top
parlab publications > thesesBibliothèque numérique RERO DOC: http://doc.rero.ch/search.py?recid=5345&ln=fr
Résumé
Abstract
Zusammenfassung
Cette thèse s'inscrit dans le cadre d'une approche purement géométrique de la vision artificielle tridimensionnelle. Elle s'intéresse au traitement des images de profondeur, collections de positions tridimensionnelles mesurées à la surface d'objets. Plus précisément, son sujet est la segmentation des images de profondeur, c'est-à-dire le partage de l'ensemble des points mesurés en sous-ensembles de points conformément à un modèle géométrique de surface. La thèse défend une segmentation basée sur le modèle peu contraignant de continuité d'ordre 1 et propose une nouvelle méthode de détection des discontinuités d'ordre 0 et d'ordre 1 pour réaliser la segmentation. En plus, ce travail apporte une étude approfondie de certains traitements d'une image de profondeur liés à la méthode proposée.
La méthode de détection des discontinuités constitue la pièce maîtresse de ce travail. Elle se range parmi les méthodes qui procèdent à une détection locale des discontinuités. Trois éléments la caractérisent. Premièrement, elle utilise un unique opérateur pour détecter à la fois les discontinuités d'ordre 0 et d'ordre 1. Deuxièmement, elle combine la détection des discontinuités avec le lissage nécessaire à atténuer le bruit, auquel la détection des discontinuités est sensible. Troisièmement, elle fait dépendre le lissage et la détection des discontinuités d'une estimation du niveau du bruit, de sorte à ce que le signal ne soit pas lissé plus que nécessaire. La dénomination MDMS de la méthode, pour "minimal detector minimal smoothing", se veut être mnémonique de ces trois caractéristiques. Son originalité par rapport à d'autres méthodes combinant lissage et détection des discontinuités repose sur deux points. D'une part, elle est la seule méthode à tenir compte d'une estimation du niveau de bruit pour contrôler le lissage et la détection des discontinuités. D'autre part, la détection des discontinuités d'ordre 0 et d'ordre 1 est combinée avec un lissage par diffusion, ce qui facilite une approche multirésolutionnelle.
En plus de la contribution pratique que représente la méthode MDMS, cette thèse fournit une analyse approfondie des problèmes suivants liés au traitement des images de profondeur: segmentation, détection des discontinuités, estimation et atténuation du bruit. Une partie importante est consacrée à décrire et à comparer les méthodes connues pour résoudre ces problèmes.
This thesis enters in the frame of a purely geometric approach of three-dimensional artificial vision. Its interest is in the processing of range images, which are collections of positions measured at object surfaces. More precisely, its subject is the segmentation of a range image, i.e. the sharing of the set of measured points into subsets according to a geometric model of surface. The thesis defends a segmentation approach based on the loosely constraining model of first order continuity and proposes a new detection method of 0th order and 1st order discontinuities to perform the segmentation. In addition, this work provides a deep study in several processing techniques which are linked to the proposed method.
The discontinuity detection method is the core contribution of this work. It is a local method characterized by the three following features. First, an unique detector is used for detecting both 0th order and 1st order discontinuities. Second, the noise, which disturbs the detection of discontinuities, is damped by combining smoothing with discontinuity detection. Third, discontinuity detection and smoothing are controlled according to an estimate of the noise level, so that the signal is not smoothed more than necessary. The method is called Minimal Detector Minimal Smoothing (MDMS). Compared to other methods which also combine discontinuity detection with smoothing, the MDMS method is original in regard of two aspects. First, it is the only one that takes into account an estimate of noise level to control discontinuity detection and smoothing. Second, it is the only one that combines the detection of 0th order and 1st order discontinuities with the use of diffusion for smoothing.
The interest of this work goes beyond its practical contribution related to the MDMS method, since it makes a deep analysis of the following problems involved in the processing of range images: segmentation, discontinuity detection, noise estimation, and noise attenuation. An important part of this thesis is devoted to the description and the comparison of existing methods for solving these problems.
Die vorliegende Dissertation plaziert sich im Umfeld der dreidimensionalen Computer Vision, wobei sich die Darstellung der Welt auf die rein geometrischen Aspekte beschränkt. Die Arbeit beschäftigt sich mit der Verarbeitung von Tiefenbildern, Mengen von 3D-Punkten, die an der Oberfläche von Gegenständen gemessen werden. Genauer ausgedrückt handelt es sich um die Segmentierung von Tiefenbildern, d.h. um die Aufteilung der Menge der gemessenen Punkte in Untermengen gemäss eines geometrischen Flächenmodells. Die Dissertation verteidigt eine Segmentierung basierend auf einem Kontinuitätsmodel erster Ordnung und schlägt eine neue Methode zur Detektion der Unstetigkeiten nullter und erster Ordnungen vor. Zusätzlich diskutiert diese Arbeit verschiedene andere Methoden zur Verarbeitung von Tiefenbildern im Zusammenhang mit der im Detail behandelten Methode.
Die Methode zur Detektion der Unstetigkeiten bildet das Kernstück dieser Arbeit. Sie kann unter diejenigen Methoden eingereiht werden, die sich auf eine lokale Detektion der Unstetigkeiten basieren. Diese Methode kann in folgenden drei Punkten charakterisiert werden: erstens in der Benutzung eines einzelnen Operators der gleichzeitig Unstetigkeiten nullter und erster Ordnung detektieren kann, zweitens in der Kombination der Detektion der Unstetigkeiten mit der zur Reduzierung des Rauschens unerlässlichen Glättung und drittens werden Glättung und Detektion der Unstetigkeiten in Abhängigkeit des geschätzten Rauchens durchgeführt, so dass das Nutzsignal nicht übermässig geglättet wird.
Der Name MDMS der entwickelten Methode soll diese drei Charakteristika ausdrücken und steht für: "minimal detector minimal smoothing". Der spezielle Beitrag dieser Arbeit im Vergleich zu anderen Arbeiten, die Glättung und Detektion der Unstetigkeiten kombinieren, liegt in zwei Punkten. Einerseits ist sie die einzige Methode, bei der eine Schätzung des Rauschens zur Steuerung von Glättung und Detektion der Unstetigkeiten beigezogen wird. Andererseits wird die Detektion der Unstetigkeiten nullter und erster Ordnung mit einer Glättung durch Diffusion kombiniert, was ein Arbeiten mit variabler Auflösung ermöglicht.
Neben dem praktischen Beitrag in der Form der MDMS Methode liefert diese Arbeit eine vertiefte Analyse der folgenden Probleme im Zusammenhang mit Tiefenbildern: Segmentierung, Detektion der Unstetigkeiten, Schätzung und Abschwächung des Einflusses des Rauschens. Ein grosser Teil der Arbeit ist der Beschreibung und dem Vergleich der aus der Literatur bekannten Methoden zur Lösung dieser Probleme gewidmet.