|
|
Publications about Total variation
Result of the query in the list of publications :
3 Articles |
1 - Régularité et parcimonie pour les problèmes inverses en imagerie : algorithmes et comparaisons.
M. Carlavan and P. Weiss and L. Blanc-Féraud. Traitement du Signal, 27(2): pages 189-219, September 2010.
Keywords : Inverse Problems, Regularization, Total variation, Wavelets.
@ARTICLE{TSCarlavan2010,
|
| author |
= |
{Carlavan, M. and Weiss, P. and Blanc-Féraud, L.}, |
| title |
= |
{Régularité et parcimonie pour les problèmes inverses en imagerie : algorithmes et comparaisons}, |
| year |
= |
{2010}, |
| month |
= |
{September}, |
| journal |
= |
{Traitement du Signal}, |
| volume |
= |
{27}, |
| number |
= |
{2}, |
| pages |
= |
{189-219}, |
| url |
= |
{http://hal.inria.fr/inria-00503050/fr/}, |
| pdf |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/TS_Carlavan_Weiss_BlancFeraud_2010.pdf}, |
| keyword |
= |
{Inverse Problems, Regularization, Total variation, Wavelets} |
| } |
Résumé :
Dans cet article, nous nous intéressons à la régularisation de problèmes inverses reposant sur des critères l1 . Nous séparons ces critères en deux catégories : ceux qui favorisent la régularisation des signaux (à variation totale bornée par exemple) et ceux qui expriment le fait qu'un signal admet une représentation parcimonieuse dans un dictionnaire. Dans une première partie, nous donnons quelques éléments de comparaisons théoriques et pratiques sur les deux a priori, pour aider le lecteur à choisir l'un ou l'autre en fonction de son problème. Pour cette étude, nous utilisons les transformées communément utilisées telles que la variation totale, les ondelettes redondantes ou les curvelets. Dans une deuxième partie, nous proposons un état des lieux des algorithmes de premier ordre adaptés à la minimisation de ces critères. |
|
2 - Efficient schemes for total variation minimization under constraints in image processing.
P. Weiss and L. Blanc-Féraud and G. Aubert. SIAM journal on Scientific Computing, 31(3): pages 2047-2080, 2009.
Keywords : Total variation, l1 norm, nesterov scheme, Rudin Osher Fatemi, fast optimization, real time.
Copyright : Copyright Siam Society for Industrial and Applied
@ARTICLE{SIAM_JSC_PWEISS,
|
| author |
= |
{Weiss, P. and Blanc-Féraud, L. and Aubert, G.}, |
| title |
= |
{Efficient schemes for total variation minimization under constraints in image processing}, |
| year |
= |
{2009}, |
| journal |
= |
{SIAM journal on Scientific Computing}, |
| volume |
= |
{31}, |
| number |
= |
{3}, |
| pages |
= |
{2047-2080}, |
| url |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/SIAM_JSC09_PWEISS.pdf}, |
| pdf |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/SIAM_JSC09_PWEISS.pdf}, |
| keyword |
= |
{Total variation, l1 norm, nesterov scheme, Rudin Osher Fatemi, fast optimization, real time} |
| } |
|
3 - Richardson-Lucy Algorithm with Total Variation Regularization for 3D Confocal Microscope Deconvolution.
N. Dey and L. Blanc-Féraud and C. Zimmer and Z. Kam and P. Roux and J.C. Olivo-Marin and J. Zerubia. Microscopy Research Technique, 69: pages 260-266, April 2006.
Keywords : Confocal microscopy, Variational methods, Total variation, Deconvolution.
