FR2945649A1 - METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE - Google Patents
METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE Download PDFInfo
- Publication number
- FR2945649A1 FR2945649A1 FR0953286A FR0953286A FR2945649A1 FR 2945649 A1 FR2945649 A1 FR 2945649A1 FR 0953286 A FR0953286 A FR 0953286A FR 0953286 A FR0953286 A FR 0953286A FR 2945649 A1 FR2945649 A1 FR 2945649A1
- Authority
- FR
- France
- Prior art keywords
- image
- angle
- inclination
- contours
- rectilinear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000003672 processing method Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000265 homogenisation Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Procédé de traitement d'une image numérique comprenant une estimation (S1) d'un angle d'inclinaison de l'image par rapport à un axe de l'image.A method of processing a digital image comprising estimating (S1) an angle of inclination of the image with respect to an axis of the image.
Description
B08-5214FR FZ/CRA B08-5214EN FZ / CRA
Déposant : ST-Ericsson SA (ST-Ericsson Ltd) Procédé et dispositif de traitement d'une image numérique Invention de : LESELLIER Estelle CHOULY Antoine Procédé et dispositif de traitement d'une image numérique Applicant: ST-Ericsson SA (ST-Ericsson Ltd) Digital image processing method and device Invention of: LESELLIER Estelle CHOULY Antoine Method and device for processing a digital image
L'invention concerne le traitement d'une image numérique, et notamment le traitement de son inclinaison. The invention relates to the processing of a digital image, and in particular the processing of its inclination.
En particulier, l'invention concerne les images numériques obtenues à l'aide d'un appareil de capture d'images numériques. L'invention s'applique avantageusement mais non limitativement aux images numériques individuelles, ou photos, et aux images numériques d'une vidéo. In particular, the invention relates to digital images obtained using a digital image capture apparatus. The invention applies advantageously but not exclusively to individual digital images, or photos, and digital images of a video.
On entend par appareil de capture d'images numériques, un appareil numérique apte à capturer des photos et des vidéos numériques, comme un appareil photo, un caméscope, une caméra d'un téléphone portable, une caméra d'ordinateur... Actuellement, l'inclinaison du contenu d'une image (une ligne d'horizon, des gratte-ciel, des arbres, etc.) par rapport aux bordures du cadre de l'image est un problème fréquent qui apparaît lors de la capture d'une image. L'inclinaison du contenu de l'image peut provenir du fait que les nouveaux appareils photos proposent un afficheur numérique pour visualiser les images avant capture et qui remplace le viseur traditionnel. En conséquence, l'utilisateur doit porter l'appareil à une distance de lecture, d'environ 25 cm, afin de visualiser correctement les images affichées, ce qui entraîne que l'appareil n'est plus calé par le visage. En outre, lorsque l'appareil qui affiche l'image est éloigné de l'utilisateur, celui-ci distingue moins nettement l'inclinaison de l'image avec les bordures du cadre de l'appareil de capture. Cette inclinaison non désirée peut également survenir lorsque l'utilisateur presse le bouton pour déclencher une capture d'image et entraîne un mouvement non désiré de l'appareil. Ce phénomène est d'autant plus amplifié que les appareils deviennent de plus en plus légers. On notera également qu'une faible inclinaison non désirée du contenu de l'image capturée sera perceptible lorsque l'image sera affichée sur un écran d'ordinateur ou sur une télévision ayant une taille d'affichage supérieure à l'appareil qui a capturé l'image. Certains appareils photo numériques affichent, dans l'afficheur numérique, une grille fixe. Mais cette méthode n'est pas suffisamment efficace car elle est basée sur une estimation visuelle subjective de l'utilisateur qui doit adapter la position de la grille par rapport à l'image avant capture. Cette manipulation de l'appareil n'est donc pas suffisamment précise. Des méthodes de traitement d'images sont utilisées par des logiciels de retouche d'images, mais c'est encore une fois l'utilisateur qui doit déterminer l'inclinaison correcte de l'image à retoucher. Selon un aspect, il est proposé un procédé de traitement d'une image numérique, comprenant, une estimation d'un angle d'inclinaison de l'image par rapport à un axe de l'image, et plus particulièrement par rapport au cadre de l'image, par exemple par rapport à un axe défini par rapport au cadre de l'image, cet axe pouvant être horizontal, vertical ou incliné. Cette estimation est avantageusement effectuée de façon automatisée. En d'autres termes elle est effectuée sans intervention de l'utilisateur et sans tenir compte notamment de la perception subjective de l'utilisateur. On peut ainsi mesurer l'inclinaison d'un appareil dans une image numérique capturée. On peut, grâce à une estimation de l'inclinaison de l'image par rapport à un axe de l'image, afficher cette estimation sur un appareil numérique avant la capture de l'image, appelé également mode de prévisualisation ou preview en langue anglaise, offrant la possibilité à l'utilisateur de corriger l'inclinaison de l'appareil. On peut afficher, par exemple la valeur de l'angle d'inclinaison, ou une ligne représentant l'inclinaison par rapport à une grille fixe dans l'afficheur avant que l'utilisateur capture l'image ou la vidéo. On peut également restaurer automatiquement l'inclinaison correcte de l'image après capture en effectuant une rotation inverse de l'image par rapport à l'angle d'inclinaison estimé, et ce quel que soit le contenu de l'image. Avantageusement, l'estimation comprend une détection d'un contour rectiligne pertinent de l'image et un calcul d'un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation. On peut ainsi fournir une méthode peu complexe et peu onéreuse pour mesurer l'angle d'inclinaison d'une image numérique par rapport à un axe de l'image. Ceci est particulièrement adapté aux appareils de capture d'images numériques ayant des capacités limitées en puissance de calcul, en bande-passante, en stockage de l'énergie électrique et en stockage de la mémoire. Selon un mode de mise en oeuvre, la détection du contour rectiligne pertinent comporte une détection de contours de l'image, un traitement comprenant une transformation des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un calcul des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, de façon à discriminer les contours rectilignes parmi lesdits contours détectés, et une sélection dudit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus. On peut ainsi préciser l'estimation de l'angle d'inclinaison de l'image en détectant plusieurs contours de l'image de manière à favoriser la sélection d'un contour pertinent parmi lesdits contours détectés. Selon encore un autre mode de mise en oeuvre, on sélectionne ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image. A digital image capture device is a digital device capable of capturing photos and digital video, such as a camera, a camcorder, a camera from a mobile phone, a computer camera, etc. tilting the content of an image (a skyline, skyscrapers, trees, etc.) relative to the borders of the frame of the image is a common problem that appears when capturing a picture. The tilt of the image content may come from the fact that the new cameras offer a digital display to view the images before capture and that replaces the traditional viewfinder. As a result, the user must carry the camera at a reading distance of approximately 25 cm to correctly view the images displayed, resulting in the camera no longer being stuck by the face. In addition, when the device that displays the image is away from the user, the latter distinguishes less clearly the inclination of the image with the borders of the frame of the capture device. This unwanted tilt can also occur when the user presses the button to trigger an image capture and causes an unwanted movement of the device. This phenomenon is all the more amplified as the devices become lighter and lighter. It should also be noted that a small unwanted tilt of the captured image's content will be noticeable when the image is displayed on a computer screen or on a television having a larger display size than the camera that captured the captured image. 'picture. Some digital cameras display a fixed grid in the digital display. But this method is not efficient enough because it is based on a subjective visual estimate of the user who must adapt the position of the grid relative to the image before capture. This manipulation of the apparatus is therefore not sufficiently precise. Image processing methods are used by image editing software, but again the user must determine the correct inclination of the image to be retouched. In one aspect, there is provided a method of processing a digital image, comprising, estimating an angle of inclination of the image with respect to an axis of the image, and more particularly with respect to the frame of the image. the image, for example with respect to an axis defined with respect to the frame of the image, this axis being able to be horizontal, vertical or inclined. This estimate is advantageously performed automatically. In other words it is performed without user intervention and without taking into account in particular the subjective perception of the user. It is thus possible to measure the inclination of a device in a captured digital image. It is possible, thanks to an estimation of the inclination of the image with respect to an axis of the image, to display this estimate on a digital apparatus before the image is captured, also called preview or preview mode in the English language. , offering the possibility to the user to correct the inclination of the device. For example, the value of the tilt angle, or a line representing the tilt relative to a fixed grid in the display can be displayed before the user captures the image or video. The correct inclination of the image after capture can also be automatically restored by rotating the image inversely with respect to the estimated tilt angle, regardless of the image content. Advantageously, the estimation comprises a detection of a relevant rectilinear contour of the image and a calculation of an orientation angle of the rectilinear contour relevant to said axis, the angle of inclination of the image being deduced from said orientation angle. It is thus possible to provide a method that is not very complicated and inexpensive for measuring the angle of inclination of a digital image with respect to an axis of the image. This is particularly suitable for digital image capturing devices having limited computing power, bandwidth, electrical power storage and memory storage capabilities. According to one embodiment, the detection of the relevant rectilinear contour comprises a detection of contours of the image, a processing comprising a transformation of the Cartesian coordinates of each pixel of said detected contours into a sinusoidal curve and a calculation of the polar coordinates of the contours. rectilinear depending on the points of intersection of said sinusoidal curves obtained, so as to discriminate the rectilinear contours among said detected contours, and a selection of said relevant rectilinear contour among said rectilinear contours obtained. It is thus possible to specify the estimate of the angle of inclination of the image by detecting several contours of the image so as to favor the selection of a relevant contour from said detected contours. According to yet another embodiment, said relevant rectilinear contour is selected from rectilinear contours having an orientation angle comprised in an interval centered on the axis of the image.
