Analyse et le traitement de données chromatiques Correction d’affadissement Travail de synthése à partir de la thèse de Majed CHAMBAH.

Présentation au sujet: "Analyse et le traitement de données chromatiques Correction d’affadissement Travail de synthése à partir de la thèse de Majed CHAMBAH."— Transcription de la présentation:

1 Analyse et le traitement de données chromatiques Correction d’affadissement Travail de synthése à partir de la thèse de Majed CHAMBAH

2 Affadissement L’affadissement est un phénomène inexorable. Une dégradation de document lié au temps. Les facteurs : La chaleur, la poussière, l’hygrométrie, le stockage, l’environnement. Le support(papier, pellicule), les ancres, les types pigments. Les conséquences Altération des couleurs. Taches. Non considéré comme affadissement : Les taches engendrées par la poussière, les saletés. Les rayures

3 Modéliser l’affadissement Idée : Modéliser l’affadissement afin de restaurer les couleurs d’un document. But : Hypothèse : Les couleurs originels devaient être plus contrastées, plus facilement séparables.

4 Modèles d’affadissements Modèle à décalage Modèle linéaire Modèle non linéaire

5 Modèle d’affadissement Modèle à décalage Signifie que toutes les couleurs ont vieillies de la même manière. La couleur restaurée est donc égale à la couleur actuelle + un décalage. - Trois inconnues

6 Modèle d’affadissement Modèle linéaire L’affadissement est proportionnel à la densité des colorants. 12 inconnues. La correction consiste à multiplier les valeurs rgb de l’image affadie avec trois coefficients et à ajouter un offset.

7 Détermination des paramètres de correction Frey et Gschwind établissent les paramètres de leur modèle de correction linéaire d’après des expériences réalisées en labo (affadissement accéléré). Hunt [HUN81], l’affadissement est proportionnel à la quantité de colorants. Il y aura plus de perte de colorants dans les zones sombres (haute densité) que dans les zones claires (faible densité). Ando [AND97] utilise une méthode subjective qui consiste à choisir comme couleurs non affadies (couleurs cibles) les couleurs de certaines zones.

8 Détermination des paramètres de correction En ce qui concerne le modèle linéaire, quatre zones au minimum sont nécessaires pour résoudre le système à douze inconnues (4 zones * 3 couleurs = 12). Résolution du système. Si plus de 5 zones, régression au sens des moindres carrés.

9 Détermination des paramètres de correction. Le choix des zones cibles Les zones cibles doivent être le plus diversifié possible. Trouver les zones clés, analyse en composantes principales (ACP). Composantes Principales(PC) Ohta en 1980 : PC1 = (R+G+B)/3. PC2 = (R-B)/2. PC3 = (2G-R-B)/4. négligée Représente 99% des données

10 Analyse en composantes principales

11 Palier à l’affadissement par l’augmentation de la saturation Augmentation de la saturation dans l’espace TSV.(Teinte, Saturation, Valeur(Intensité))

12 Palier à l’affadissement par l’augmentation de la saturation Augmentation de la saturation dans l’espace L*C*h* Cette méthode renforce la couleur prédominante (ayant la plus grande valeur) qu’est celle de la dominante dans le cas des images affadies.

13 Palier à l’affadissement par l’augmentation de la saturation Amélioration non uniforme de la saturation. Travailler dans un système d’axe indépendant. Le passage d’un espace couleur vers un système d’axes indépendants se fait en utilisant la matrice de transformation vers l’espace des composantes principales. Un axe représente majoritairement la luminance et les deux autres axes la chrominance. Etirer le nuage de points dans la direction des axes principaux.

14 Palier à l’affadissement par l’augmentation de la saturation X désigne les données de l’image dans l’espace CIELAB. μ la moyenne de l’image. T la matrice de transformation vers l’espace des composantes principales. Les données Y dans le système d’axes indépendants : Y = T(X −μ ) T = [e1, e2, e3], valeurs propres de la matrice de covariance. Les données étirées Y′ selon la direction des axes principaux : Y'= ΚY Matrice d’amélioration de la saturation : M=T -1 KT Paramètres fixes environ 0.86

15 Conclusion : Méthode d’évaluation de la qualité visuel Evaluation visuelle simple « vérifier que les zones achromatiques sont achromatiques » ou « vérifier que le blanc ne comporte pas de dominante », etc. Hubel [HUB99] Evaluation visuelle complexe Utilise des couleurs de référence à comparer aux couleurs de l’image à juger. Evaluation psychophysique « a good quality image is one that does not offend you » Dans le cas d’une analyse de document: L’image restaurée doit permettre la meilleur segmentation possible.