@ARTICLE{dey_mrt_05,
|
| author |
= |
{Dey, N. and Blanc-Féraud, L. and Zimmer, C. and Kam, Z. and Roux, P. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{Richardson-Lucy Algorithm with Total Variation Regularization for 3D Confocal Microscope Deconvolution}, |
| year |
= |
{2006}, |
| month |
= |
{April}, |
| journal |
= |
{Microscopy Research Technique}, |
| volume |
= |
{69}, |
| pages |
= |
{260-266}, |
| url |
= |
{http://dx.doi.org/10.1002/jemt.20294}, |
| keyword |
= |
{Confocal microscopy, Variational methods, Total variation, Deconvolution} |
| } |
Abstract :
Confocal laser scanning microscopy is a powerful and popular technique for 3D imaging of biological specimens. Although confocal microscopy images are much sharper than standard epifluorescence ones, they are still degraded by residual out-of-focus light and by Poisson noise due to photon-limited
detection. Several deconvolution methods have been proposed to reduce these degradations, including the Richardson-Lucy iterative algorithm, which computes a maximum likelihood estimation adapted to Poisson statistics. As this algorithm tends to amplify noise, regularization constraints based on some prior knowledge on the data have to be applied to stabilize the solution. Here, we propose to combine the Richardson-Lucy algorithm with a regularization constraint based on Total Variation, which suppresses unstable oscillations while preserving object edges. We
show on simulated and real images that this constraint improves the deconvolution results as compared to the unregularized Richardson-Lucy algorithm, both visually and quantitatively. |
|
 top of the page
PhD Thesis and Habilitation |
1 - Algorithmes rapides d'optimisation convexe. Application à la reconstruction d'images et à la détection de changements.
P. Weiss. PhD Thesis, Universite de Nice Sophia Antipolis, November 2008.
Keywords : Convex optimization, nesterov scheme, Sparse representations, Total variation, Change detection, level lines.
Copyright :
@PHDTHESIS{These_Pweiss,
|
| author |
= |
{Weiss, P.}, |
| title |
= |
{Algorithmes rapides d'optimisation convexe. Application à la reconstruction d'images et à la détection de changements}, |
| year |
= |
{2008}, |
| month |
= |
{November}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| pdf |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/These_PWEISS_Compressee.pdf}, |
| keyword |
= |
{Convex optimization, nesterov scheme, Sparse representations, Total variation, Change detection, level lines} |
| } |
Résumé :
Cette thèse contient des contributions en analyse numérique et en vision par ordinateur. Dans une première partie, nous nous intéressons à la résolution rapide, par des méthodes de premier ordre, de problèmes d'optimisation convexe. Ces problèmes apparaissent naturellement dans de nombreuses tâches telles que la reconstruction d'images, l'échantillonnage compressif ou la décomposition d'images en texture et en géométrie. Ils ont la particularité d'être non différentiables ou très mal conditionnés. On montre qu'en utilisant des propriétés fines des fonctions à minimiser on peut obtenir des algorithmes de minimisation extrêmement efficaces. On analyse systématiquement leurs taux de convergence en utilisant des résultats récents dûs à Y. Nesterov. Les méthodes proposées correspondent - à notre connaissance - à l'état de l'art des méthodes de premier ordre. Dans une deuxième partie, nous nous intéressons au problème de la détection de changements entre deux images satellitaires prises au même endroit à des instants différents. Une des difficultés principales à surmonter pour résoudre ce problème est de s'affranchir des conditions d'illuminations différentes entre les deux prises de vue. Ceci nous mène à l'étude de l'invariance aux changements d'illuminations des lignes de niveau d'une image. On caractérise complètement les scènes qui fournissent des lignes de niveau invariantes. Celles-ci correspondent assez bien à des milieux urbains. On propose alors un algorithme simple de détection de changements qui fournit des résultats très satisfaisants sur des images synthétiques et des images Quickbird réelles. |
|
top of the page
3 Conference articles |
1 - Compression artifacts reduction using variational methods: algorithms and experimental study.
P. Weiss and L. Blanc-Féraud and T. Andre and M. Antonini. In Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Las Vegas, USA, March 2008.
Keywords : compression artifact, fast l1 optimization, Total variation, contrast enhancement, nesterov scheme, jpeg2000.
Copyright :
@INPROCEEDINGS{ICASSP_WEISS,
|
| author |
= |
{Weiss, P. and Blanc-Féraud, L. and Andre, T. and Antonini, M.}, |
| title |
= |
{Compression artifacts reduction using variational methods: algorithms and experimental study}, |
| year |
= |
{2008}, |
| month |
= |
{March}, |
| booktitle |
= |
{Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, |
| address |
= |
{Las Vegas, USA}, |
| url |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/Conferences/icassp2008.pdf}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2008_ICASSP_WEISS.pdf}, |
| keyword |
= |
{compression artifact, fast l1 optimization, Total variation, contrast enhancement, nesterov scheme, jpeg2000} |
| } |
|
2 - Sur la complexite et la rapidite d’algorithmes pour la minimisation de la variation totale sous contraintes.