On limite ainsi le nombre de calculs pour déterminer le contour rectiligne pertinent. La sélection dudit contour rectiligne pertinent peut comporter un calcul d'un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et ledit contour rectiligne pertinent est choisi parmi ceux ayant le plus grand nombre de pixels. On fournit ainsi un critère de sélection du contour pertinent qui est simple à mettre en oeuvre. This limits the number of calculations to determine the relevant rectilinear contour. The selection of said relevant rectilinear contour may comprise a calculation of a histogram of the distribution of the number of pixels belonging to the rectilinear contours as a function of the orientation angles of the rectilinear contours, and said relevant rectilinear contour is chosen from those having the greatest number pixels. This provides a criterion for selecting the relevant contour that is simple to implement.
La détection de contours de l'image peut également comprendre un rejet des contours isolés. On peut ainsi accélérer le traitement de l'image en évinçant les contours non pertinents. Selon un mode de mise en oeuvre, le procédé comprend une première estimation d'un premier angle d'inclinaison par rapport à un premier axe de l'image, une deuxième estimation d'un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et une troisième estimation d'un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si la différence entre lesdits premier et deuxième angles d'inclinaison est inférieure à un seuil, ou à un desdits angles d'inclinaison dans le cas contraire. On améliore ainsi la robustesse de l'estimation de l'angle d'inclinaison. En utilisant deux axes, on fournit une méthode plus précise pour déterminer l'angle d'inclinaison de l'image. Selon un autre mode de mise en oeuvre, le procédé s'applique au traitement de plusieurs images numériques successives d'une vidéo ; le procédé comprend une sélection d'un nombre d'images de ladite vidéo, et une estimation de l'angle d'inclinaison de chaque image sélectionnée. On peut ainsi estimer le tremblement qui apparaît dans une vidéo. Selon un autre aspect, il est proposé un dispositif de traitement d'une image numérique. Ce dispositif comprend un moyen d'estimation pour estimer un angle d'inclinaison de l'image par rapport à un axe de l'image. Avantageusement, ledit moyen d'estimation comprend un moyen de détection pour détecter un contour rectiligne pertinent de l'image et un moyen de calcul pour calculer un angle d'orientation du contour rectiligne pertinent par rapport audit axe, l'angle d'inclinaison de l'image étant déduit dudit angle d'orientation. Selon un mode de réalisation, le moyen de détection comprend un moyen de détection initial pour détecter des contours de l'image, un moyen de traitement pour discriminer les contours rectilignes parmi lesdits contours détectés, ledit moyen de traitement comportant un moyen de transformation pour transformer des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un deuxième moyen de calcul pour calculer des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues, et un moyen de sélection pour sélectionner ledit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus. Contour detection of the image may also include rejection of the isolated contours. It can thus accelerate the image processing by evading the irrelevant contours. According to one embodiment, the method comprises a first estimate of a first angle of inclination with respect to a first axis of the image, a second estimate of a second angle of inclination with respect to a second axis. of the image, and a third estimate of a final angle of inclination of the image, said final angle of inclination of the image being equal to a weighted average between said first and second angles of inclination if the difference between said first and second inclination angles is less than a threshold, or one of said inclination angles in the opposite case. This improves the robustness of the estimate of the angle of inclination. By using two axes, a more precise method is provided to determine the angle of inclination of the image. According to another mode of implementation, the method applies to the processing of several successive digital images of a video; the method includes selecting a number of images of said video, and estimating the tilt angle of each selected image. We can thus estimate the tremor that appears in a video. In another aspect, there is provided a device for processing a digital image. This device comprises an estimation means for estimating an angle of inclination of the image with respect to an axis of the image. Advantageously, said estimation means comprises a detection means for detecting a relevant rectilinear contour of the image and a calculation means for calculating an orientation angle of the rectilinear contour relevant to said axis, the angle of inclination of the image being deduced from said orientation angle. According to one embodiment, the detection means comprises an initial detection means for detecting contours of the image, a processing means for discriminating the rectilinear contours from said detected contours, said processing means comprising transformation means for transforming Cartesian coordinates of each pixel of said contours detected in a sinusoidal curve and a second calculating means for calculating polar coordinates of the straight contours as a function of the points of intersection of said obtained sinusoidal curves, and selection means for selecting said relevant rectilinear contour among said rectilinear contours obtained.
Selon encore un autre mode de réalisation, le moyen de sélection est apte à sélectionner ledit contour rectiligne pertinent parmi les contours rectilignes ayant un angle d'orientation compris dans un intervalle centré sur l'axe de l'image. Le moyen de sélection peut comporter un troisième moyen de calcul pour calculer un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes, et est en outre apte à sélectionner ledit contour rectiligne pertinent parmi ceux ayant le plus grand nombre de pixels. According to yet another embodiment, the selection means is able to select said relevant rectilinear contour from the rectilinear contours having an orientation angle comprised in an interval centered on the axis of the image. The selection means may comprise a third calculation means for calculating a histogram of the distribution of the number of pixels belonging to the rectilinear contours as a function of the orientation angles of the rectilinear contours, and is furthermore able to select said relevant rectilinear outline from among those having the largest number of pixels.
Le moyen de détection initial est en outre apte à rejeter des contours isolés. Selon un mode de réalisation, le dispositif comprend un premier moyen d'estimation pour estimer un premier angle d'inclinaison par rapport à un premier axe de l'image, un deuxième moyen d'estimation pour estimer un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et un troisième moyen d'estimation pour estimer un angle final d'inclinaison de l'image, ledit angle final d'inclinaison de l'image étant égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison si la différence entre lesdits premier et deuxième angles d'inclinaison est inférieure à un seuil, ou à un desdits angles d'inclinaison dans le cas contraire. Selon un autre mode de réalisation, le dispositif est apte à traiter plusieurs images numériques successives d'une vidéo, ledit dispositif comprenant, un deuxième moyen de sélection pour sélectionner un nombre d'images de ladite vidéo, dans lequel, le moyen d'estimation est apte à estimer l'angle d'inclinaison de chaque image sélectionnée. The initial detection means is further capable of rejecting isolated contours. According to one embodiment, the device comprises a first estimation means for estimating a first angle of inclination with respect to a first axis of the image, a second estimation means for estimating a second angle of inclination with respect to at a second axis of the image, and third estimation means for estimating a final angle of inclination of the image, said final angle of inclination of the image being equal to a weighted average between said first and second inclination angles if the difference between said first and second inclination angles is less than a threshold, or one of said inclination angles otherwise. According to another embodiment, the device is able to process several successive digital images of a video, said device comprising, a second selection means for selecting a number of images of said video, in which, the estimation means is able to estimate the angle of inclination of each selected image.
Le dispositif de traitement d'une ou de plusieurs images numériques peut être inclus dans un appareil de capture d'images numériques. Un tel appareil de capture d'images peut également être inclus dans un appareil de communication sans fil. The processing device of one or more digital images may be included in a digital image capture apparatus. Such an image capture apparatus may also be included in a wireless communication apparatus.
D'autres avantages et caractéristiques apparaîtront à l'examen de la description détaillée de modes de mise en oeuvre et de réalisations de l'invention, nullement limitatifs, et des dessins annexés sur lesquels : - la figure 1 illustre de façon schématique les phases principales d'un mode de mise en oeuvre du procédé de traitement d'une image numérique - la figure 2 illustre de façon schématique les phases principales de l'étape de détection d'un contour rectiligne pertinent ; - la figure 3 illustre de façon schématique un histogramme de la distribution des pixels de l'image ; - la figure 4 illustre de façon schématique un autre mode de mise en oeuvre du procédé de traitement d'une image numérique ; - la figure 5 illustre de façon schématique encore un autre mode de mise en oeuvre du procédé de traitement d'une image numérique ; - la figure 6 illustre de façon schématique un mode de mise en oeuvre du procédé de traitement de plusieurs images numériques ; - la figure 7 illustre de façon schématique un mode de réalisation d'un dispositif de traitement d'une image numérique ; - la figure 8 illustre de façon schématique un autre mode de réalisation du dispositif de traitement d'une image numérique ; - la figure 9 illustre de façon schématique un mode de réalisation du dispositif de traitement de plusieurs images numériques ; et - la figure 10 illustre de façon schématique un mode de réalisation d'un appareil de communication sans fil comprenant un dispositif de traitement d'une ou de plusieurs images numériques. Sur la figure 1, on a représenté de façon schématique les phases principales d'un exemple de procédé de traitement d'une image numérique Pi. Other advantages and characteristics will appear on examining the detailed description of embodiments and embodiments of the invention, in no way limiting, and the accompanying drawings, in which: FIG. 1 schematically illustrates the principal phases; of an embodiment of the method of processing a digital image - Figure 2 schematically illustrates the main phases of the step of detecting a relevant rectilinear contour; FIG. 3 schematically illustrates a histogram of the distribution of the pixels of the image; FIG. 4 schematically illustrates another mode of implementation of the method of processing a digital image; FIG. 5 schematically illustrates another embodiment of the method for processing a digital image; FIG. 6 schematically illustrates one embodiment of the method for processing a plurality of digital images; FIG. 7 schematically illustrates an embodiment of a device for processing a digital image; FIG. 8 schematically illustrates another embodiment of the device for processing a digital image; FIG. 9 schematically illustrates an embodiment of the device for processing a plurality of digital images; and FIG. 10 schematically illustrates an embodiment of a wireless communication apparatus comprising a device for processing one or more digital images. FIG. 1 diagrammatically shows the principal phases of an exemplary method for processing a digital image Pi.
