TI – Traitement d'Images

Semaine 11 : Acquisition d'images couleur et dématriçage

Olivier Losson

Master ASE : [Link]

Master Informatique : [Link]
Spécialité IVI : [Link]

Master ASE & Master Informatique – Traitement d'Images 1

 Problématique Introduction aux méthodes Méthodes avancées

Plan du cours

1 – Problématique du dématriçage
Capteurs 3CCD et 1CCD pour l'acquisition d'images couleur
CFA et images CFA
De l'image CFA à l'image couleur estimée : formalisation du dématriçage
2 – Introduction aux méthodes de dématriçage
Dématriçage par copie de pixels, par interpolation bilinéaire
Artefacts de dématriçage
Principale hypothèses de dématriçage
3 – Méthodes de dématriçage avancées
Méthodes exploitant la corrélation spatiale
Méthodes fréquentielles
Critères et évaluation de la qualité
Sélection de références

Master ASE & Master Informatique – Traitement d'Images 2

 Problématique Introduction aux méthodes Méthodes avancées

Acquisition d'images couleur (1/3)

Une image numérique couleur

possède 3 composantes (R, G, B) par pixel
est définie par 3 plans couleur

Plan R Plan G Plan B

Master ASE & Master Informatique – Traitement d'Images 3

 Problématique Introduction aux méthodes Méthodes avancées

Acquisition d'images couleur (2/3)

Caméras 3CCD
Système à
prismes dichroïques

Master ASE & Master Informatique – Traitement d'Images 4

 Problématique Introduction aux méthodes Méthodes avancées

Acquisition d'images couleur (3/3)

Caméras 1CCD
Système à mosaïque de filtres couleur monochromatiques

CFA = Color
Filter Array

Master ASE & Master Informatique – Traitement d'Images 5

 Problématique Introduction aux méthodes Méthodes avancées

CFA et images CFA (1/2)

Image CFA
Seul 1 niveau de composante est connu en chaque pixel
Dépend des filtres du CFA et de leur disposition
Exemple
« Scène » Filtrée par CFA Image CFA

Master ASE & Master Informatique – Traitement d'Images 6

 Problématique Introduction aux méthodes Méthodes avancées

CFA et images CFA (2/2)

Différents types de CFA

Bandes verticales Bayer CFA 2.0 (Kodak) Couleurs complém.

SuperCCD (Fuji) Pseudo-aléatoire « Burtoni » Rétine humaine

Master ASE & Master Informatique – Traitement d'Images 7

 Problématique Introduction aux méthodes Méthodes avancées

De l'image CFA à l'image couleur (1/3)

3CCD vs. 1CCD

3CCD
 fournissent directement une image couleur
 prismes délicats à ajuster, électronique plus complexe  coûteux
1CCD
 un seul capteur (single-chip)  bon marché, grand public
 nécessitent un traitement (supplémentaire) pour obtenir l'image couleur

Master ASE & Master Informatique – Traitement d'Images 8

 Problématique Introduction aux méthodes Méthodes avancées

De l'image CFA à l'image couleur (2/3)

Formalisation du dématriçage
À partir de l'image CFA ICFA dans laquelle 1 seul niveau de composante
(R ou G ou B) est connu en chaque pixel,
On forme une image couleur Î dans laquelle les 3 niveaux de composantes
(R, G et B) sont connus en chaque pixel, 2 d'entre eux étant estimés.

?,G ,? R ,?,? ?,G ,? R,?,? R,G , B R, G , B R,G, B R, G , B

?,?, B ?,G ,? ?,?, B ?,G ,? R, G , B R,G , B R, G,

 B R,G , B

?,G ,? R ,?,? ?,G ,? R,?,? R ,G , B R, G , B R ,G, B R, G , B

?,?, B ?,G ,? ?,?, B ?,G ,? R, G , B R,G , B R, G,

 B R,G , B

ICFA Î

Master ASE & Master Informatique – Traitement d'Images 9

 Problématique Introduction aux méthodes Méthodes avancées

De l'image CFA à l'image couleur (3/3)

Formalisation du dématriçage
Formalisme utilisé
Désignation du pixel de coordonnées (x, y), avec 0 6 x < w et 0 6 y < h
générique P(x, y) ou Px,y
d'une image en niveaux de gris I(x, y) ou Ix,y
d'une image couleur I(x, y) ou Ix,y
d'un plan de composante d'une image couleur Ik(x, y) ou Ikx,y , k∈{R,G,B}
Image CFA 0 1 2

{
Rx , y si x impair et y pair
I CFA
x, y = B x , y si x pair et y impair
G x , y sinon

Image estimée
Cas du CFA

{
x, y , 
 R x, y , G B x , y  si x impair et y pair
I x , y = de Bayer
  x , y , B x , y  si x pair et y impair
R x, y , G
R x, y , G x , y , 
B x , y  sinon

Master ASE & Master Informatique – Traitement d'Images 10

 Problématique Introduction aux méthodes Méthodes avancées

Introduction aux méthodes de dématriçage (1/3)

CFA de Bayer (1976)

Hypothèses :
la luminance
(intensité lumineuse)
est représentée par
la composante G,
la chrominance
(information de couleur)
par R et B.

