followed by line-wise estimation and equalization of the processed digital image. In the case of a presence of both horizontal and vertical stripes, it is possible to successively apply an equalization treatment to eliminate the vertical artifacts, then apply a transposition of the equalized image and repeat equalization processing, to eliminate horizontal artifacts by the same method. The above description was made for vertical or horizontal orientation stripes, the stripes being oriented at an angle of 0 ° or 90 ° relative to the vertical. However, the invention is not limited to these cases and also applies when the angle θ is an angle other than 0 ° and 90 °. In this case, according to a first embodiment, an additional step of rotating the digital image to be processed with angle -0 is performed, and all the subsequent steps described above, according to the different modes of embodiment of the invention, apply.
Selon un deuxième mode de réalisation, en variante, des sous-ensembles de pixels sont définis selon l'orientation 0, sans étape d'interpolation préalable. Il est également à noter que dans la description ci-dessus il a été décrit un procédé d'égalisation statistique sur une image numérique traitée, par application des valeurs de paramètres d'égalisation acquis sur cette image numérique traitée.According to a second embodiment, alternatively, subsets of pixels are defined according to the orientation 0, without prior interpolation step. It should also be noted that in the description above a statistical equalization method has been described on a processed digital image, by applying the equalization parameter values acquired on this processed digital image.
En variante, il est envisagé d'utiliser un ensemble de paramètres d'égalisation sur une pluralité d'images, par exemple des images dont les caractéristiques spectrales sont similaires. Avantageusement, le procédé d'estimation statistique des paramètres est mis en oeuvre une seule fois, et les paramètres sont utilisés plusieurs fois, ce qui représente un gain en temps et en ressources calculatoires.As a variant, it is envisaged to use a set of equalization parameters on a plurality of images, for example images whose spectral characteristics are similar. Advantageously, the method of statistical estimation of the parameters is implemented once, and the parameters are used several times, which represents a gain in time and in computing resources.
Selon une autre variante, le procédé d'estimation statistique des paramètres d'égalisation est mis en oeuvre pour plusieurs images ayant des contenus d'intensité différents, de manière à obtenir une pluralité d'ensembles de valeurs de paramètres. Ces valeurs de paramètres sont ensuite combinées, par exemple par calcul d'une moyenne pondérée, pour obtenir un jeu de valeurs de coefficients à appliquer sur un grand ensemble d'images ayant des caractéristiques spectrales et d'intensité quelconques.5According to another variant, the method of statistical estimation of the equalization parameters is implemented for several images having different intensity contents, so as to obtain a plurality of sets of parameter values. These parameter values are then combined, for example by calculating a weighted average, to obtain a set of coefficient values to be applied to a large set of images having spectral and intensity characteristics of any kind.
Claims (15)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1359887A FR3011969B1 (en) | 2013-10-11 | 2013-10-11 | STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS |
| PCT/EP2014/071677 WO2015052290A1 (en) | 2013-10-11 | 2014-10-09 | Statistical estimation of digital image equalisation parameters |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1359887A FR3011969B1 (en) | 2013-10-11 | 2013-10-11 | STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3011969A1 true FR3011969A1 (en) | 2015-04-17 |
| FR3011969B1 FR3011969B1 (en) | 2016-01-01 |
Family
ID=50231269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1359887A Active FR3011969B1 (en) | 2013-10-11 | 2013-10-11 | STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3011969B1 (en) |
| WO (1) | WO2015052290A1 (en) |
-
2013
- 2013-10-11 FR FR1359887A patent/FR3011969B1/en active Active
-
2014
- 2014-10-09 WO PCT/EP2014/071677 patent/WO2015052290A1/en active Application Filing
Non-Patent Citations (4)
| Title |
|---|
| CARFANTAN H ET AL: "Statistical Linear Destriping of Satellite-Based Pushbroom-Type Images", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 20, no. 4, 24 March 2010 (2010-03-24), pages 1860 - 1871, XP011297807, ISSN: 0196-2892 * |
| CHANG YI ET AL: "Joint blind deblurring and destriping for remote sensing images", 2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, IEEE, 15 September 2013 (2013-09-15), pages 469 - 473, XP032565979, DOI: 10.1109/ICIP.2013.6738097 * |
| CHEN QIANG ET AL: "Destriping IRS image based on image processing methods", THIRD INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING (ICDIP 2011), SPIE, 1000 20TH ST. BELLINGHAM WA 98225-6705 USA, vol. 8009, no. 1, 15 April 2011 (2011-04-15), pages 1 - 5, XP060015420, DOI: 10.1117/12.896089 * |
| VINCENT MARTIN ET AL: "PLEIADES-HR 1A&1B image quality commissioning: innovative radiometric calibration methods and results", PROCEEDINGS OF SPIE, vol. 8866, 23 September 2013 (2013-09-23), pages 886610, XP055128070, ISSN: 0277-786X, DOI: 10.1117/12.2023337 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3011969B1 (en) | 2016-01-01 |
| WO2015052290A1 (en) | 2015-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Minimum noise fraction versus principal component analysis as a preprocessing step for hyperspectral imagery denoising | |
| CN112805744B (en) | System and method for demosaicing multispectral images | |
| CN110675347B (en) | Image blind restoration method based on group sparse representation | |
| Zhang et al. | Cooperated spectral low-rankness prior and deep spatial prior for HSI unsupervised denoising | |
| US9589328B2 (en) | Globally dominant point spread function estimation | |
| US8665342B2 (en) | Model-independent generation of an enhanced resolution image from a number of low resolution images | |
| Mahalanobis et al. | Object specific image reconstruction using a compressive sensing architecture for application in surveillance systems | |
| JP2016115346A (en) | Method and device for reconstituting signal | |
| Zhang et al. | Guided hyperspectral image denoising with realistic data | |
| Reeves | Image restoration: fundamentals of image restoration | |
| Balakin et al. | Extraction of additional information during quantum ghost imaging and its processing | |
| Landi et al. | An improved Newton projection method for nonnegative deblurring of Poisson-corrupted images with Tikhonov regularization | |
| Yu et al. | Single image blind deblurring based on salient edge-structures and elastic-net regularization | |
| Wang et al. | Tuning-free plug-and-play hyperspectral image deconvolution with deep priors | |
| Lee et al. | Dual-branch structured de-striping convolution network using parametric noise model | |
| Cang et al. | Research on hyperspectral image reconstruction based on GISMT compressed sensing and interspectral prediction | |
| FR3011969A1 (en) | STATISTICAL ESTIMATION OF DIGITAL IMAGE EQUALIZATION PARAMETERS | |
| Su et al. | Deconvolution of defocused image with multivariate local polynomial regression and iterative wiener filtering in DWT domain | |
| Petremand et al. | Optimal bayesian fusion of large hyperspectral astronomical observations | |
| EP2943935B1 (en) | Estimation of the movement of an image | |
| CN113487491A (en) | Image restoration method based on sparsity and non-local mean self-similarity | |
| Mourya | Contributions to image restoration: from numerical optimization strategies to blind deconvolution and shift-variant deblurring | |
| Bonettini et al. | Non-negatively constrained image deblurring with an inexact interior point method | |
| Eslahi et al. | Improved sparse signal recovery via adaptive correlated noise model | |
| Ma et al. | Superresolution reconstruction of hyperspectral remote sensing imagery using constrained optimization of POCS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| PLFP | Fee payment |
Year of fee payment: 8 |
|
| PLFP | Fee payment |
Year of fee payment: 9 |
|
| PLFP | Fee payment |
Year of fee payment: 10 |
|
| PLFP | Fee payment |
Year of fee payment: 11 |