Restauration de la visibilité dans des images et des vidéos acquises en conditions météorologiques défavorables

Visibility restoration in images and videos acquired in adverse weather conditions

• Auteur / Autrice : Alexandra Duminil
• Direction : Roland Brémond
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 30/11/2022
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Perceptions, Interactions, Comportements & Simulations (Champs-sur-Marne ; 2020) - Laboratoire Perceptions, Interactions, Comportements & Simulations (Champs-sur-Marne ; 2020)
• Jury : Président / Présidente : Samia Bouchafa
• Jury : Examinateurs / Examinatrices : Roland Brémond, Catherine Achard, Samia Ainouz, Jean-Philippe Tarel, Frédéric Bernardin, Pierre Charbonnier
• Jury : Rapporteurs / Rapporteuses : Catherine Achard, Samia Ainouz

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Capteurs (technologie)

Radar automobile d'aide à la conduite

Effets des conditions météorologiques

Mots clés libres

Restauration

Images

Conditions météorologiques défavorables

Visibilité

Images

Restoration

Adverse weather conditions

Résumé

Certaines conditions météorologiques telles que la pluie et le brouillard contribuent à réduire la visibilité, pouvant causer des accidents de la circulation. Lorsqu'on utilise des systèmes d'aide à la conduite (ADAS), les risques d’accidents sont moindres en raison d’un grand nombre de capteurs embarqués dont les données sont traitées par des processeurs et logiciels spécifiques. Cependant, les technologies embarquées aujourd'hui ne permettent pas encore de disposer de systèmes intégrés et bien accordés ensemble pour faire face de manière efficace à des conditions météorologiques dégradées. Il devient alors indispensable d’intégrer des capteurs et des moyens de traitements afin d'atténuer les artefacts provoqués par ce genre de conditions météorologiques. L’utilisation d’algorithmes de restauration d’images et de vidéos permettrait d’atténuer leurs effets sur l'image restituée par le système pour l'aide à la décision.L’objectif de cette thèse est de concevoir des algorithmes s'exécutant au plus proche du temps réel pour améliorer la visibilité de la scène en restaurant les images acquises en conditions météorologiques dégradées qui appartiennent à la catégorie des particules fines (brume, brouillard et poussière). Deux approches vont être confrontées: une approche fondée sur des techniques traditionnelles impliquant un modèle physique du brouillard, et une approche fondée sur des techniques de textit {deep learning}. Un ensemble de techniques et de méthodes ont été proposés pour répondre à ces problématiques dont un algorithme d'atténuation du brouillard dans des images basé sur un modèle physique ainsi qu'un algorithme d'atténuation du brouillard dans des vidéos basé sur une technique de textit {deep learning}. Le peu de bases de données existantes de vidéos contenant du brouillard pour évaluer ces algorithmes nous ont confortés dans la décision d'en créer une

Some weather conditions such as rain and fog contribute to reduced visibility, which can cause traffic accidents. Using advanced driver assistance systems (ADAS), the risk of accidents is reduced due to a large number of on-board sensors equipped with specific processors and software. However, these systems are not always efficient enough to deal effectively with degraded atmospheric conditions. Then, it becomes necessary to integrate sensors and image processing in order to attenuate the visual effects caused by degraded conditions. The use of image and video restoration algorithms makes it possible to attenuate these effects.The aim of this thesis is to design algorithms running as close as possible to real time to improve the visibility of the scene by restoring the images acquired in degraded weather conditions. We worked on fine particles including mist, fog and dust. Two approaches are compared: a physical-based approach involving a physical model of fog, and a learning-based approach.Several algorithms have been proposed to address these issues including a single image fog removal algorithm based on physical prior, and a video fog removal algorithm with a deep learning technique. Moreover, the lack of video datasets containing fog encouraged us to create one.Evaluations were conducted for each of the algorithms in order to assess their effectiveness