Soutenance de thèse de GHEZAL Maurgène
Titre de thèse
Imageur intelligent dans les conditions de vision nocturne : co-conception opto-électronique et algorithmique
Night vision imager : opto-electronic and algoritmic co-design
Résumé de la thèse
L'imagerie en faible luminosité répond à des besoins critiques en défense, sécurité
et recherche scientifique, mais se heurte à des défis majeurs liés au faible rapport
signal sur bruit.
Dans ce contexte, l'objectif de cette thèse est de développer des solutions de débrui-
tage et de rehaussement des images/vidéos en BNL.
De plus, les bases de données existantes ne sont pas représentatives d'acquisitions
qu'on peut obtenir dans des conditions réelles nocturnes. Pour atteindre ce but, le
travail de thèse s'est concentré dans un premier temps sur la construction d'une base
de données supervisée et dédiée à l'imagerie BNL qui couvre un spectre lumineux
étendu, s'étendant des conditions diurnes jusqu'au niveau de nuit 5.
La deuxième partie du travail a donné lieu à un algorithme de rehaussement
d'images en temps réel, adaptatif automatiquement à chaque image traitée : CLTH.
La dernière partie abordée, le débruitage de vidéos, a vu la mise au point un réseau
de neurone, VU-Net 3D, et son utilisation conjointe avec un réseau de type WGAN-GP
utilisant des données a priori sur le bruit caractéristiques d'un capteur.
En conclusion, le traitement d'images à bas niveau de lumière par nos algorithmes
de rehaussement et de débruitage ouvrent de nouvelles perspectives dans le domaine
de l'embarqué et de l'intégration.
Thesis resume
Low-light imaging addresses critical needs in defense, security, and scientific re-
search, but faces major challenges related to low signal-to-noise ratio.
In this context, the objective of this thesis is to develop denoising and enhancement
solutions for low-light (LL) level images and videos. Moreover, existing databases are
not representative of acquisitions obtained under real nighttime conditions.
To achieve this goal, the thesis work initially focused on building a supervised
database dedicated to LL imaging that covers an extended luminous spectrum, ranging
from daytime conditions to night level 5. The second part of the work resulted in a
real-time image enhancement algorithm that automatically adapts to each processed
image : CLTH.
The final part addressed video denoising through the development of a neural
network, VU-Net 3D, and its joint use with a network based on WGAN-GP architecture
leveraging prior knowledge of caracterictic noise of a sensor.
In conclusion, low-light image processing through our enhancement and denoising
algorithms opens new perspectives in the fields of embedded systems and integration.