P. Weiss and L. Blanc-Féraud and G. Aubert. In Proc. Symposium on Signal and Image Processing (GRETSI), Troyes, France, September 2007.
Keywords : l1 norm minimization, compression noise denoising, optimal algorithm, convex analysis, Total variation, nesterov scheme.
@INPROCEEDINGS{Pierre Weiss,
|
| author |
= |
{Weiss, P. and Blanc-Féraud, L. and Aubert, G.}, |
| title |
= |
{Sur la complexite et la rapidite d’algorithmes pour la minimisation de la variation totale sous contraintes}, |
| year |
= |
{2007}, |
| month |
= |
{September}, |
| booktitle |
= |
{Proc. Symposium on Signal and Image Processing (GRETSI)}, |
| address |
= |
{Troyes, France}, |
| url |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/Conferences/Gretsi_WeissBlancFeraudAubert_2010.PDF}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2007_Pierre Weiss.pdf}, |
| keyword |
= |
{l1 norm minimization, compression noise denoising, optimal algorithm, convex analysis, Total variation, nesterov scheme} |
| } |
|
3 - Parametric blind deconvolution for confocal laser scanning microscopy.
P. Pankajakshan and B. Zhang and L. Blanc-Féraud and Z. Kam and J.C. Olivo-Marin and J. Zerubia. In Proc. 29th International Conference of IEEE EMBS (EMBC-07), pages 6531-6534, August 2007.
Keywords : Confocal microscopy, Blind Deconvolution, Poisson noise, Total variation, EM algorithm, Bayesian estimation.
Copyright : ©2007 IEEE. Personal use of this material is permitted. However, permission to reprint/republish this material for advertising or promotional purposes or for creating new collective works for resale or redistribution to servers or lists, or to reuse any copyrighted component of this work in other works must be obtained from the IEEE.
@INPROCEEDINGS{Pankajakshan07a,
|
| author |
= |
{Pankajakshan, P. and Zhang, B. and Blanc-Féraud, L. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{Parametric blind deconvolution for confocal laser scanning microscopy}, |
| year |
= |
{2007}, |
| month |
= |
{August}, |
| booktitle |
= |
{Proc. 29th International Conference of IEEE EMBS (EMBC-07)}, |
| pages |
= |
{6531-6534}, |
| pdf |
= |
{http://ieeexplore.ieee.org/iel5/4352184/4352185/04353856.pdf?tp=&isnumber=&arnumber=4353856}, |
| keyword |
= |
{Confocal microscopy, Blind Deconvolution, Poisson noise, Total variation, EM algorithm, Bayesian estimation} |
| } |
Abstract :
In this paper, we propose a method for the
iterative restoration of fluorescence Confocal Laser Scanning
Microscopic (CLSM) images and parametric estimation of the
acquisition system’s Point Spread Function (PSF). The CLSM is
an optical fluorescence microscope that scans a specimen in 3D
and uses a pinhole to reject most of the out-of-focus light. However,
the quality of the images suffers from two basic physical
limitations. The diffraction-limited nature of the optical system,
and the reduced amount of light detected by the photomultiplier
cause blur and photon counting noise respectively. These images
can hence benefit from post-processing restoration methods
based on deconvolution. An efficient method for parametric
blind image deconvolution involves the simultaneous estimation
of the specimen 3D distribution of fluorescent sources and
the microscope PSF. By using a model for the microscope
image acquisition physical process, we reduce the number of
free parameters describing the PSF and introduce constraints.
The parameters of the PSF may vary during the course of
experimentation, and so they have to be estimated directly from
the observed data. A priori model of the specimen is further
applied to stabilize the alternate minimization algorithm and to
converge to the solutions. |
|
top of the page
6 Technical and Research Reports |
1 - Restoration mehod for spatially variant blurred images.
S. Ben Hadj and L. Blanc-Féraud. Research Report 7654, INRIA, June 2011.
Keywords : Deconvolution, energy minimization, spatially-variant PSF, Total variation.
@TECHREPORT{RR_SBH_11,
|
| author |
= |
{Ben Hadj, S. and Blanc-Féraud, L.}, |
| title |
= |
{Restoration mehod for spatially variant blurred images}, |
| year |
= |
{2011}, |
| month |
= |
{June}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{7654}, |
| url |
= |
{ http://hal.inria.fr/inria-00602650/fr/}, |
| keyword |
= |
{Deconvolution, energy minimization, spatially-variant PSF, Total variation} |
| } |
|
2 - Parametric blind deconvolution for confocal laser scanning microscopy-proof of concept.