Ce procédé comprend une estimation S1 d'un angle d'inclinaison de l'image Pi par rapport à un axe de l'image AxH. L'image Pi comporte un cadre Cdi comprenant quatre bordures B1 à B4. En outre, le cadre Cdi comprend une hauteur B4,B2 et une largeur B1,B3 définissant le nombre de pixels de l'image Pi. This method comprises an estimate S1 of an angle of inclination of the image Pi with respect to an axis of the image AxH. The image Pi comprises a frame Cdi comprising four borders B1 to B4. In addition, the frame Cdi comprises a height B4, B2 and a width B1, B3 defining the number of pixels of the image Pi.
Généralement, le cadre Cdi de l'image Pi correspond au cadre de visé traditionnel, ou à l'afficheur, d'un appareil de capture d'images. On notera une bordure principale B1 du cadre Cdi de l'image Pi comme étant la bordure horizontale du bas du cadre de l'image. Par rapport à cette bordure principale B1, l'axe de l'image AxH peut être oblique, par exemple selon une diagonale de l'image, vertical ou horizontal. De préférence, l'axe de l'image sera horizontal ou vertical. Dans l'exemple illustré sur la figure 1, l'axe de l'image AxH est l'axe horizontal. Cette image représente schématiquement un parasol PL muni d'un pied PPL et d'une partie haute HPL, ledit parasol PL étant planté sur une plage PLG, avec une ligne d'horizon LHZ inclinée. On voit ici que la ligne d'horizon LHZ, au lieu d'être horizontale comme dans la réalité, est inclinée d'un angle aH qui correspond à l'angle d'inclinaison de l'image par rapport à l'horizontal. L'étape d'estimation S1 permet d'estimer cet angle d'inclinaison aH. Cette étape d'estimation S1 comprend une étape de détection S11 d'un contour rectiligne pertinent de l'image et une étape de calcul S12 d'un angle d'orientation du contour rectiligne pertinent par rapport audit axe. En outre, au cours de cette étape de calcul S12, on déduit l'angle d'inclinaison de l'image dudit angle d'orientation. Generally, the frame Cdi of the image Pi corresponds to the traditional target frame, or to the display, of an image capture apparatus. Note a principal border B1 of the frame Cdi of the image Pi as being the horizontal border of the bottom of the frame of the image. With respect to this main border B1, the axis of the image AxH may be oblique, for example along a diagonal of the image, vertical or horizontal. Preferably, the axis of the image will be horizontal or vertical. In the example illustrated in FIG. 1, the axis of the image AxH is the horizontal axis. This image schematically shows a parasol PL provided with a foot PPL and a high part HPL, said parasol PL being planted on a beach PLG, with an horizon line LHZ inclined. We see here that the horizon line LHZ, instead of being horizontal as in reality, is inclined by an angle aH which corresponds to the angle of inclination of the image relative to the horizontal. The estimation step S1 makes it possible to estimate this angle of inclination aH. This estimation step S1 comprises a detection step S11 of a relevant rectilinear contour of the image and a calculation step S12 of an orientation angle of the rectilinear contour relevant to said axis. In addition, during this calculation step S12, the angle of inclination of the image of said orientation angle is deduced.
I1 existe plusieurs formats d'images numériques. Le format RVB , ou Rouge, Vert et Bleu , le format YUV , ou Luminance, Chrominance bleue et Chrominance rouge , le format Lab ou Clarté, Gamme de l'axe rouge-vert et Gamme de l'axe jaune-bleu , le format TSV ou Teinte, Saturation et Valeur ... There are several digital image formats. RGB, or Red, Green, and Blue, YUV, or Luminance, Blue Chrominance, and Red Chrominance, Lab or Clarity, Red-Green Axis Range, and Yellow-Blue Axis Range, the format TSV or Hue, Saturation and Value ...
Tous ces formats ont le point commun de définir chaque pixel de l'image numérique à l'aide de trois composantes qui définissent un espace colorimétrique. L'étape de détection S11 d'un contour rectiligne pertinent peut être effectuée à partir de l'une des trois composantes d'une image, quelque soit son format. De préférence, les images numériques Pi traitées sont converties au format YUV et l'étape d'estimation S1 d'un angle d'inclinaison est effectuée à partir de la composante Y de luminance. On pourra également appliquer le procédé de traitement sur les autres composantes U et V de l'image afin d'augmenter la robustesse du procédé. Avantageusement, on effectue une étape de réduction du bruit de l'image numérique Pi dans laquelle on applique des filtres sur l'image Pi, comme par exemple des filtres passe-bas ou gaussien connus de l'homme du métier. Cette étape préalable à l'étape de détection S11 permet de réduire la complexité du procédé de traitement de l'image. Cette étape permet également de supprimer certains contours non pertinents de l'image. On peut également effectuer une réduction de la taille de l'image numérique Pi qui permet, notamment, de diminuer le nombre de calculs lors du traitement de l'image Pi. Cette réduction de la taille de l'image Pi permet, en outre, de supprimer certains contours non pertinents de l'image. Sur la figure 2, on a représenté de façon schématique les phases principales de l'étape de détection S11 d'un contour rectiligne pertinent. L'étape de détection S11 d'un contour rectiligne pertinent comprend une étape détection de plusieurs contours de l'image 5111, une étape de traitement S112 et une étape de sélection du contour rectiligne pertinent S113. Le principe de la détection de contours consiste à repérer les pixels d'une image numérique qui correspondent à un changement brutal de l'intensité lumineuse, c'est-à-dire un gradient d'un contour. L'étape de détection de contours de l'image 5111 permet d'établir une table binaire qui contient les contours de l'image Pi. On peut établir cette table à l'aide de filtres qui mesurent les gradients des contours de l'image. On peut, par exemple, appliquer un filtre de Sobel sur l'image Pi, mais il existe également d'autres filtres comme les filtres de Prewitt ou les filtres de Canny. All these formats have the common point of defining each pixel of the digital image using three components that define a color space. The detection step S11 of a relevant rectilinear contour can be performed from one of the three components of an image, whatever its format. Preferably, the processed digital images Pi are converted to the YUV format and the estimation step S1 of an inclination angle is performed from the luminance component Y. The processing method can also be applied to the other components U and V of the image in order to increase the robustness of the process. Advantageously, a step is performed to reduce the noise of the digital image Pi in which filters are applied to the image Pi, such as low-pass or Gaussian filters known to those skilled in the art. This step prior to the detection step S11 makes it possible to reduce the complexity of the image processing method. This step also removes some irrelevant outlines from the image. It is also possible to reduce the size of the digital image Pi which makes it possible, in particular, to reduce the number of computations during the processing of the image Pi. This reduction in the size of the image Pi also makes it possible to to remove some irrelevant outlines of the image. FIG. 2 schematically shows the main phases of the detection step S11 of a relevant rectilinear contour. The detection step S11 of a relevant rectilinear contour comprises a step of detecting several contours of the image 5111, a processing step S112 and a step of selecting the relevant rectilinear contour S113. The principle of edge detection consists in locating the pixels of a digital image that correspond to a sudden change in light intensity, that is to say a gradient of a contour. The edge detection step of the image 5111 makes it possible to establish a binary table which contains the contours of the image Pi. This table can be established using filters which measure the gradients of the contours of the image. . For example, you can apply a Sobel filter to the Pi image, but there are also other filters like Prewitt filters or Canny filters.
