Utilisation de l'information photométrique pour la sélection des hyperparamètres en recalage géométrique d'images

Cet article traite du recalage parametrique d'images a partir de correspondances de points en environnement deformable. Dans ce probleme, il est essentiel de determiner des valeurs correctes pour les hyperparametres tels que le nombre de points de controle du modele de deformation, un parametre de regularisation ou l'echelle d'un M-estimateur. Cela est souvent realise a la main par tâtonnement ou en optimisant un critere generique comme la validation croisee. Dans cet article, nous proposons un nouveau critere pour selectionner differents hyperparametres en combinant les avantages de l'approche geometrique et de l'approche photometrique au recalage d'images. Plus precisement, nous proposons de considerer les correspondances de points comme un jeu d'entrainement et la photometrie comme un jeu d'essai. L'approche proposee est robuste dans la mesure ou elle resiste a la fois aux correspondances de points erronees et aux defauts des images comme les occultations ou les specularites.

[1]  Adrien Bartoli,et al.  Maximizing the Predictivity of Smooth Deformable Image Warps through Cross-Validation , 2008, Journal of Mathematical Imaging and Vision.

[2]  Adrien Bartoli,et al.  Efficient Camera Smoothing in Sequential Structure-from-Motion Using Approximate Cross-Validation , 2008, ECCV.

[3]  Paul Dierckx,et al.  Curve and surface fitting with splines , 1994, Monographs on numerical analysis.

[4]  Aydın Erar,et al.  VARIABLE SELECTION WITH AKAIKE INFORMATION CRITERIA : A COMPARATIVE STUDY , 2001 .

[5]  Luc Van Gool,et al.  Speeded-Up Robust Features (SURF) , 2008, Comput. Vis. Image Underst..

[6]  Grace Wahba,et al.  Spline Models for Observational Data , 1990 .

[7]  Luc Van Gool,et al.  SURF: Speeded Up Robust Features , 2006, ECCV.

[8]  G. Wahba,et al.  A completely automatic french curve: fitting spline functions by cross validation , 1975 .

[9]  P. Anandan,et al.  About Direct Methods , 1999, Workshop on Vision Algorithms.

[10]  Simon Baker,et al.  Lucas-Kanade 20 Years On: A Unifying Framework , 2004, International Journal of Computer Vision.

[11]  B. Moor,et al.  Robust Cross-Validation Score Functions with Application to Weighted Least Squares Support Vector Machine Function Estimation ∗ , 2009 .

[12]  Matthijs C. Dorst Distinctive Image Features from Scale-Invariant Keypoints , 2011 .

[13]  Andrea Vedaldi,et al.  Vlfeat: an open and portable library of computer vision algorithms , 2010, ACM Multimedia.

[14]  Elvezio Ronchetti,et al.  A Robust Version of Mallows's C P , 1994 .

[15]  Daniel Rueckert,et al.  Nonrigid registration using free-form deformations: application to breast MR images , 1999, IEEE Transactions on Medical Imaging.

[16]  Bernhard P. Wrobel,et al.  Multiple View Geometry in Computer Vision , 2001 .

[17]  Fred L. Bookstein,et al.  Principal Warps: Thin-Plate Splines and the Decomposition of Deformations , 1989, IEEE Trans. Pattern Anal. Mach. Intell..

[18]  Jan Modersitzki,et al.  Numerical Methods for Image Registration , 2004 .