LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Fonction de transfert de modulation, Bruit, Estimation univariante, Résolution, Réseaux de neurones, Qualité image, SPOT, 621.382 2
La connaissance de la résolution d’un instrument permet de comparer les caractéristiques de plusieurs imageurs, coopératifs ou non et d’améliorer en terme de qualité les images issues de ces instruments. Mais, le terme de résolution reste assez vague et a été l'objet de nombreuses définitions. La résolution est ce qui caractérise la capacité d’un système imageur à fournir une image dans laquelle on pourra distinguer des détails plus ou moins petits. Nous définissons comme résolution le triplet {échantillonnage, bruit, Fonction de Transfert de Modulation} Nous proposons, dans ce travail, d’évaluer la Fonction de transfert de modulation (FTM) et le bruit pour un pas d’échantillonnage donné à partir d’une image quelconque sans utiliser d’image de référence. Il faut remarquer que deux images quelconques auront a priori deux résolutions différentes, donc deux triplets différents, mais aussi deux paysages différents. C’est un des problèmes majeurs de cette étude, problème qui nécessite de modéliser un paysage quelconque. Les phénomènes à modéliser sont complexes et noué-linéaires ; pour ces raisons, nous avons choisi d’utiliser des réseaux de neurones artificiels (RNA). En effet, les RNA sont des modèles non linéaires simples, comportant peu de paramètres. Ils sont en plus d’excellents interpolateurs. En pratique, il s’agit dans un premier temps de trier les images selon leur type de paysage. Des paysages très structurés (urbains) sont utiles pour estimer la FTM et des paysages peu structurés (ruraux) sont utiles pour estimer le bruit. Ensuite, il est essentiel de caractériser chacune des composantes du triplet. Le RNA apprend à associer, grâce à des images connues, la caractérisation de chacune des composantes du triplet à la résolution de l’image considérée. Cette caractérisation est une étape essentielle au bon fonctionnement de la méthode. Il s’agit de trouver des paramètres pertinents pour l’estimation du triplet résolution. Pour cela, nous utilisons une caractérisation du paysage, certaines propriétés fréquentielles des images ainsi que des propriétés issues de l'analyse des images en paquets d’ondelettes. Enfin, le RNA peut être utilisé de manière autonome sur des images inconnues pour estimer leur triplet résolution. Le résultat est une estimation de la FTM avec des erreurs moyennes de 5% et une estimation de bruit avec des erreurs de l’ordre du 1/4 de pas de quantification (sur l'écart type du bruit) pour des images codées sur 8 bits. The resolution term is not well defined. The resolution characterises the capacity of anaoptieal instrument to make images in which we will be able to distinguish small details. We propose, in this work, to evaluate by way of resolution, the MTF and the noise for a given sampling rate, from any images. We propose an original method allowing to estimate the resolution without using an image of reference. One of the major problems of this study is the landscape, therefore we need to model it. The phenomena to model are complex and non linear ; therefore we use artificial neural networks (ANN). In fact, the ANN are simple non linear models, behaving few parameters. In practice, we must sort the images according to their types of landscapes. Very structured landscapes (urban) are useful to estimate the FIM and more uniform landscapes (rural) areuseful to estimate the noise. It is essential to characterise the two estimation problems (noise and MTF). The RNA learns how to associate, thanks to learnt images, these characterisations to the resolution of the considered image. This characterisation is an essential step to the good functioning of the method. We must find pertinent parameters for the estimation of the MTF and the noise. Therefore, we use a characterisation of the landscape, some Fourier properties of the images and some wavelets analysis properties. At last, the RNA can be used in an autonomous way on unknown images to estimate their resolution (in term of MTF and noise). This method is able to estimate the MTF with average estimation errors of 5% and noises with errors near 1/4 of quantization step for 8 bits images. The knowledge of the resolution allows us to improvethe global quality of any images.
  • No references.
  • No related research data.
  • No similar publications.

Share - Bookmark

Cite this article