La sensibilité spectrale V(λ) de l'œil humain

en vision photopique est maximale autour de λ=555nm
 2 fois plus d'échantillons G que de R et B.

Master ASE & Master Informatique – Traitement d'Images 11

 Problématique Introduction aux méthodes Méthodes avancées

Introduction aux méthodes de dématriçage (2/3)

Configurations rencontrées dans le CFA de Bayer

{GRG} {GBG} {RGR} {BGB}

Dématriçage par « copie de pixel »
En un pixel, une composante manquante est recopiée
à partir des pixels proches où elle est disponible.

{GRG} : G=G   
1,0 , B =B1,−1 {GBG} : G=G 1,0 , R=R 1,−1

{RGR} : 
R=R1,0 , 
B=B0,−1 {BGB} : 
R=R0,−1 , 
B=B1,0

Master ASE & Master Informatique – Traitement d'Images 12

 Problématique Introduction aux méthodes Méthodes avancées

Introduction aux méthodes de dématriçage (3/3)

Dématriçage par interpolation bilinéaire

Utilisation d'un voisinage 3x3

Configuration {GRG} (id. en {GBG}) :

{
 1
B =  B B 1,−1B−1,1 B1,1 
4 −1,−1
 1
G =  G G−1,0G 1,0G 0,1 
4 0,−1

Configuration {RGR} (id. en {BGB}) :

{
 1
R =  R R1,0 
2 −1,0
 1
B =  B B 0,1 
2 0,−1

Master ASE & Master Informatique – Traitement d'Images 13

 Problématique Introduction aux méthodes Méthodes avancées

Artefacts de dématriçage (1/3)

Illustration des artefacts générés par l'interpolation bilinéaire

I CFA Î ÎR
(IR=IG=IB=ICFA)

ÎG

ÎB
Master ASE & Master Informatique – Traitement d'Images 14
 Problématique Introduction aux méthodes Méthodes avancées

Artefacts de dématriçage (2/3)

Artefacts caractéristiques du dématriçage (1/2)

Couleurs aberrantes (« Fausses couleurs »)
symptôme : écart important entre la couleur de référence et celle estimée

I Î

localisation : contours et HF spatiales

causes :
sous-échantillonnage spatial (aliasing)
interpolation au travers d'un contour

Master ASE & Master Informatique – Traitement d'Images 15

 Problématique Introduction aux méthodes Méthodes avancées

Artefacts de dématriçage (3/3)

Artefacts caractéristiques du dématriçage (2/2)

Effet de « fermeture éclair » (ang. « zipper effect »)
symptôme : répétition de motifs alternés colorés (crénelage), transitions moins
nettes
I Î

localisation : contours horizontaux et verticaux

causes
disposition en quinconce des niveaux de G disponibles dans ICFA
interpolation au travers d'un contour horizontal ou vertical

Master ASE & Master Informatique – Traitement d'Images 16

 Problématique Introduction aux méthodes Méthodes avancées

Principes exploités pour le dématriçage (1/3)

Corrélation spatiale
Une image est composée de régions homogènes juxtaposées.
Au sein d'une région, tous les pixels ont des niveaux similaires, et ce, pour chaque
composante couleur.
Zones de transition entre deux régions  forte variation locale des composantes.
Principe : pour estimer les composantes manquantes en un pixel, utiliser
seulement des pixels voisins qui appartiennent à la même région.

ICFA ICFA

Interpolation bilinéaire Interpolation de niveaux voisins sélectionnés

Master ASE & Master Informatique – Traitement d'Images 17

 Problématique Introduction aux méthodes Méthodes avancées

Principes exploités pour le dématriçage (2/3)

Corrélation spectrale
Dans une image naturelle, les trois composantes couleurs sont fortement corrélées.
Preuve [GAM02] : les coefficients de corrélation inter-composantes, par exemple
w−1 h−1 w−1 h−1

∑ ∑  R x , y−  G x , y − 
R G
∑ ∑ Rx , y
R ,G x=0 y=0 R x=0 y=0
r = avec  =
wh
∑ ∑  
w−1 h−1 w−1 h−1
R 2 G 2
R x , y −  ∑ ∑ G x,y − 
x=0 y=0 x=0 y =0

sont élevés pour toutes les composantes et toutes les sous-bandes fréquentielles.
Cette corrélation est particulièrement élevée dans les zones de hautes fréquences
spatiales.
Principe : prendre en compte cette corrélation spectrale (entre
composantes couleur) en un pixel donné pour y estimer les composantes
manquantes .