Lors de cette étape de détection de contours de l'image 5111, on retient les contours essentiels de l'image en comparant la valeur absolue du gradient calculé avec un seuil. Ce seuil peut être compris entre 3% et 5% de la valeur maximum des gradients de l'image. De préférence, ce seuil est égal à 4% de la valeur maximum des gradients de l'image. La table binaire contient alors les contours de l'image Pi ayant un gradient supérieur audit seuil. Cette table binaire est directement liée à l'image numérique d'origine. Dans cette table, les pixels appartenant à un contour sont par exemple représentés par 1, et les pixels appartenant à des parties uniformes ou très peu texturées de l'image sont par exemple représentés par 0. En outre, cette étape de détection de contours de l'image S111 peut comprendre une étape de rejet SR des contours isolés. Dans cette étape de rejet SR, on identifie dans la table binaire chaque pixel élément d'un contour, et si ce pixel ne possède pas de voisins (valeur à 0 dans la table binaire) on élimine ledit pixel, car il est considéré comme appartenant à un contour isolé. Dans l'autre cas, si le pixel possède au moins un voisin (valeur à 1 dans la table binaire) on conserve ledit pixel, car il est considéré comme appartenant à un contour non isolé. Cette étape de détection de contours de l'image S111 peut encore comprendre une étape de fiabilité de la détection. Au cours de cette étape de fiabilité de la détection, on compare le nombre de pixels qui appartiennent à au moins un contour par rapport à un premier seuil de fiabilité. Ce premier seuil de fiabilité peut être calculé en fonction de la taille de l'image numérique Pi. Ce premier seuil de fiabilité peut être égal à 10% du nombre total de pixels de l'image. En dessous de ce premier seuil de fiabilité, on considère que l'étape de détection de contours de l'image S111 n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. L'étape de traitement S112 permet de discriminer les contours rectilignes parmi lesdits contours détectés à l'étape précédente S111. Cette étape de traitement S112 comporte une étape de transformation S20 et une étape de calcul S21. Au cours de cette étape de transformation S20, on transforme les coordonnées cartésiennes (x,y) des pixels appartenant aux contours détectés en courbes sinusoïdales. Cette étape peut être effectuée, par exemple, à l'aide d'une transformée de Hough appliquée sur la table binaire établie lors de l'étape précédente S111. La transformée de Hough est une technique de reconnaissance de formes bien connue de l'homme du métier, comme par exemple des contours rectilignes d'une image. During this step of detecting contours of the image 5111, the essential contours of the image are retained by comparing the absolute value of the calculated gradient with a threshold. This threshold can be between 3% and 5% of the maximum value of the gradients of the image. Preferably, this threshold is equal to 4% of the maximum value of the gradients of the image. The binary table then contains the outlines of the image Pi having a gradient greater than said threshold. This binary table is directly related to the original digital image. In this table, the pixels belonging to a contour are for example represented by 1, and the pixels belonging to uniform or very slightly textured parts of the image are for example represented by 0. In addition, this step of detecting edges of image S111 may include a step of SR rejection of the isolated contours. In this rejection step SR, each element pixel of a contour is identified in the binary table, and if this pixel has no neighbors (value 0 in the binary table), said pixel is eliminated because it is considered as belonging to an isolated contour. In the other case, if the pixel has at least one neighbor (value 1 in the binary table), said pixel is retained because it is considered to belong to a non-isolated contour. This edge detection step of the image S111 may further comprise a step of reliability of the detection. During this detection reliability step, the number of pixels belonging to at least one contour with respect to a first reliability threshold is compared. This first reliability threshold may be calculated according to the size of the digital image Pi. This first reliability threshold may be equal to 10% of the total number of pixels in the image. Below this first reliability threshold, it is considered that the edge detection step of the image S111 is unreliable and the processing method is stopped, while the treatment is continued in the opposite case. The processing step S112 makes it possible to discriminate the rectilinear contours from said contours detected in the previous step S111. This processing step S112 comprises a transformation step S20 and a calculation step S21. During this transformation step S20, the Cartesian coordinates (x, y) of the pixels belonging to the detected contours are transformed into sinusoidal curves. This step can be performed, for example, using a Hough transform applied to the binary table established in the previous step S111. The Hough transform is a pattern recognition technique well known to those skilled in the art, such as rectilinear contours of an image.
Le principe de la transformée de Hough consiste à transformer chaque pixel de coordonnées cartésiennes (x,y) en une courbe sinusoïdale selon l'équation (1) : p =x•cos0 +y•sin0 équation (1) The principle of the Hough transform is to transform each pixel of Cartesian coordinates (x, y) into a sinusoidal curve according to equation (1): p = x • cos0 + y • sin0 equation (1)
dans laquelle - p désigne la longueur du segment de droite qui relie un pixel d'un contour rectiligne de l'image avec le centre de l'image Pi, ledit segment étant perpendiculaire audit contour rectiligne ; - 0 désigne l'angle du segment de droite par rapport à l'axe AxH de l'image. En d'autres termes, (p,0) sont les coordonnées polaires des contours rectilignes de l'image. En outre, on déduit l'angle d'orientation du contour rectiligne Oi en fonction de son angle polaire 0, c'est-à-dire en fonction de l'angle du segment de droite, selon l'équation (2) : 0i =0 ùOaxe -90° équation (2) dans laquelle - Oi : désigne l'angle d'orientation du contour rectiligne par rapport à l'axe de l'image. - Oaxe : désigne l'angle de l'axe de l'image AxH par rapport à la bordure principale de l'image B1. Par exemple, dans l'exemple d'image décrite à la figure 1, les contours rectilignes Ci de l'image sont le pied PPL, la partie haute du parasol HPL, et la ligne d'horizon LHZ. Par ailleurs, l'angle Oaxe de l'axe de l'image AxH par rapport à la bordure principale B1 est nul. Selon la transformée de Hough, les pixels appartenant à un même contour rectiligne Ci de l'image ont leur courbe sinusoïdale respective qui ont toutes un point d'intersection commun. Ce point d'intersection a donc pour coordonnées, les coordonnées polaires (p, 0) du contour rectiligne Ci de l'image. L'étape de calcul S21 consiste à calculer les coordonnées polaires (p,0) des contours rectilignes parmi les contours détectés. in which - p denotes the length of the line segment which connects a pixel of a rectilinear contour of the image with the center of the image Pi, said segment being perpendicular to said rectilinear contour; 0 denotes the angle of the line segment with respect to the AxH axis of the image. In other words, (p, 0) are the polar coordinates of the rectilinear contours of the image. In addition, the orientation angle of the straight line Oi is deduced as a function of its polar angle θ, that is to say as a function of the angle of the line segment, according to equation (2): = 0 at -90 ° Equation (2) in which - Oi: designates the orientation angle of the rectilinear contour with respect to the axis of the image. - Oaxis: designates the angle of the axis of the image AxH with respect to the main border of the image B1. For example, in the image example described in FIG. 1, the rectilinear contours Ci of the image are the PPL foot, the upper part of the HPL umbrella, and the LHZ horizon line. On the other hand, the angle Oaxe of the axis of the image AxH with respect to the main border B1 is zero. According to the Hough transform, the pixels belonging to the same rectilinear contour Ci of the image have their respective sinusoidal curves which all have a common intersection point. This intersection point therefore has for coordinates, the polar coordinates (p, 0) of the rectilinear contour Ci of the image. The calculation step S21 consists in calculating the polar coordinates (p, 0) of the rectilinear contours among the detected contours.
En appliquant cette transformée de Hough sur la table binaire contenant les contours de l'image Pi, on détermine une courbe sinusoïdale pour chaque pixel appartenant à un contour (valeur à 1 dans la table binaire). Chaque intersection entre au moins deux courbes correspond alors aux coordonnées polaires (p,O) d'un contour rectiligne de l'image Ci. En d'autres termes, si N pixels sont alignés sur un contour rectiligne Ci, on déterminera donc N courbes sinusoïdales, associées respectivement à chacun des pixels. Ces N courbes sinusoïdales auront toutes un point d'intersection, dont les coordonnées polaires (p,0) correspondent aux coordonnées polaires du contour rectiligne Ci. Lors de cette étape de traitement S112, on élabore une table polaire comprenant les coordonnées polaires (p,0) des contours rectilignes détectés. L'étape de sélection du contour rectiligne pertinent S113 permet d'identifier un contour rectiligne pertinent parmi lesdits contours rectilignes obtenus à l'étape de traitement S112 précédente. Au cours de cette étape de sélection 5113, on peut quantifier les angles d'orientation Oi des contours rectilignes selon un pas d'échantillonnage, par exemple égal à 0,5°. Cette quantification permet de limiter le nombre de calculs pour déterminer le contour rectiligne pertinent de l'image. Afin de limiter encore le nombre de calculs, on restreint, lors de cette étape de sélection 5113, les angles d'orientations Oi déterminés à un intervalle centré sur l'axe de l'image. On pourra prendre par exemple un intervalle de restriction compris entre °axe-10° et Oaxe+10°, avec °axe, l'angle de l'axe de l'image par rapport à la bordure principale de l'image. On limite ainsi la sélection du contour rectiligne pertinent aux contours rectilignes qui sont proches de l'axe de l'image. By applying this Hough transform to the binary table containing the contours of the image Pi, a sinusoidal curve is determined for each pixel belonging to a contour (value at 1 in the binary table). Each intersection between at least two curves then corresponds to the polar coordinates (p, O) of a rectilinear contour of the image Ci. In other words, if N pixels are aligned on a rectilinear contour Ci, then N curves will be determined. sinusoidal, respectively associated with each of the pixels. These N sinusoidal curves will all have a point of intersection, whose polar coordinates (p, 0) correspond to the polar coordinates of the rectilinear contour Ci. During this processing step S112, a polar table is developed comprising the polar coordinates (p, 0) rectilinear contours detected. The step of selecting the relevant rectilinear contour S113 makes it possible to identify a relevant rectilinear contour among said rectilinear contours obtained in the previous processing step S112. During this selection step 5113, it is possible to quantify the orientation angles Oi of the rectilinear contours in a sampling interval, for example equal to 0.5 °. This quantification makes it possible to limit the number of calculations to determine the relevant rectilinear contour of the image. In order to further limit the number of calculations, during this selection step 5113, the angles of orientation Oi determined at an interval centered on the axis of the image are restricted. We can take for example a restriction interval between ° axis-10 ° and Oaxe + 10 °, with ° axis, the angle of the axis of the image with respect to the main border of the image. This limits the selection of the relevant rectilinear contour to rectilinear contours that are close to the axis of the image.
