Soutenance "Une approche problèmes inverses pour la reconstruction de données multi-dimensionnelles par méthodes d'optimisation." ferreol . soulez
From: ferreol.soulez AT obs.univ-lyon1.fr
To: rilk-conf AT rilk.com
Cc:
Subject: Soutenance "Une approche problèmes inverses pour la reconstruction de données multi-dimensionnelles par méthodes d'optimisation."
Date: Thu, 13 Nov 2008 14:56:18 +0100
Soulez Ferréol
sountient sa these
"Une approche problèmes inverses pour la reconstruction de données
multi-dimensionnelles par méthodes d'optimisation.".
le 11/12/2008
a Salle D03, Pôle optique, St Etienne.
Directeur: Jean-Marie Becker, CPE Lyon
Eric Thiébaut, Centre de Recherche Astrophysique de Lyon
Directeur: thiebaut@obs.univ-lyon1.fr
Jury: Laure Blanc-Feraud, INRIA Sophia-Antipolis,(rapporteur)
J.F. Giovannelli, Université Bordeaux 1, (rapporteur)
Laurent Desbat, Université Joseph Fourier, Grenoble,
Christophe Pichon Institut d'Astrophysique de Paris,
Yves Tourneur, Université Lyon 1,
Corinne Fournier, Université Jean Monnet, St Etienne
Labo: Laboratoire Hubert Curien, St Etienne
Mot-clef: Problèmes inverses, Déconvolution Aveugle, Holographie numérique,
Velocimetrie par image de particules, Imagerie bio-médicale, Vidéo, Imagerie
Multi-spectrale, Imagerie Couleur.
Resume: Ce travail utilise l'approche « problèmes inverses » pour la
reconstruction dans deux domaines différents : l'holographie numérique de
micro-particules et la deconvolution aveugle.
L'approche « problèmes inverses » consiste à rechercher les causes à partir
des effets ; c'est-à-dire estimer les paramètres décrivant un système d'après
son observation. Pour cela, on utilise un modèle physique décrivant les liens
de causes à effets entre les paramètres et les observations. Le terme inverse
désigne ainsi l'inversion de ce modèle direct. Seulement si, en règle
générale, les mêmes causes donnent les mêmes effets, un même effet peut avoir
différentes causes et il est souvent nécessaire d'introduire des a priori
pour restreindre les ambiguïtés de l'inversion. Dans ce travail, ce problème
est résolu en estimant par des méthodes d'optimisations, les paramètres
minimisant une fonction de coût regroupant un terme issu du modèle de
formation des données et un terme d'a priori.
Nous utilisons cette approche pour traiter le problème de la déconvolution
aveugle de données multidimensionnelles hétérogène ; c'est-à-dire de données
dont les différentes dimensions ont des significations et des unités
différentes. Pour cela nous avons établi un cadre général avec un terme d'a
priori séparable, que nous avons adapté avec succès à différentes
applications : la déconvolution de données multi-spectrales en astronomie,
d'images couleurs en imagerie de Bayer et la déconvolution aveugle de
séquences vidéo bio-médicales (coronarographie, microscopie classique et
confocale).
Cette même approche a été utilisée en holographie numérique pour la
vélocimétrie par image de particules (DH-PIV). Un hologramme de
micro-particules sphériques est composé de figures de diffraction contenant
l'information sur la la position 3D et le rayon de ces particules. En
utilisant un modèle physique de formation de l'hologramme, l'approche «
problèmes inverses » nous a permis de nous affranchir des problèmes liées à
la restitution de l'hologramme (effet de bords, images jumelles...) et
d'estimer les positions 3D et le rayon des particules avec une précision
améliorée d'au moins un facteur 5 par rapport aux méthodes classiques
utilisant la restitution. De plus, nous avons pu avec cette méthode détecter
des particules hors du champs du capteur élargissant ainsi le volume
d'intérêt d'un facteur 16.
Keyword: Inverse problems, Blind deconvolution, Digital holography, Particle
image velocimetry, Bio-medical imaging, Video, Multi-spectral imaging, color
imaging.
Abstract: This work presents an ``inverse problems'' approach for
reconstruction in two different fields: digital holography and blind
deconvolution.
The "inverse problems" approach consists in investigating the causes from
their effects, i.e. estimate the parameters describing a system from its
observation. In general, same causes produce same effects, same effects can
however have different causes. To remove ambiguities, it is necessary to
introduce a priori information. In this work, the parameters are estimated
using optimization methods to minimize a cost function which consists of a
likelihood term plus some prior terms.
We use this approach to address the problem of heterogeneous multidimensional
data blind deconvolution. Heterogeneous means that the different dimensions
have different meanings and units (for instance position and wavelength). For
that, we have established a general framework with a separable prior which
have been successfully adapted to different applications: deconvolution of
multi-spectral data in astronomy, of Bayer color images and blind
deconvolution of bio-medical video sequences (in coronarography, conventional
and confocal microscopy).
We also applied this framework to digital holography for particles image
velocimetry (DH-PIV). Using a model of the hologram formation, we use this
"inverse problems" approach to circumvent the artifacts produced by the
classical hologram restitution methods (distortions close to the image
boundaries, multiple focusing, twin-images). The proposed algorithm detects
micro-particles in a volume 16 times larger than the camera field of view and
with a precision improved by a factor 5 compared with classical techniques.
