TRAITEMENT D’IMAGE SIF-1033.

Présentation au sujet: "TRAITEMENT D’IMAGE SIF-1033."— Transcription de la présentation:

1 TRAITEMENT D’IMAGE SIF-1033

2 Corrections géométriques et calibration de caméra
Approche SVD Transformations géométriques: déduction du modèle de déformation géométrique Assignation des valeurs de niveaux de gris Modèle de caméra Étalonnage de caméra Projection 2D/3D

3 Déformations géométriques des images
Image déformée Image corrigée Comment déduire le modèle de déformation ?

4 Approche Singular Value Decomposition
Cette approche permet d’éliminer les faiblesses notées dans les approches de résolutions de Gauss. L’approche SVD permet de résoudre divers types de problèmes: résolution de systèmes d’équations linéaires par moindres carrés (cas d’approximation de données), résolution de système mal conditionné.

5 Approche Singular Value Decomposition
Système à résoudre:

6 Approche Singular Value Decomposition
Si nous voulons modéliser la transformation géométrique (déformation) entre une image idéale (non déformée) et une image déformée par un système du deuxième ordre (degré 2): x’ = A x2 + B y2 + C xy + D x + E y + F (1) y’ = G x2 + H y2 + I xy + J x + K y + L (2) x’,y’: coordonnées de l’image déformée x, y: coordonnées de l’image idéale (x: horizontal, y: vertical)

7 Approche SVD (suite) Pour déduire la forme de ce modèle (donner des valeurs aux coefficients de déformation A, B, C, D, E ……, L) nous devons d’abord sélectionner au moins 6 points de contrôle dans une image de référence non déformée ainsi que leur correspondant dans une image déformée. Supposons que ces points de contrôle sont d’une part sélectionnés et ensuite stockés dans les vecteurs X, Y (image idéale) et X_Prime, Y_Prime (image déformée)

8 Approche SVD (suite) x b A
Exemple d’un système d’équations du deuxième ordre Ax = b : Vecteur des sol’n recherchées Coordonnées des points de contrôle dans l’image déformée. Coordonnées des points de contrôle dans l’image idéale x b A

9 Approche SVD (suite) L’approche SVD permet d’exprimer la matrice A par la décomposition A = U W VT. Cette décomposition en matrices est obtenue par la fonction svdcmp() de Numerical Recipes in C. Les matrices U, W et VT permettent de calculer l’inverse de A, A-1 ayant la forme A-1 = (VT)-1 W-1 U-1 = V W-1 UT V et U étant orthonormales, leur inverse est donc donnée par leur transposée. W étant diagonale, donc W-1 est aussi diagonale avec les éléments sur la diagonale à 1/wi.

10 Approche SVD (suite) Quand certaines valeurs wi  0 (proche de 0), la matrice A est dite singulière. Dans ce cas, A-1  (VT)-1 W-1 U-1  V W-1 UT. Donc pour estimer la matrice A-1 (pseudoinverse de A), nous remplaçons les valeurs 1/wi dans la matrice W-1par 0 quand wi est petit (proche de 0). Donc, x = A-1 b est obtenue dans les cas de singularité par x = pseudoinverse (A) b

11 Approche SVD (suite) Forme de x = A-1 b A-1

12 Approche SVD (suite) Après l’exécution de la fonction svdcmp(), les
Avant d’appeler la fonction svdksb() qui permet de déduire les sol’n d’un système d’équations linéaires, il faut vérifier si A est singulière. Après l’exécution de la fonction svdcmp(), les wi < MAX(wi) * 1.0e-6 sont fixés à 0 dans la matrice W.

13 Approche SVD (suite) Algorithme de résolution: correction d’image
int X[20],Y[20],X_Prime[20],Y_Prime[20]; // premier indice : 1 float wmax, wmin, **a,**u,*w,**v,*b,*x int i,j; // selectionner un minimum de 6 points de contrôle ….// selectionner un maximum de 20 points de contrôle a = matrix(1,2*m,1,12); // matrice A de 2mX12 u = matrix(1,2*m,1,12); // m: nombre de points de contrôle w = matrix(1,12,1,12); v = matrix(1,12,1,12); b = vector(1,2*m); // points de contrôle dans l’image deformee x = vector(1,12); // vecteur des sol’n ….. // mise à 0 de A

14 Approche SVD (suite) Algorithme de résolution: correction d’image (suite …) for(i=1;i<=2*m;i+=2) // initialiser A { a[i][1] = a[i+1][7] = X[i/2+1]*X[i/2+1]; a[i][2] = a[i+1][8] = Y[i/2+1]*Y[i/2+1]; a[i][3] = a[i+1][9] = X[i/2+1]*Y[i/2+1]; a[i][4] = a[i+1][10] = X[i/2+1]; a[i][5] = a[i+1][11] = Y[i/2+1]; a[i][6] = a[i+1][12] = 1.0; }