Avantageusement, on pourra également quantifier les valeurs de p des contours rectilignes en fonction de la taille de l'image. Cette quantification et cette restriction des angles d'orientation permettent d'élaborer une deuxième table polaire quantifiée comprenant les coordonnées polaires quantifiées (ps,Os) des contours rectilignes détectés ayant un angle d'orientation Oi compris dans l'intervalle de restriction. On peut également pondérer la table polaire quantifiée. Lors de cette étape de pondération, on affecte un poids à chaque contour rectiligne de ladite table en fonction, par exemple, de la valeur du gradient du contour, du nombre de pixels appartenant au contour, de la couleur ou de la luminance moyenne du contour, de la position du contour dans l'image, par exemple de la position du contour par rapport au centre de l'image, etc. Advantageously, it will also be possible to quantify the values of p of the rectilinear contours as a function of the size of the image. This quantization and restriction of orientation angles makes it possible to develop a second quantized polar table comprising the quantized polar coordinates (ps, Os) of the detected rectilinear contours having an orientation angle Oi included in the restriction interval. We can also weight the quantized polar table. During this weighting step, a weight is assigned to each rectilinear contour of said table as a function, for example, of the value of the gradient of the contour, the number of pixels belonging to the contour, the color or the average luminance of the contour. , the position of the contour in the image, for example the position of the contour with respect to the center of the image, etc.
Cette pondération permet de déterminer plus facilement le contour rectiligne pertinent de l'image. On peut encore favoriser cette détermination en éliminant les contours rectilignes sélectionnés qui ne contiennent pas un nombre suffisant de pixels. On élimine les contours rectilignes ayant un nombre de pixels inférieur à un seuil de pertinence, par exemple ce seuil de pertinence peut être égal à 30% du maximum entre la hauteur et la largeur de l'image Pi. Selon un autre exemple, le seuil de pertinence est égal à 30% de la hauteur de l'image lorsqu'on utilise un axe de l'image vertical. Selon un autre exemple, le seuil de pertinence est égal à 30% de la largeur de l'image lorsqu'on utilise un axe de l'image horizontal. On notera que si aucun contour rectiligne ne possède un nombre de pixel au dessus du seuil de pertinence, on considère que l'étape de sélection du contour rectiligne pertinent S113 n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. L'étape de sélection du contour rectiligne pertinent S113 peut également comprendre une étape de calcul SHI d'un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation Oi des contours rectilignes. Cet histogramme peut être calculé à partir de l'une des tables polaires élaborées à l'étape de traitement S112 précédente, en sélectionnant pour chaque valeur d'angle 0,0s, le contour rectiligne prédominant, par exemple le contour rectiligne ayant le plus grand nombre de pixels. Puis, on analyse l'histogramme obtenu pour sélectionner le contour rectiligne pertinent qui a le plus grand nombre de pixels. Dans le cas de l'image décrite à la figure 1, le contour rectiligne pertinent de l'image sera la ligne d'horizon LHZ car elle contient plus de pixels que le contour rectiligne correspondant au pied du parasol PPL ou à la partie haute du parasol HPL. Lors de l'analyse de l'histogramme, on estime l'angle d'inclinaison de l'image aH en calculant une moyenne pondérée autour de l'angle correspondant au maximum de l'histogramme. Cette moyenne pondérée est effectuée pour des angles d'orientation Oi compris dans l'intervalle entre Oaxe-10° et Oaxe+10°, avec Oaxe, l'angle de l'axe de l'image par rapport à la bordure principale de l'image. Cette moyenne pondérée peut être calculée selon l'équation (3) : E0, •Histogramme(Oi) l EHistogramme(Oi) équation (3) - Oi : désigne l'angle d'orientation d'un contour rectiligne par rapport à l'axe de l'image ; - i : indexe du contour rectiligne ; - Histogramme(Oi) : valeur du poids affecté au contour 25 rectiligne ayant pour angle d'orientation Oi. On peut également effectuer une étape supplémentaire de fiabilité d'histogramme, dans laquelle on évalue la variance de l'histogramme autour de la valeur estimée de l'angle d'inclinaison de l'image aH. Si la variance calculée est supérieure à un seuil de 30 tolérance, on considère que l'étape de calcul d'histogramme SHI n'est pas fiable et on arrête le procédé de traitement, tandis qu'on poursuit le traitement dans le cas contraire. i 20 aH = Sur la figure 3 on a représenté schématiquement un histogramme de la distribution du nombre de pixels N appartenant aux contours rectilignes en fonction des angles d'orientation Oi des contours rectilignes. This weighting makes it easier to determine the relevant rectilinear contour of the image. This determination can further be promoted by eliminating selected rectilinear contours that do not contain a sufficient number of pixels. The rectilinear contours having a number of pixels less than a relevance threshold are eliminated, for example this relevance threshold may be equal to 30% of the maximum between the height and the width of the image Pi. According to another example, the threshold of relevance is equal to 30% of the height of the image when using an axis of the vertical image. According to another example, the relevance threshold is equal to 30% of the width of the image when using an axis of the horizontal image. Note that if no linear contour has a pixel number above the relevance threshold, it is considered that the selection step of the relevant rectilinear contour S113 is unreliable and the processing method is stopped, whereas continue the treatment in the opposite case. The step of selecting the relevant rectilinear contour S113 may also comprise a calculation step SHI of a histogram of the distribution of the number of pixels belonging to the rectilinear contours as a function of the orientation angles Oi of the rectilinear contours. This histogram can be calculated from one of the polar tables developed in the previous processing step S112, by selecting for each angle value 0.0s, the predominant rectilinear contour, for example the rectilinear contour having the largest number of pixels. Then, the histogram obtained is analyzed to select the relevant rectilinear contour that has the largest number of pixels. In the case of the image described in FIG. 1, the relevant rectilinear contour of the image will be the horizon line LHZ because it contains more pixels than the rectilinear contour corresponding to the foot of the PPL umbrella or the upper part of the HPL parasol. When analyzing the histogram, the angle of inclination of the image aH is estimated by calculating a weighted average around the angle corresponding to the maximum of the histogram. This weighted average is carried out for angles of orientation Oi included in the interval between Oaxe-10 ° and Oaxe + 10 °, with Oaxe, the angle of the axis of the image with respect to the main border of the 'picture. This weighted average can be calculated according to equation (3): E0, • Histogram (Oi) l EHistogram (Oi) equation (3) - Oi: designates the angle of orientation of a rectilinear contour with respect to axis of the image; - i: index of the rectilinear contour; Histogram (Oi): weight value assigned to the rectilinear contour with orientation angle Oi. It is also possible to carry out an additional histogram reliability step, in which the variance of the histogram is evaluated around the estimated value of the angle of inclination of the image aH. If the calculated variance is greater than a tolerance threshold, it is considered that the histogram calculation step SHI is unreliable and the processing method is stopped while the treatment is continued in the opposite case. FIG. 3 schematically shows a histogram of the distribution of the number of pixels N belonging to the rectilinear contours as a function of the angles of orientation Oi of the rectilinear contours.
Sur la figure 4, on a représenté de façon schématique un autre mode de mise en oeuvre du procédé de traitement d'une image numérique. On a également reporté sur la figure 4 certains éléments décrits à la figure 1 précédente. En outre, on a représenté un axe vertical AxV supplémentaire sur l'image. FIG. 4 schematically shows another embodiment of the method for processing a digital image. FIG. 4 also shows some of the elements described in FIG. 1 above. In addition, there is shown an additional AxV vertical axis on the image.
Dans ce mode de mise en oeuvre, on détermine deux axes de l'image Pi afin d'augmenter la robustesse de l'estimation de l'angle d'inclinaison de l'image. Les deux axes de l'image sont distincts, c'est-à-dire qu'ils ont un angle différent l'un de l'autre par rapport à la bordure principale de l'image B1. In this embodiment, two axes of the image Pi are determined in order to increase the robustness of the estimate of the angle of inclination of the image. The two axes of the image are distinct, that is to say they have an angle different from one another with respect to the main border of the image B1.