Master ASE & Master Informatique – Traitement d'Images 18

 Problématique Introduction aux méthodes Méthodes avancées

Principes exploités pour le dématriçage (3/3)

Pour exploiter la corrélation spectrale, on interpole soit

le rapport des composantes couleur,
la différence des composantes couleur. I

IR IG | IR-IG | | IB-IG | | IR/IG | | IB/IG |

Exemple : dématriçage basé sur la constance de « teinte » [Cok86]
B−1,−1 B1,−1
Estimer G par interpolation bilinéaire  −1,−1
G 0,−1
G G 1,−1
Estimer R et B par interpolation du rapport des
composantes couleur, ex. en {GRG} R
G−1,0 G 1,0

G
 G⋅
B=
[
 1 B−1,−1  B1,−1  B−1,1  B 1,1
 −1,−1 G 1,−1 G
4 G  −1,1 G 1,1 ] B−1,1
 −1,1
G
G 0,1
B1,1
G 1,1
Master ASE & Master Informatique – Traitement d'Images 19
 Problématique Introduction aux méthodes Méthodes avancées

Dématriçage exploitant la corrélation spatiale (1/3)

Utilisation d'un gradient local pour estimer G

But : réaliser l'interpolation le long de la transition et non à travers elle.
Principe : déterminer la direction de la transition locale en calculant une
approximation (de la norme) du gradient.
Méthode utilisant un développement au 1er ordre [Hibbard95]
Exemple en {GRG}
 Calcul des gradients horizontal ∆x et vertical ∆y :
x
 = ∣G−1,0−G 1,0∣ ,
y
 = ∣G 0,−1−G 0,1∣ .

 Interpolation du niveau de vert :

{
 G−1,0G 1,0  /2 si x  y ,
G =  G0,−1G 0,1  /2 x
si  ,
y

 G0,−1G−1,0G1,0G0,1  / 4 si x = y .

Master ASE & Master Informatique – Traitement d'Images 20

 Problématique Introduction aux méthodes Méthodes avancées

Dématriçage exploitant la corrélation spatiale (2/3)

Utilisation d'un développement au 2ème ordre [Hamilton&Adams97]

Exemple en {GRG}
 Calcul des gradients horizontal ∆x et vertical ∆y :
x = ∣G−1,0 −G1,0∣  ∣2R −R−2,0 − R2,0∣ ,
y
 = ∣G 0,−1−G 0,1∣  ∣2R− R 0,−2− R0,2∣ .

 Interpolation du niveau de vert :

{
 G−1,0G 1,0  /2   2R− R−2,0−R 2,0 /4 si  x  y ,
x y
G =
 G0,−1G 0,1  /2   2R− R0,−2−R0,2  /4 si   ,
 G0,−1G−1,0G1,0G0,1  /4
  4R− R 0,−2− R−2,0− R2,0 − R0,2  /8 si  x = y .

Problèmes restants
Mauvais choix de la direction d'interpolation (zones de détails fins).
Incohérences entre directions d'interpolation pour R et B.

Master ASE & Master Informatique – Traitement d'Images 21

 Problématique Introduction aux méthodes Méthodes avancées

Dématriçage exploitant la corrélation spatiale (3/3)

Autres méthodes exploitant la corrélation spatiale

Interpolation linéaire à pondération adaptative [Kimmel99]
w 0,−1⋅G 0,−1w−1,0⋅G−1,0 w 1,0⋅G 1,0w 0,1⋅G 0,1
G =
w0,−1w−1,0 w1,0 w0,1
les poids wδ x, δ y étant calculés à partir des gradients directionnels.
Reconnaissance de formes [Cok86]
Classer les niveaux de vert (G1>G2 > G3>G4) des voisins 4-connexes en


b si GG

h si GG

Contour Bande Coin

Estimer le niveau de vert selon la forme du voisinage

Exemple : si on est en présence d'un contour, G=M = G 2G 3  /2

Master ASE & Master Informatique – Traitement d'Images 22

 Problématique Introduction aux méthodes Méthodes avancées

Méthodes fréquentielles de dématriçage (1/3)

Dématriçage par sélection de fréquences [All04]