15 Approche SVD (suite) Algorithme de résolution: correction d’image (suite …) for(i=1;i<=2*m;i+=2) // initialiser b { b[i] = X_Prime[i/2+1]; b[i+1] = Y_Prime[i/2+1]; }

16 Approche SVD (suite) Algorithme de résolution: correction d’image (suite …) for(i=1;i<=2*m;i++) for(j=1;j<=12;j++) u[i][j] = a[i][j]; svdcmp(u,2*m,12,w,v); wmax = 0.0; for(j=1;j<=12;j++) if(w[j] > wmax) wmax = w[j]; wmin = wmax*1.0e-6; for(j=1;j<=12;j++) if(w[j] < wmin) w[j]=0.0; svdksb(u,w,v,2*m,12,b,x);

17 Approche SVD (suite) Avec le vecteur des sol’n x dont les éléments correspondent aux coefficients des équations de transformation des pixels de l’image idéale vers l’image déformée (x[1]  A, x[2]  B, x[3]  C, x[4]  D, …., x[12]  L), nous pouvons projeter chaque point x,y d’une image idéale pour trouver sa position x’,y’ dans l’image déformée. x’ = A x2 + B y2 + C xy + D x + E y + F (1) y’ = G x2 + H y2 + I xy + J x + K y + L (2)

18 Approche SVD (suite) En substituant les notations utilisées dans l’algorithme, les éq. (1) et (2 ) deviennent: X’ = x[1] X2 + x[2] Y2 + x[3] XY + x[4] X + x[5] Y + x[6] Y’ = x[7] X2 + x[8] Y2 + x[9] XY + x[10] X + x[11] Y + x[12]

19 Approche SVD (suite) Algorithme de la correction géométrique
for(Y=0;Y<Hauteur;Y++) for(X=0;X<Largeur;X++) { X’ = x[1] X2 + x[2] Y2 + x[3] XY + x[4] X + x[5] Y + x[6]; Y’ = x[7] X2 + x[8] Y2 + x[9] XY + x[10] X + x[11] Y + x[12]; // valider X’ Y’ imageCorrigee[Y][X] = imageDeforme[(int)Y’+0.5][(int)X’+0.5]; } // Ne pas oublier de libérer les matrices et vecteurs avec les fonctions free_matrix() // et free_vector()

20 Interpolation du type voisin le plus proche ["Nearest neighbor"]
Transformation spatiale (x, y) f (x, y) Affectation du niveau de gris

21 Exemple: Correction géométrique
CGEO .rast – Résultat de la correction r11.rast correctiongeo r11.rast r11CGEO.rast e-5 ... cadastreNS4X4.tiff

22 Exemple: Correction géométrique
Modèle de déformation: x’ = e-5 y e-5 x e-6 xy y x y’ = e-5 y e-6 x e-5 xy y x où x’,y’ sont les coordonnées des pixels dans l’image déformée et x,y celles de l’image corrigée (idéale).

23 Utilités d’un modèle de caméra
Points 2D (image) Modèle de caméra Points 3D (espace) Le but recherché est donc de trouver la coordonnée dans l’espace 3D d’un objet projeté dans l’image (pixel 2D) Matrice de Transformation (paramètres du Modèle) Étalonnage de caméra Opération faites une seule fois.

24 Modèle de caméra (sténopé=> pinhole)

25 Modèle de caméra (sténopé=> pinhole)

26 Modèle de caméra (sténopé=> pinhole)
Le sténopé non inverseur

27 Modèle de caméra (lentille)
Le sténopé ne permet pas la création d’images nettes puisque l’ouverture étant petite, ne permet pas de laisser passer assez de lumière. Une lentille est donc ajoutée pour contrer cette faiblesse.

28 Modèle de caméra (lentille)
Inverseur Non inverseur

29 Modèle de caméra (projection en perspective)
Sachant que Y/Z = Y’/F Alors Y’ = YF/Z X’ = XF/Z Z’ = F (distance focale)

30 Étalonnage de caméra (modèle d’acquisition d’images)
Système de référence de la caméra Plan Image

31 Étalonnage de caméra (modèle d’acquisition d’images)

32 Étalonnage de caméra (modèle d’acquisition d’images: Paramètres extrinsèques)

33 Étalonnage de caméra (modèle d’acquisition d’images: Paramètres extrinsèques)

34 Étalonnage de caméra (modèle d’acquisition d’images: Paramètres intrinsèques)
f (focal distance) Projection (transformation) en perspective du point P dans l’image

35 Étalonnage de caméra (modèle d’acquisition d’images: Paramètres intrinsèques)
Application de la projection en perspective: Calcul des coordonnées images: (ox, oy): coordonnées du point principal (centre de l’image, ox = N/2 oy = M/2) sx et sy sont les dimensions horizontale et verticale d’un pixel (en mm)

