Reconstruction panoramique

Description du projet

• la photographie grand-angle sans objectif spécialisé (par recollement de plusieurs images prises dans des directions très variées)
• la photographie haute résolution (par recollement de plusieurs images prises à des résolutions inférieures)
• la cartographie : avec les mêmes algorithmes, on peut recoller plusieurs images d'un objet plan mais prises d'un point de vue différent, et ainsi constituer une grande carte à partir de plusieurs vues aériennes.

Algorithmes utilisés

Notre approche est basée sur la correspondance des coins entre les deux images.

Nous cherchons dans chaque image les caractéristiques géométriques des coins (position, angles d'ouverture et de fermeture du coin). Pour cela, nous ajustons en des points d'intéret un modèle paramétrique de coin.

Nous pouvons alors calculer l'homographie recherchée à partir de la mise en correspondance correcte de deux paires de coins (une dans chaque image). Nous cherchons donc cette homographie par énumération, dans chaque image, des paires de coins. Pour la reconnaître, nous évaluons une certaine forme de corrélation entre une image et sa transformée par une homographie, et nous prenons l'homographie qui propose la meilleure corrélation. Naturellement, pour des raisons de complexité (puissance quatrième du nombre de coins), nous sommes obligés de sélectionner au préalable quelques coins (de l'ordre de 15) dans chaque image.

En réalité, le caractère très local des directions des coins fait que l'homographie calculée n'est pas en général très précise (surtout en dehors du segment joignant, dans une image, les deux coins ayant servi au calcul de l'homographie). Pour améliorer la qualité du résultat, nous utilisons une technique annexe très efficace.

Problèmes rencontrés et solutions apportées

• Dans la recherche des coins de l'image : la difficulté à calculer expressément certaines fonctions nous a amené à générer automatiquement leur code C avec Maple.
• Il est difficile de sélectionner automatiquement les mêmes coins dans une image et dans l'autre ; on peut prendre comme critère de sélection l'erreur d'ajustement du modèle de coin aux données réelles. Mais dans ce cas, il arrive que des coins non pertinents soient sélectionnés, par exemple dans des zones complètement uniformes de l'image, où un point d'intéret a été généré par le bruit. Les caractéristiques géométriques de ces coins, sont alors extrêmement peu précises, voire aléatoires.
  Nous avons tout de même pris ce critère, mais en imposant des contraintes sur les coins sélectionnés : qu'ils présentent un certain contraste, etc.
• Nous avons remarqué que cette méthode détecte plus de coins en commun dans les images plus petites que l'original (ce sont des primitives à plus grande échelle, il y en a moins par image et donc sont plus facilement partagées). Partant de là, nous utilisons ensemble des primitives extraites à différents niveaux de détail.
• Les homographies que nous obtenons de la sorte sont bonnes surtout au voisinage des primitives qui ont servi à leur calcul. Nous avons utilisé et développé des techniques pour corriger les homographies et pour tenir compte de cette localité dans l'algorithme principal. Consultez le rapport complet pour en savoir plus !