P. Pankajakshan and L. Blanc-Féraud and B. Zhang and Z. Kam and J.C. Olivo-Marin and J. Zerubia. Research Report 6493, INRIA, April 2008.
Keywords : Confocal Laser Scanning Microscopy, Bayesian restoration, Blind Deconvolution, point spread function, Richardson-Lucy algorithm, Total variation.
Copyright : ARIANA/INRIA
@TECHREPORT{ppankajakshan08b,
|
| author |
= |
{Pankajakshan, P. and Blanc-Féraud, L. and Zhang, B. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{Parametric blind deconvolution for confocal laser scanning microscopy-proof of concept}, |
| year |
= |
{2008}, |
| month |
= |
{April}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{6493}, |
| url |
= |
{https://hal.inria.fr/inria-00269265}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/27/02/92/PDF/report.pdf}, |
| keyword |
= |
{Confocal Laser Scanning Microscopy, Bayesian restoration, Blind Deconvolution, point spread function, Richardson-Lucy algorithm, Total variation} |
| } |
Résumé :
Nous proposons une méthode de restauration itérative d’images de fluorescence
CLSM et d’estimation paramétrique de la fonction de flou (PSF) du système d’acquisition.
Le CLSM est un microscope qui balaye un échantillon en 3D et utilise une sténopée pour
rejeter la lumière en dehors du point de focalisation. Néanmoins, la qualité des images
souffre de deux limitations physiques. La première est due à la diffraction due au système
optique et la seconde est due à la quantité réduite de lumière détectée par le tube
photo-multiplicateur (PMT). Ces limitations induisent respectivement un flou et du bruit
de comptage de photons. Les images peuvent alors bénéficier d’un post-traitement de
restauration fondé sur la déconvolution. Le problème à traiter est l’estimation simultanée
de la distribution 3D de l’échantillon des sources fluorescentes et de la PSF du microscope
(i.e. de déconvolution aveugle). En utilisant un modèle de processus physique
d’acquisition d’images microscopiques (CLSM), on réduit le nombre de paramètres libres
décrivant la PSF et on introduit des contraintes. On introduit aussi des connaissances a
priori sur l’échantillon ce qui permet de stabiliser le processus d’estimation et de favoriser
la convergence. Des expériences sur des données synthétiques montrent que la PSF peut
être estimée avec précision. Des expériences sur des données réelles montrent de bons
resultats de déconvolution en comparaison avec le modèle théorique de la PSF du microscope. |
Abstract :
We propose a method for the iterative restoration of fluorescence Confocal Laser Scanning Microscope (CLSM) images with parametric estimation of the acquisition system’s Point Spread Function (PSF). The CLSM is an optical fluorescence microscope that scans a specimen in 3D and uses a pinhole to reject most of the out-of-focus light. However, the quality of the image suffers from two primary physical limitations. The first is due to the diffraction-limited nature of the optical system and the second is due to the reduced amount of light detected by the photomultiplier tube (PMT). These limitations cause blur and photon counting noise respectively. The images can hence benefit from post-processing restoration methods based on deconvolution. An efficient method for parametric blind image deconvolution involves the simultaneous estimation of the specimen 3D distribution of fluorescent sources and the microscope PSF. By using a model for the microscope image acquisition physical process, we reduce the number of free parameters describing the PSF and introduce constraints. The parameters of the PSF may vary during the course of experimentation, and so they have to be estimated directly from the observation data. We also introduce a priori knowledge of the specimen that permits stabilization of the estimation process and favorizes the convergence. Experiments on simulated data show that the PSF could be estimatedwith a higher degree of accuracy and those done on real data show very good deconvolution results in comparison to the theoretical microscope PSF model. |
|
3 - Some applications of L infinite norms in image processing.
P. Weiss and G. Aubert and L. Blanc-Féraud. Research Report 6115, INRIA, September 2006.
Keywords : projected subgradient descent, convergence rate, Total variation, compression bounded noise, meyer G norm, fast l1 minimization.