Transformée de Fourier d'une image CFA

Master ASE & Master Informatique – Traitement d'Images 23

 Problématique Introduction aux méthodes Méthodes avancées

Méthodes fréquentielles de dématriçage (2/3)

Transformée de Fourier d'une image CFA (suite)

(Alleysson et al., 2005)
0 1 2

échantillonnage
1
m
R
=
4
 1−−1  1−1 
x y

1
m
G
= 1−1x  y 
2
1
I≡ f ≡[f f f ]
R G B mB = 1−1x  1−−1 y  ICFA ≡ fCFA
4
f CFA  x , y= ∑ f k  x , y  mk  x , y

[ ][ ][ ]
fL 1 /4 1/2 1/4 fR k =R ,G , B

En posant f C1 = −1/4 1/2 −1/ 4 f G , on a :

f C2 −1/4 0 1/4 fB
F CFA u , v =F L u , v F C1  u−0.5 , v−0.5
F C2  u−0.5 , v −F

C2
 u , v−0.5
C2a C2b
F F

Master ASE & Master Informatique – Traitement d'Images 24

 Problématique Introduction aux méthodes Méthodes avancées

Méthodes fréquentielles de dématriçage (3/3)

Dématriçage
(Alleysson par sélection de fréquences
et al., 2005) (fin)
Estimation de la luminance L : sélection des basses fréquences

x →

[ ]
0 0 0 0 1 0 1 0 0 0 0
0 0 0 −1 0 2 0 −1 0 0 0
0 0 1 1 2 1 2 1 1 0 0
0 −1 1 −5 3 −9 3 −5 1 −1 0

∗ 1
128
1 0 2 3 1 7
0 −2 1 −9 7 104
1 0 2 3 1 7
1
7
1
3
−9
3
2 0 1
1 −2 0
2 0 1

0 −1 1 −5 3 −9 3 −5 1 −1 0
0 0 1 1 2 1 2 1 1 0 0
0 0 0 −1 0 2 0 −1 0 0 0
0 0 0 0 1 0 1 0 0 0 0

Image CFA Masque

Estimation des composantes de chrominance par filtresLuminance du CFA
orthogonaux
Master ASE & Master Informatique – Traitement d'Images 25
 Problématique Introduction aux méthodes Méthodes avancées

Évaluation de la qualité du dématriçage (1/2)

Critères
Rapport signal-sur-bruit pic-à-pic (ang. Peak Signal to Noise Ratio)
Aussi utilisé en compression d'images
Mesure la qualité de l'image estimée Î par rapport à l'image de référence I en
évaluant l'erreur quadratique moyenne (ang. Mean Square Error) :

 
w−1 h−1
d2 1 2
PSNR  I , I =10⋅log10
MSE
avec MSE= ∑ ∑ ∑
3 w h k =R , G , B x=0 y=0
 I x , y− I x , y 
k
 k

d est la valeur maximale possible du signal (si composantes sur 8 bits, d=255).
Le PSNR s'exprime en décibels (dB).
Plus sa valeur est élevée, meilleure est l'estimation.
Mesure la « proximité » entre 2 images, pas la qualité visuelle de l'image estimée.
Autres mesures
Mesure perceptuelle (sans unité) dans l'espace L*a*b* :
w−1 h−1
1

∗ ∗ ∗ 2
E
L a b
= ∑∑
3 w h x=0 y=0
∑ I k
x, y − I x , y 
k

k =L , a ∗ , b ∗

Master ASE & Master Informatique – Traitement d'Images 26

 Problématique Introduction aux méthodes Méthodes avancées

Évaluation de la qualité du dématriçage (2/2)

Résultats (exemples) : images estimées et PNSR

bilinéaire const. de teinte rec. formes [Cok86] gradient [H&A97] sél. fréq. [All04]
29,2 dB 31,7 dB 34,7 dB 38,4 dB 41,5 dB

Master ASE & Master Informatique – Traitement d'Images 27

 Sélection de références

Sites web
Deux sites sur la technologie des capteurs couleur mono-CCD.
[Link]
et [Link]
Description, implémentation et comparaison des principaux algorithmes.
[Link]
Compilation (quasi-)exhaustive des approches de dématriçage existantes.
[Link]
Articles scientifiques
[All04] D. Alleysson, 30 ans de démoisaïçage. Traitement du Signal,
21(6) : 561-581, 2004.
[GAM02] B. K. Gunturk, Y. Altunbasak et R. M. Mersereau, Color plane
interpolation using alternating projections. IEEE Transactions on Image
Processing, 11(9) : 997-1013, 2002.

Master ASE & Master Informatique – Traitement d'Images 28