Par rapport à cette bordure principale B1, ces axes peuvent être obliques, verticaux ou horizontaux. De préférence, on choisira deux axes ayant un angle de 90° entre eux. Dans un mode de mise en oeuvre préféré, le premier axe est vertical AxV et le deuxième axe est horizontal AxH par rapport à la bordure principale de l'image B1. Dans ce mode de mise en oeuvre préféré, on effectue une première étape d'estimation S1H d'un premier angle d'inclinaison de l'image aH par rapport à l'axe horizontal de l'image et une deuxième étape d'estimation S1V d'un deuxième angle d'inclinaison de l'image av par rapport à l'axe vertical de l'image. En outre, on effectue une troisième étape d'estimation S3 dans laquelle on estime l'angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés. With respect to this main border B1, these axes can be oblique, vertical or horizontal. Preferably, two axes having an angle of 90 ° between them will be chosen. In a preferred embodiment, the first axis is vertical AxV and the second axis is horizontal AxH relative to the main border of the image B1. In this preferred embodiment, a first estimation step S1H of a first angle of inclination of the image aH with respect to the horizontal axis of the image and a second estimation step S1V are carried out. a second angle of inclination of the image av with respect to the vertical axis of the image. In addition, a third estimation step S3 is performed in which the final angle of inclination of the image aF is estimated with respect to the first and second angles aH, av estimated.
Lors de cette troisième étape d'estimation S3, si la première et la deuxième étape S 1H, S1V fournissent deux angles respectifs aH , av, c'est-à-dire si ces deux étapes sont valides, on estime un angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés, sinon l'angle final d'inclinaison de l'image aF est égal à un desdits angles d'inclinaison aH , ou av correspondant à l'étape d'estimation considérée comme étant valide. Lorsque les deux premières étapes d'estimation S l H et S1V sont valides, ledit angle final d'inclinaison de l'image aF est égal, à une moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison aH , av. On notera que les angles d'inclinaison obtenus sont proches l'un de l'autre en valeur absolue, de l'ordre de quelques degrés. En effet, lors des étapes de sélection du contour rectiligne pertinent S113 par rapport à chaque axe de l'image AxH, AxV on utilise un même intervalle de restriction, par exemple deux intervalles centrés de 10°, pour chaque axe de l'image AxH, AxV. Ainsi, on sélectionne les contours rectilignes qui sont proches, de l'ordre de quelques degrés, de chaque axe de l'image AxH, AxV. Cette moyenne pondérée permet donc d'estimer un angle d'inclinaison de l'image représentatif de l'angle réel d'inclinaison de l'image. Dans le cas où l'un des deux angles correspond à un contour rectiligne prépondérant, l'angle de ce contour aura un poids plus important dans le calcul de l'angle final d'inclinaison de l'image aF. Par ailleurs, si les angles aH , av estimés sont égaux en valeur absolue, correspondent à des contours rectilignes ayant un poids identique mais sont opposés en signe, alors la moyenne pondérée est nulle. Dans ce cas, l'angle final d'inclinaison de l'image aF est alors nul et traduit le fait que deux contours pertinents qui ont une inclinaison opposée ont été détectés et qu'il n'est pas possible de déterminer un angle représentatif de d'inclinaison de l'image. Par exemple, à partir de l'image décrite à la figure 4, la première étape d'estimation SlH fournit le premier angle d'inclinaison de l'image aH correspondant à l'angle d'inclinaison de la ligne d'horizon LHZ par rapport à l'axe horizontal de l'image AxH. La deuxième étape d'estimation S1V fournit le deuxième angle d'inclinaison de l'image av correspondant à l'angle d'inclinaison du pied du parasol PPL par rapport à l'axe vertical de l'image AxV. En effet, le pied du parasol PPL est considéré comme étant le contour rectiligne pertinent par rapport à l'axe vertical AxV car il comprend plus de pixels que la partie haute du parasol HPL. Lors de la troisième étape d'estimation S3, comme les deux estimations S 1 H, S 1 V sont valides, on effectue alors la moyenne pondérée entre lesdits premier et deuxième angles d'inclinaison aH , av. En outre, dans cet exemple la ligne d'horizon LHZ correspond au contour qui a le plus grand nombre de pixels et donc le plus de poids par rapport au pied du parasol PPL. A partir de la moyenne pondérée calculée, on fournit alors l'angle final d'inclinaison de l'image aF qui est environ égal au premier angle d'inclinaison aH correspondant à la ligne d'horizon LHZ qui possède le plus grand nombre de pixels par rapport au pied du parasol PPL. Sur la figure 5, on a représenté de façon schématique encore un autre mode de mise en oeuvre du procédé de traitement d'une image numérique. On a également reporté sur la figure 4 certains éléments décrits aux figures précédentes. Dans ce mode de mise en oeuvre, on détermine deux axes de l'image Pi distincts, c'est-à-dire deux axes qui ont un angle différent l'un de l'autre par rapport à la bordure principale de l'image B1. De préférence, on choisira deux axes ayant un angle de 90° entre eux. Dans un mode de mise en oeuvre préféré, le premier axe est vertical AxV et le deuxième axe est horizontal AxH par rapport à la bordure principale de l'image B1. In this third estimation step S3, if the first and second steps S1H, S1V provide two respective angles aH, av, that is to say, if these two steps are valid, an estimated final angle of inclination of the image aF with respect to the first and second angles aH, av estimated, otherwise the final angle of inclination of the image aF is equal to one of the angles of inclination aH, or av corresponding to the step d estimate considered valid. When the first two estimation steps S1H and S1V are valid, said final angle of inclination of the image aF is equal to a weighted average between said first and second inclination angles aH, av. It will be noted that the angles of inclination obtained are close to one another in absolute value, of the order of a few degrees. In fact, during the steps of selection of the relevant rectilinear contour S113 with respect to each axis of the AxH image, AxV, a same restriction interval is used, for example two centered intervals of 10 °, for each axis of the AxH image. , AxV. Thus, the rectilinear contours that are close, of the order of a few degrees, of each axis of the AxH image, AxV, are selected. This weighted average thus makes it possible to estimate an angle of inclination of the image representative of the actual angle of inclination of the image. In the case where one of the two angles corresponds to a predominant rectilinear contour, the angle of this contour will have a greater weight in the calculation of the final angle of inclination of the image aF. On the other hand, if the angles aH, av estimated are equal in absolute value, correspond to rectilinear contours having an identical weight but are opposite in sign, then the weighted average is zero. In this case, the final angle of inclination of the image aF is then zero and reflects the fact that two relevant contours which have an opposite inclination have been detected and that it is not possible to determine a representative angle of tilting of the image. For example, from the image described in FIG. 4, the first estimation step SlH provides the first angle of inclination of the image aH corresponding to the angle of inclination of the horizon line LHZ by relative to the horizontal axis of the AxH image. The second estimation step S1V provides the second angle of inclination of the image av corresponding to the angle of inclination of the foot of the PPL umbrella with respect to the vertical axis of the image AxV. Indeed, the foot of the PPL umbrella is considered to be the relevant rectilinear contour with respect to the vertical axis AxV because it comprises more pixels than the upper part of the HPL umbrella. In the third estimation step S3, as the two estimates S 1 H, S 1 V are valid, then the weighted average is made between said first and second inclination angles aH, av. In addition, in this example the LHZ horizon line corresponds to the contour that has the largest number of pixels and therefore the most weight compared to the foot of the PPL umbrella. From the calculated weighted average, the final angle of inclination of the image aF is then provided which is approximately equal to the first angle of inclination aH corresponding to the horizon line LHZ which has the largest number of pixels. compared to the foot of the PPL umbrella. FIG. 5 schematically shows another embodiment of the method of processing a digital image. FIG. 4 also shows some of the elements described in the preceding figures. In this embodiment, two distinct axes of the image Pi are determined, that is to say two axes which have an angle different from each other with respect to the main border of the image. B1. Preferably, two axes having an angle of 90 ° between them will be chosen. In a preferred embodiment, the first axis is vertical AxV and the second axis is horizontal AxH relative to the main border of the image B1.