@TECHREPORT{Some applications of L infinite constraints,
|
| author |
= |
{Weiss, P. and Aubert, G. and Blanc-Féraud, L.}, |
| title |
= |
{Some applications of L infinite norms in image processing}, |
| year |
= |
{2006}, |
| month |
= |
{September}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{6115}, |
| url |
= |
{http://www.math.univ-toulouse.fr/~weiss/Publis/RR-6115.pdf}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2006_Some applications of L infinite constraints.pdf}, |
| keyword |
= |
{projected subgradient descent, convergence rate, Total variation, compression bounded noise, meyer G norm, fast l1 minimization} |
| } |
|
4 - 3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization.
N. Dey and L. Blanc-Féraud and C. Zimmer and P. Roux and Z. Kam and J.C. Olivo-Marin and J. Zerubia. Research Report 5272, INRIA, France, July 2004.
Keywords : Confocal microscopy, Deconvolution, Impulse answer, Total variation.
@TECHREPORT{5272,
|
| author |
= |
{Dey, N. and Blanc-Féraud, L. and Zimmer, C. and Roux, P. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization}, |
| year |
= |
{2004}, |
| month |
= |
{July}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5272}, |
| address |
= |
{France}, |
| url |
= |
{http://hal.inria.fr/inria-00070726/fr/}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/70726/filename/RR-5272.pdf}, |
| ps |
= |
{http://hal.inria.fr/docs/00/07/07/26/PS/RR-5272.ps}, |
| keyword |
= |
{Confocal microscopy, Deconvolution, Impulse answer, Total variation} |
| } |
Résumé :
La microscopie confocale (Confocal laser scanning microscopy ou microscopie confocale à balayage laser) est une méthode puissante de plus en plus populaire pour l'imagerie 3D de spécimens biologiques. Malheureusement, les images acquises sont dégradées non seulement par du flou dû à la lumière provenant de zones du spécimen non focalisées, mais aussi par un bruit de Poisson dû à la détection, qui se fait à faible flux de photons. Plusieurs méthodes de déconvolution ont été proposées pour réduire ces dégradations, avec en particulier l'algorithme itératif de Richardson-Lucy, qui calcule un maximum de vraisemblance adapté à une statistique poissonienne. Mais cet algorithme utilisé comme tel ne converge pas nécessairement vers une solution adaptée, car il tend à amplifier le bruit. Si par contre on l'utilise avec une contrainte de régularisation (connaissance a priori sur l'objet que l'on cherche à restaurer, par exemple), Richardson-Lucy régularisé converge toujours vers une solution adaptée, sans amplification du bruit. Nous proposons ici de combiner l'algorithme de Richardson-Lucy avec une contrainte de régularisation basée sur la Variation Totale, dont l'effet d'adoucissement permet d'éviter les oscillations d'intensité tout en préservant les bords des objets. Nous montrons sur des images synthétiques et sur des images réelles que cette contrainte de régularisation améliore les résultats de la déconvolution à la fois qualitativement et quantitativement. Nous comparons plusieurs méthodes de déconvolution bien connues à la méthode que nous proposons, comme Richardson-Lucy standard (pas de régularisation), Richardson-Lucy régularisé avec Tikhonov-Miller, et un algorithme basé sur la descente de gradients (sous l'hypothèse d'un bruit additif gaussien). |
Abstract :
Confocal laser scanning microscopy is a powerful and increasingly popular technique for 3D imaging of biological specimens. However the acquired images are degraded by blur from out-of-focus light and Poisson noise due to photon-limited detection. Several deconvolution methods have been proposed to reduce these degradations, including the Richardson-Lucy iterative algorithm, which computes a maximum likelihood estimation adapted to Poisson statistics. However this algorithm does not necessarily converge to a suitable solution, as it tends to amplify noise. If it is used with a regularizing constraint (some prior knowledge on the data), Richardson-Lucy regularized with a well-chosen constraint, always converges to a suitable solution. Here, we propose to combine the Richardson-Lucy algorithm with a regularizing constraint based on Total Variation, whose smoothing avoids oscillations while preserving object edges. We show on simulated and real images that this constraint improves the deconvolution results both visually and using quantitative measures. We compare several well-known deconvolution methods to the proposed method, such as standard Richardson-Lucy (no regularization), Richardson-Lucy with Tikhonov-Miller regularization, and an additive gradient-based algorithm. |
|
5 - Dual Norms and Image Decomposition Models.