36 Étalonnage de caméra (modèle d’acquisition d’images)
Passage des coordonnées du monde aux coordonnées image: En coordonnées homogènes:

37 Étalonnage de caméra (modèle d’acquisition d’images)
En coordonnées homogènes:

38 Étalonnage de caméra (modèle d’acquisition d’images)
Points 3D (mm) Pixel 2D Image Paramètres intrinsèques de la caméra Paramètres extrinsèques

39 Étalonnage de caméra (modèle d’acquisition d’images)
L’étalonnage consiste donc à trouver la matrice M

40 Étalonnage de caméra (modèle d’acquisition d’images)
Équations d’étalonnage

41 Étalonnage de caméra Pour déduire les coefficients de ce modèle d’étalonnage (donner des valeurs aux coefficients de déformation 3D/2D, m11, m12, m13, m14, m21 …. ……, m34) nous devons d’abord sélectionner au moins 6 points de contrôle dans une image de référence de la scène 2D (image de la scène) ainsi que leur correspondant dans l’espace 3D du monde. Supposons que ces points de contrôle sont d’une part sélectionnés et ensuite stockés dans les vecteurs u, v (image scène) et X, Y, Z (points 3D)

42 Étalonnage de caméra Exemple de cible 3D utilisée pour l’étalonnage de caméra.

43 Étalonnage de caméra A x b Système d’équations linéaires Ax = b :
Vecteur des sol’n recherchées Coordonnées des points de contrôle dans l’image de la scène Coordonnées des points de contrôle 3D. A x b

44 Étalonnage de caméra Algorithme de résolution: étalonnage de caméra
int X[20],Y[20], Z[20],U[20],V[20]; float wmax, wmin, **a,**u,*w,**v,*b,*x int i,j,minPos; // selectionner un minimum de 6 points de contrôle ….// selectionner un maximum de 20 points de contrôle ….// correspondance en chaque pixel (u,v) et point dans l’espace 3D (X,Y,Z) a = matrix(1,2*m,1,12); // matrice A de 2mX12 u = matrix(1,2*m,1,12); // m: nombre de points de contrôle w = matrix(1,12,1,12); v = matrix(1,12,1,12); b = vector(1,2*m); x = vector(1,12); // vecteur des sol’n ….. // mise à 0 de A

45 Étalonnage de caméra Algorithme de résolution: étalonnage de caméra (suite …) for(i=1;i<=2*m;i+=2) {// initialiser A a[i][1] = a[i+1][4] = X[i/2+1]; a[i][2] = a[i+1][5] = Y[i/2+1]; a[i][3] = a[i+1][6] = Z[i/2+1]; a[i][7] = -X[i/2+1]* u[i/2+1]; a[i+1][7] = -X[i/2+1]* v[i/2+1]; a[i][8] = -Y[i/2+1]* u[i/2+1]; a[i+1][8] = -Y[i/2+1]* v[i/2+1]; a[i][9] = -Z[i/2+1]* u[i/2+1]; a[i+1][9] = -Z[i/2+1]* v[i/2+1]; a[i][10] = - u[i/2+1]; a[i+1][10] = - v[i/2+1]; a[i][11] = a[i+1][12] = 1.0; }

46 Étalonnage de caméra Algorithme de résolution: étalonnage de caméra (suite …) for(i=1;i<=2*m;i+=2) // initialiser b { b[i] = b[i+1] = 0; }

47 Étalonnage de caméra Algorithme de résolution: étalonnage de caméra (suite …) for(i=1;i<=2*m;i++) for(j=1;j<=12;j++) u[i][j] = a[i][j]; svdcmp(u,2*m,12,w,v); wmax = 0.0; for(j=1;j<=12;j++) if(w[j] > wmax) wmax = w[j]; wmin = wmax; // trouver la valeur propre min. dans w for(j=2;j<=12;j++) if((w[j] < wmin) && w[j] != 0.0) {wmin = w[j]; minPos = j;} for(j=1;j<=12;j++) x[j]=v[j][minPos]; // x contient la solution

48 Étalonnage de caméra Avec le vecteur des sol’n x dont les éléments correspondent aux coefficients des équations de transformation 3D/2D (points dans l’espace vers pixels). (x[1]  m11, x[2]  m12, x[3]  m13, x[4]  m21, x[5]  m22, x[6]  m23, x[7]  m31, x[8]  m32, x[9]  m33, x[10]  m34, x[11]  m14, x[12]  m24), nous pouvons déduire la position la position 3D d’un point dans l’espace à partir de sa projection u,v dans le plan image.

49 Projection 2D/3D Pour un point u,v donné dans une image, vous trouver
sa position 3D sur le plancher Xw, Yw, Zw (mm)

50 Résumé Corrections géométriques et calibration de caméra Approche SVD
Modèle de caméra Étalonnage de caméra Projection 2D/3D