Dans ce mode de mise en oeuvre préféré, on effectue une première étape de détection S111H des contours rectilignes par rapport à l'axe horizontal AxH et une deuxième étape de détection S111H des contours rectilignes par rapport à l'axe vertical AxV. Puis, on effectue une étape S6 de présélection des contours rectilignes basée sur le rapport entre les valeurs absolues des gradients verticaux et horizontaux. En effet, pour chaque pixel de l'image on calcule le rapport Igrad(ver)l/lgrad(hor)l, avec : - 1grad(ver)l : la valeur absolue du gradient du pixel selon l'axe vertical AxV ; - 1grad(hor)l : la valeur absolue du gradient du pixel selon l'axe horizontal AxH ; Le calcul du rapport des gradients Igrad(ver)l/lgrad(hor)l permet d'exclure les contours dont le rapport est en dehors d'un intervalle Ir=[tan(Omax) ; l/tan(Omax)], avec Amax l'angle maximum que les contours rectilignes doivent avoir par rapport à chacun des axes vertical et horizontal. C'est-à-dire que le contour détecté sera rejeté si tan(Omax) < Igrad(ver)l/lgrad(hor)l < 1/tan(O ) pour tous les pixels du contour considéré. Cette étape S6 de présélection permet de rejeter les contours ayant des angles d'inclinaison par rapport à l'axe vertical AxV ou horizontal AxH supérieurs à la valeur Amax autorisée. En d'autres termes, cette étape de présélection S6 permet de diminuer le nombre de calculs à réaliser aux étapes ultérieures. Puis, on effectue une étape de traitement S112H et une étape de sélection du contour rectiligne pertinent S113H à partir des contours présélectionnés par rapport à l'axe horizontal AxH. Ces étapes de traitement S112H et de sélection S113H permettent d'estimer un premier angle d'inclinaison de l'image aH par rapport à l'axe horizontal de l'image. In this preferred embodiment, a first detection step S111H of the rectilinear contours with respect to the horizontal axis AxH and a second detection step S111H of the rectilinear contours with respect to the vertical axis AxV are carried out. Then, a step S6 of preselecting rectilinear contours based on the ratio between the absolute values of the vertical and horizontal gradients is performed. Indeed, for each pixel of the image we calculate the ratio Igrad (worm) l / lgrad (hor) l, with: - 1grad (ver) l: the absolute value of the gradient of the pixel along the vertical axis AxV; - 1grad (hor) 1: the absolute value of the gradient of the pixel along the horizontal axis AxH; The calculation of the gradient ratio Igrad (worm) l / lgrad (hor) l makes it possible to exclude contours whose ratio is outside an interval Ir = [tan (Omax); l / tan (Omax)], with Amax the maximum angle that the straight contours must have relative to each of the vertical and horizontal axes. That is, the detected contour will be rejected if tan (Omax) <Igrad (worm) l / lgrad (hor) l <1 / tan (O) for all the pixels of the considered contour. This preselection step S6 makes it possible to reject the contours having angles of inclination with respect to the vertical axis AxV or horizontal axis AxH greater than the authorized value Amax. In other words, this preselection step S6 makes it possible to reduce the number of calculations to be performed at the subsequent steps. Then, a processing step S112H and a step of selecting the relevant rectilinear contour S113H are carried out from the preselected contours with respect to the horizontal axis AxH. These processing steps S112H and selection S113H make it possible to estimate a first angle of inclination of the image aH with respect to the horizontal axis of the image.
En outre, on effectue une étape de traitement S 112V et une étape de sélection du contour rectiligne pertinent S113V à partir des contours présélectionnés par rapport à l'axe vertical AxV. Ces étapes de traitement S 112V et de sélection S 113 V permettent d'estimer un deuxième angle d'inclinaison de l'image av par rapport à l'axe vertical de l'image. Ensuite, on effectue une étape d'estimation S3 dans laquelle on estime l'angle final d'inclinaison de l'image aF par rapport aux premier et deuxième angles aH , av estimés. Cette étape d'estimation S3 correspond à l'étape S3 décrite à la figure 4 précédente. In addition, a processing step S 112V and a step of selecting the relevant rectilinear contour S113V from the preselected contours with respect to the vertical axis AxV are performed. These processing steps S 112V and selection S 113 V make it possible to estimate a second angle of inclination of the image av with respect to the vertical axis of the image. Then, an estimation step S3 is performed in which the final angle of inclination of the image aF is estimated with respect to the first and second angles aH, av estimated. This estimation step S3 corresponds to the step S3 described in FIG. 4 above.
En variante, on peut appliquer l'estimation d'angle d'inclinaison qui vient d'être décrite sur les trois composantes des pixels de l'image, et corréler les résultats en pondérant chaque résultat en fonction de la pertinence de perception de la composante. Alternatively, the angle of inclination estimate just described can be applied to the three pixel components of the image, and correlate the results by weighting each result according to the perception relevance of the component. .
En outre, lorsqu'on applique ce procédé aux trois composantes Y,U,V d'une image numérique, on peut comparer les trois résultats obtenus. Par exemple, si la variance des trois résultats est inférieure à un seuil, l'angle final d'inclinaison de l'image sera égal à une moyenne pondérée des trois résultats, dans le cas contraire l'angle final d'inclinaison de l'image sera égal au résultat fourni par le procédé appliqué sur la luminance Y de l'image. Sur la figure 6, on a représenté de façon schématique un mode de mise en oeuvre d'un procédé de traitement de plusieurs images numériques. Dans ce mode de mise en oeuvre, on applique le procédé décrit aux figures précédentes sur plusieurs images numériques successives d'une vidéo Vi. Le procédé de traitement comprend une étape de sélection S4 d'un nombre d'images de ladite vidéo Vi, puis l'étape d'estimation S1 de l'angle d'inclinaison de l'image décrite aux figures précédentes pour chaque image sélectionnée. Ainsi, on peut corriger l'inclinaison de chaque image de la vidéo. Dans un autre mode de mise en oeuvre, on peut effectuer une étape d'homogénéisation S5 dans laquelle on estime la valeur de l'angle d'inclinaison d'une image par rapport aux valeurs des angles d'inclinaison des images précédentes (c'est-à-dire passées). Par exemple, au cours de cette étape d'homogénéisation S5, l'angle d'inclinaison d'une image de la vidéo peut être égal à une moyenne des angles d'inclinaison des images précédentes. In addition, when this method is applied to the three components Y, U, V of a digital image, the three results obtained can be compared. For example, if the variance of the three results is less than a threshold, the final angle of inclination of the image will be equal to a weighted average of the three results, otherwise the final angle of inclination of the image will be equal to the result provided by the process applied on the luminance Y of the image. FIG. 6 schematically shows an embodiment of a method for processing a plurality of digital images. In this embodiment, the method described in the preceding figures is applied to several successive digital images of a video Vi. The processing method comprises a step S4 of selecting a number of images of said video Vi, and then estimating step S1 of the angle of inclination of the image described in the preceding figures for each selected image. Thus, it is possible to correct the inclination of each image of the video. In another embodiment, it is possible to carry out a homogenization step S5 in which the value of the angle of inclination of an image with respect to the values of the angles of inclination of the preceding images (c ') is estimated. that is, past). For example, during this homogenization step S5, the tilt angle of an image of the video may be equal to an average of the tilt angles of the previous images.
A l'aide de ces angles d'inclinaison estimés, on pourra lisser la vidéo capturée afin d'atténuer le tremblement perçu dans la vidéo d'origine. Sur la figure 7, on a représenté de façon schématique un dispositif de traitement d'une image numérique 1 qui est apte à mettre en oeuvre le procédé décrit aux figures précédentes. Ce dispositif de traitement d'une image numérique 1 comprend un moyen d'estimation 2 pour estimer un angle d'inclinaison de l'image Pi par rapport à un axe de l'image. Using these estimated tilt angles, the captured video can be smoothed to mitigate the perceived quiver in the original video. FIG. 7 schematically shows a device for processing a digital image 1 which is able to implement the method described in the preceding figures. This digital image processing device 1 comprises an estimation means 2 for estimating an angle of inclination of the image Pi with respect to an axis of the image.
Ce moyen d'estimation 2 comprend un moyen de détection 3 pour détecter un contour rectiligne pertinent de l'image Pi et un moyen de calcul 4 pour calculer un angle d'orientation du contour rectiligne pertinent par rapport audit axe et pour calculer l'angle d'inclinaison de l'image en fonction dudit angle d'orientation. Ce moyen de détection 3 comprend un moyen de détection initial 5 pour détecter des contours de l'image, un moyen de traitement 6 pour discriminer les contours rectilignes parmi lesdits contours détectés, ledit moyen de traitement 6 comportant un moyen de transformation 7 pour transformer des coordonnées cartésiennes de chaque pixel desdits contours détectés en une courbe sinusoïdale et un deuxième moyen de calcul 8 pour calculer des coordonnées polaires des contours rectilignes en fonction des points d'intersection desdites courbes sinusoïdales obtenues. This estimation means 2 comprises a detection means 3 for detecting a relevant rectilinear contour of the image Pi and a calculation means 4 for calculating an orientation angle of the rectilinear contour relevant to said axis and for calculating the angle tilting the image according to said orientation angle. This detection means 3 comprises an initial detection means 5 for detecting contours of the image, a processing means 6 for discriminating the rectilinear contours from said detected contours, said processing means 6 comprising a transformation means 7 for transforming images. Cartesian coordinates of each pixel of said contours detected in a sinusoidal curve and a second calculation means 8 for calculating polar coordinates of the rectilinear contours as a function of the points of intersection of said sinusoidal curves obtained.
En outre, le moyen de détection 3 comprend un moyen de sélection 9 pour sélectionner ledit contour rectiligne pertinent parmi lesdits contours rectilignes obtenus. Par ailleurs, ce moyen de sélection 9 comporte un troisième moyen de calcul 10 pour calculer un histogramme de la distribution du nombre de pixels appartenant aux contours rectilignes en fonction des angles d'orientation des contours rectilignes. Le moyen de sélection 9 est en outre apte à sélectionner ledit contour rectiligne pertinent parmi ceux ayant le plus grand nombre de pixels. In addition, the detection means 3 comprises a selection means 9 for selecting said relevant rectilinear contour from said rectilinear contours obtained. Moreover, this selection means 9 comprises a third calculation means 10 for calculating a histogram of the distribution of the number of pixels belonging to the rectilinear contours as a function of the orientation angles of the rectilinear contours. The selection means 9 is further adapted to select said relevant rectilinear contour among those having the largest number of pixels.