J.F. Aujol and A. Chambolle. Research Report 5130, INRIA, France, March 2004.
Keywords : Total variation, Bounded Variation Space, Image decomposition.
@TECHREPORT{5130,
|
| author |
= |
{Aujol, J.F. and Chambolle, A.}, |
| title |
= |
{Dual Norms and Image Decomposition Models}, |
| year |
= |
{2004}, |
| month |
= |
{March}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5130}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071453}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71453/filename/RR-5130.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/14/53/PS/RR-5130.ps}, |
| keyword |
= |
{Total variation, Bounded Variation Space, Image decomposition} |
| } |
Résumé :
Inspiré par [16], de nombreux modèles de décomposition d'images en une composante géométrique et une composante texturée ont été proposés en traitement d'images. Dans de telles approches, les normes d'espaces de Sobolev d'exposant négatif ont paru intéressantes pour modéliser les éléments oscillants. Dans ce papier, nous comparons les propriétés de différentes normes qui sont duales de normes de Sobolev ou de Besov. Nous proposons ensuite un modèle de décomposition qui sépare une image en deux composantes, une première contenant les structures de l'image, une seconde les textures de l'image, et une troisième le bruit. Notre modèle de décomposition repose sur l'utilisation de trois semi-normes différentes: la variation totale pour la composante géométrique, une norme de Sobolev négative pour la texture, et une norme de Besov négative pour le bruit. Nous illustrons notre étude par des exemples numériques. |
Abstract :
Following [16], decomposition models into a geometrical component and a textured component have recently been proposed in image processing. In such approaches, negative Sobolev norms have seemed to be useful to modelize oscillating patterns. In this paper, we compare the properties of various norms that are dual of Sobolev or Besov norms. We then propose a decomposition model which splits an image into three components: a first one containing the structure of the image, a second one the texture of the image, and a third one the noise. Our decomposition model relies on the use of three different semi-norms: the total variation for the geometrical componant, a negative Sobolev norm for the texture, and a negative Besov norm for the noise. We illustrate our study with numerical examples. |
|
6 - Image Decomposition : Application to Textured Images and SAR Images.
J.F. Aujol and G. Aubert and L. Blanc-Féraud and A. Chambolle. Research Report 4704, INRIA, France, January 2003.
Keywords : Total variation, Bounded Variation Space, Texture, Classification, Restoration, Synthetic Aperture Radar (SAR).
@TECHREPORT{4704,
|
| author |
= |
{Aujol, J.F. and Aubert, G. and Blanc-Féraud, L. and Chambolle, A.}, |
| title |
= |
{Image Decomposition : Application to Textured Images and SAR Images}, |
| year |
= |
{2003}, |
| month |
= |
{January}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{4704}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071882}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71882/filename/RR-4704.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/18/82/PS/RR-4704.ps}, |
| keyword |
= |
{Total variation, Bounded Variation Space, Texture, Classification, Restoration, Synthetic Aperture Radar (SAR)} |
| } |
Résumé :
Dans ce rapport, nous présentons un nouvel algorithme pour décomposer une imagef en u+v, u étant à variation bornée, et v contenant les textures et le bruit de l'image originale. Nous introduisons une fonctionnelle adaptée à ce problème. Le minimum de cette fonctionnelle correspond à la décomposition cherchée de l'image. Le calcul de ce minimum se fait par minimisation successive par rapport à chacune des variables, chaque minimisati- on étant réalisée à l'aide d'un algorithme de projection. Nous faisons l'étude théorique de notre modèle, et nous présentons des résultats numériques. D'une part, nous montrons comment la composante v peut être utilisée pour faire de la classification d'images texturées, et d'autre part nous montrons comment la composante u peut être utilisée en restauration d'images SAR. |
Abstract :
In this report, we present a new algorithm to split an image f into a component u belonging to BV and a component v made of textures and noise of the initial image. We introduce a functional adapted to this problem. The minimum of this functional corresponds to the image decomposition we want to get. We compute this minimum by minimizing successively our functional with respect to u and v. We carry out the mathematical study of our algorithm. We present some numerical results. On the one hand, we show how the v component can be used to classify textured images, and on the other hand, we show how the u component can be used in SAR image restoration. |
|
top of the page
These pages were generated by 
|
2011 Activity report
get the bibtex
