Nous avons présenté dans ce chapitre les concepts généraux utilisés en compression d’images et de vidéos. Nous avons également mis en avant les motivations qui ont conduit à faire certains choix dans les différentes étapes de l’encodage. Nous nous sommes ensuite familiarisés avec certaines spécificités d’un codeur H.264 / AVC et notamment avec les concepts utilisés en prédiction intra-images, thème majeur au sein de cette thèse. Actuellement, la norme H.264 / AVC offre une grande flexibilité d’utilisation et reste difficile à surpasser en performances. Néanmoins on peut imaginer améliorer la norme par l’enrichissement des modèles de prédiction spatio-temporelle, d’estimation de mouvement ou encore réfléchir à l’élaboration d’une nouvelle structure qui viserait à repenser les modèles actuellement définis. Nous nous sommes plus particulièrement intéressés dans cette thèse à étudier des algorithmes visant à améliorer la prédiction spatiale.
Chapitre 2
Synthèse de texture
Nous avons présenté dans le chapitre 1 des techniques de prédiction intra-image et tout particulièrement celles mises en oeuvre dans un encodeur de type H.264 / AVC. Le coeur de nos travaux va en effet s’articuler autour de la problématique de prédiction qui peut être vue comme un problème d’extrapolation d’image ou encore de synthèse de texture. Ce chapitre a donc pour vocation de présenter un rapide survol des techniques actuelles en matière de synthèse de texture. Les notions d’extrapolation et de synthèse étant particulièrement proches, nous pouvons considérer que les techniques de synthèse soulèvent le même type de difficultés que celles d’extrapolation. L’enjeu est ici de réussir à cerner les divers angles sous lesquels a été abordé le thème de la synthèse de texture, afin de mieux en comprendre les problématiques qui y sont rattachées, ainsi que les solutions apportées dans la littérature.
Nous présenterons ici les travaux en matière de synthèse de texture bi-dimensionnelle. Bien que les travaux actuels dans la littérature s’orientent vers les applications sur la 3D ou sur la réalité virtuelle, nous n’aborderons pas les problématiques rattachées à la modélisation de texture de surface et à la définition de leur géométrie. De même, les travaux sur les textures en mouvement, incluant la dimension temporelle, ne seront pas évoqués. Nous relaterons simplement les diverses techniques employées en matière de synthèse de texture dans le plan 2D.
FIG. 2.1 – Texture stochastique (à gauche) et texture régulière (à droite)
38 Synthèse de texture
2.1 Introduction
2.1.1 Qu’est-ce qu’une texture ?
Bien que nous soyons tous à même de reconnaître une texture, il est bien difficile d’en donner une définition mathématique précise. On peut néanmoins dégager certaines caractéristiques principales. Au sein d’une texture, on retrouve généralement des motifs qui vont être répétés à une ou plusieurs échelles, selon une périodicité plus ou moins régulière.
Une texture est donc constituée d’un ensemble de plusieurs pixels formant une unité particulière. Ce sont les variations de luminosité des pixels qui, de par leur caractère aléatoire ou non, permettent de distinguer les textures stochastiques de textures très régulières, dont voici un exemple en figure 2.1. Entre ces deux extrêmes, s’étale toute la plage et la richesse des textures naturelles : du sable d’une plage à un parterre de fleurs, de l’herbe d’une pelouse au pelage d’un animal (cf. figure 2.2, une classification proposée par [LLH04] ).
FIG. 2.2 – Exemple de textures naturelles
Il est classiquement admis de caractériser une texture comme un processus stochastique local et stationnaire : pour une échelle donnée, la texture est la même quel que soit l’endroit où on l’observe.
2.1.2 Axes de recherche
Toute image naturelle contient potentiellement une texture. Il apparaît donc comme inévitable, dans le vaste domaine du traitement des images, de se pencher sur la problématique de l’analyse des textures. Les principaux centres d’intérêt en la matière concernent : la synthèse de texture, la segmentation et la classification. Nous aborderons dans les sections suivantes, les techniques actuelles prédominantes pour la synthèse de texture.
La segmentation quant à elle, a pour but de trouver les contours entre différentes textures d’une image. La difficulté repose sur le fait que la nature même de la texture est inconnue. Il peut donc être très complexe de distinguer localement des pixels formant une texture plutôt qu’une autre. Quant à la classification des textures, la technique peut être vue comme une analyse complémentaire à la segmentation. L’enjeu est de réussir à classifier une nouvelle texture par le biais d’un panel connu de textures de différentes classes.
Exemples de techniques de synthèse 39
2.1.3 Comment juger de la qualité de la synthèse ?
L’évaluation de la qualité d’une texture obtenue par synthèse est un problème majeur. La méthodologie générale en synthèse consiste à générer une image texturée à partir d’un petit échantillon connu du motif à reproduire. Les outils mathématiques classiques sont de fait inadaptés à cette problématique. Ils ne mesurent en effet la qualité de la reconstruction qu’en calculant une erreur pixel à pixel. De plus, comme nous l’expliciterons par la suite, les algorithmes de synthèse ne cherchent pas nécessairement à obtenir une copie conforme au signal d’origine. Seule une réalisation perceptuellement semblable suffit. Par conséquent, pour juger de la qualité de la synthèse, nous ne pouvons, a priori, nous fier qu’à notre seule perception visuelle, avec toute la subjectivité que cela implique. C’est pourquoi des critères psychovisuels ont été introduits afin de répondre à cette problématique. Ils sont basés sur des modélisations avancées du système visuel humain qui visent à émuler les interprétations de notre cerveau face à des stimuli visuels [WS04].