Tous ces moyens peuvent être réalisés de façon logicielle ou également sous la forme de circuits logiques. Sur la figure 8, on a représenté de façon schématique un mode de réalisation du dispositif de traitement d'une image numérique 1. Dans ce mode de réalisation, le dispositif de traitement d'une image numérique 1 comprend un premier moyen d'estimation 2H pour estimer un premier angle d'inclinaison par rapport à un premier axe de l'image, un deuxième moyen d'estimation 2V pour estimer un deuxième angle d'inclinaison par rapport à un deuxième axe de l'image, et un troisième moyen d'estimation 20 pour estimer un angle final d'inclinaison de l'image. Sur la figure 9, on a représenté de façon schématique un mode de réalisation d'un dispositif de traitement de plusieurs images numériques 11. Ce dispositif 11 est apte à traiter plusieurs images numériques successives d'une vidéo Vi. Le dispositif 11 comprend un deuxième moyen de sélection 30 pour sélectionner un nombre d'images de ladite vidéo Vi, un dispositif 1 de traitement d'une image numérique 1 dans lequel le moyen d'estimation 2 est apte à estimer l'angle d'inclinaison de chaque image sélectionnée. En outre, ce dispositif 11 peut comprendre un moyen d'homogénéisation 31 pour homogénéiser les angles d'inclinaison des images de la vidéo. Ce moyen d'homogénéisation 31 est apte à estimer un angle d'inclinaison d'une image de la vidéo déduit desdits angles d'inclinaison estimés des images précédentes. Sur la figure 10, on a représenté de façon schématique un appareil de communication sans fil 40 comprenant un appareil de capture d'images numériques 41. All these means can be realized in software or also in the form of logic circuits. FIG. 8 schematically shows an embodiment of the device for processing a digital image 1. In this embodiment, the device for processing a digital image 1 comprises a first estimation means 2H. to estimate a first angle of inclination with respect to a first axis of the image, a second estimation means 2V for estimating a second angle of inclination with respect to a second axis of the image, and a third means of estimate 20 to estimate a final angle of inclination of the image. FIG. 9 schematically shows an embodiment of a device for processing a plurality of digital images 11. This device 11 is able to process several successive digital images of a video Vi. The device 11 comprises a second selection means 30 for selecting a number of images of said video Vi, a device 1 for processing a digital image 1 in which the estimation means 2 is able to estimate the angle of tilt of each selected image. In addition, this device 11 may comprise a homogenization means 31 for homogenizing the tilt angles of the images of the video. This homogenizing means 31 is capable of estimating an angle of inclination of an image of the video derived from said estimated angles of inclination of the preceding images. FIG. 10 schematically shows a wireless communication apparatus 40 comprising a digital image capture apparatus 41.
L'appareil de communication sans fil 40 comprend un boîtier 42 et une antenne 43 d'émission/réception de données numériques. Un tel appareil de communication sans fil peut être, par exemple, un téléphone cellulaire. L'appareil de capture d'images numériques 41 est apte à capturer des images Pi et/ou des vidéos Vi. Cet appareil de capture d'images numériques 41 comprend un dispositif de traitement d'une image numérique 1 et un dispositif de traitement de plusieurs images numériques 11. Ce procédé et ce dispositif sont adaptés aux différents formats d'une image numérique (RVB, YUV, Lab, TSV). The wireless communication apparatus 40 comprises a housing 42 and an antenna 43 for transmitting / receiving digital data. Such a wireless communication apparatus may be, for example, a cellular telephone. The digital image capture apparatus 41 is capable of capturing Pi images and / or Vi videos. This digital image capture apparatus 41 comprises a device for processing a digital image 1 and a device for processing a plurality of digital images 11. This method and this device are adapted to the different formats of a digital image (RGB, YUV , Lab, TSV).
Claims (20)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0953286A FR2945649A1 (en) | 2009-05-18 | 2009-05-18 | METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE |
| PCT/EP2010/056734 WO2010133547A1 (en) | 2009-05-18 | 2010-05-17 | Method and device for processing a digital image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0953286A FR2945649A1 (en) | 2009-05-18 | 2009-05-18 | METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR2945649A1 true FR2945649A1 (en) | 2010-11-19 |
Family
ID=41467312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR0953286A Withdrawn FR2945649A1 (en) | 2009-05-18 | 2009-05-18 | METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR2945649A1 (en) |
| WO (1) | WO2010133547A1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5568571A (en) * | 1992-12-14 | 1996-10-22 | University Microfilms, Inc. | Image enhancement system |
| DE19700318A1 (en) * | 1997-01-08 | 1998-07-09 | Heidelberger Druckmasch Ag | Method for determining the geometry data of scanning templates |
| US7065261B1 (en) * | 1999-03-23 | 2006-06-20 | Minolta Co., Ltd. | Image processing device and image processing method for correction of image distortion |
| WO2007132679A1 (en) * | 2006-05-15 | 2007-11-22 | Sanyo Electric Co., Ltd. | Image inclination correction device and image inclination correction method |
| WO2009001512A1 (en) * | 2007-06-27 | 2008-12-31 | Panasonic Corporation | Imaging apparatus, method, system integrated circuit, and program |
-
2009
- 2009-05-18 FR FR0953286A patent/FR2945649A1/en not_active Withdrawn
-
2010
- 2010-05-17 WO PCT/EP2010/056734 patent/WO2010133547A1/en active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5568571A (en) * | 1992-12-14 | 1996-10-22 | University Microfilms, Inc. | Image enhancement system |
| DE19700318A1 (en) * | 1997-01-08 | 1998-07-09 | Heidelberger Druckmasch Ag | Method for determining the geometry data of scanning templates |
| US7065261B1 (en) * | 1999-03-23 | 2006-06-20 | Minolta Co., Ltd. | Image processing device and image processing method for correction of image distortion |
| WO2007132679A1 (en) * | 2006-05-15 | 2007-11-22 | Sanyo Electric Co., Ltd. | Image inclination correction device and image inclination correction method |
| US20090244308A1 (en) * | 2006-05-15 | 2009-10-01 | Yukio Mori | Image Inclination Correction Device and Image Inclination Correction Method |
| WO2009001512A1 (en) * | 2007-06-27 | 2008-12-31 | Panasonic Corporation | Imaging apparatus, method, system integrated circuit, and program |
Non-Patent Citations (3)
| Title |
|---|
| J.J. HULL, S.L. TAYLOR: "Document Analysis Systems II", 1998, WORLD SCIENTIFIC, article J.J. HULL: "Document image skew detection: Survey and annotated bibliography", pages: 40 - 64, XP002562656 * |
| LEAVERS V F: "Shape Detection in Computer Vision using the Hough Transform", 1992, SPRINGER, ISBN: 9783540197232, article "Chapitres 3 et 4", XP002562657 * |
| ROBERT ADELMANN ED - PENG YANG ET AL: "Mobile Phone Based Interaction with Everyday Products - On the Go", NEXT GENERATION MOBILE APPLICATIONS, SERVICES AND TECHNOLOGIES, 2007. NGMAST '07. THE 2007 INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 1 September 2007 (2007-09-01), pages 63 - 69, XP031142481, ISBN: 978-0-7695-2878-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2010133547A1 (en) | 2010-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lukáš et al. | Detecting digital image forgeries using sensor pattern noise | |
| EP1410327B1 (en) | Method and system for producing formatted data related to defects of at least an appliance of a set, in particular, related to blurring | |
| US8928772B2 (en) | Controlling the sharpness of a digital image | |
| US8724919B2 (en) | Adjusting the sharpness of a digital image | |
| US7616237B2 (en) | Method and apparatus for identifying an imaging device | |
| EP1523730B1 (en) | Method and system for calculating a transformed image from a digital image | |
| US8160293B1 (en) | Determining whether or not a digital image has been tampered with | |
| US20210390747A1 (en) | Image fusion for image capture and processing systems | |
| EP3416128B1 (en) | Raw image processing system and method | |
| US7787030B2 (en) | Method and apparatus for identifying an imaging device | |
| CN106683147B (en) | A method for blurring the background of an image | |
| CN103824258B (en) | Image processing apparatus and image processing method | |
| WO2017106084A1 (en) | Focus detection | |
| FR3060180A1 (en) | DIGITAL IMAGE PROCESSING METHOD | |
| EP3340169B1 (en) | Hybrid image and video denoising based on interest metrics | |
| JP2004310475A (en) | Image processing apparatus, mobile phone for performing image processing, and image processing program | |
| CN111031241B (en) | Image processing method and device, terminal and computer readable storage medium | |
| WO2005031646A1 (en) | Method and system for differentially and regularly modifying a digital image by pixel | |
| WO2016202926A1 (en) | Method and device for producing a digital image | |
| JP5254361B2 (en) | Digital signal pattern detection and classification using kernel fusion | |
| Mandelli et al. | Source camera model identification | |
| CN103685858A (en) | Method and device for real-time video processing | |
| FR2945649A1 (en) | METHOD AND DEVICE FOR PROCESSING A DIGITAL IMAGE | |
| Hou et al. | Hue modification estimation using sensor pattern noise | |
| BE1021013B1 (en) | METHOD AND SYSTEM FOR IMPROVING THE QUALITY OF COLOR IMAGES |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RM | Correction of a material error | ||
| ST | Notification of lapse |
Effective date: 20130131 |