Fusion d'Exposition pour l'Amélioration de la Qualité d'Image

Abstract

Ce projet a représenté une phase cruciale dans notre parcours éducatif, en nous familiarisant progressivement avec les principes de la vision par ordinateur. Nous avons débuté par l'étude des fondamentaux du traitement d'image, en apprenant à analyser, interpréter et manipuler les éléments d'une image numérique. Cette étape nous a permis d'acquérir une meilleure compréhension de la structure des images, de leurs canaux de couleur, ainsi que des opérations de traitement visuel de base. Par la suite, nous avons exploré la fusion d'exposition, une méthode visant à amalgamer plusieurs images prises avec divers niveaux d'exposition (sous-exposée, normale et sur-exposée) pour obtenir une image finale de qualité visuelle supérieure. Afin d'approfondir notre compréhension de ce sujet, nous avons examiné plusieurs articles scientifiques et recherches contemporaines, ce qui nous a permis d'apprendre sur les approches traditionnelles et les techniques avancées dans ce domaine. Suite à cette phase exploratoire, nous avons examiné les contributions de l'intelligence artificielle, en particulier à travers les méthodes de deep learning. Nous avons ainsi élaboré un modèle fondé sur l'architecture U-Net, un réseau de neurones convolutionnels (CNN) conçu pour les tâches de traitement d'image. Ce modèle a été formé pour fusionner automatiquement les trois images d'entrée avec des niveaux d'exposition distincts, afin de produire une image finale équilibrée, riche en détails et cohérente sur le plan visuel. Cette démarche nous a permis d'appliquer diverses compétences en programmation Python, en manipulation de données visuelles avec OpenCV, et en entraînement de réseaux de neurones à travers TensorFlow/Keras dans un environnement collaboratif tel que Google Colab. En dépit de certaines limitations d'équipement, les résultats obtenus ont révélé le potentiel prometteur de l'intelligence artificielle dans le domaine de la fusion d'exposition. En résumé, ce projet nous a permis de connecter les dimensions théoriques et pratiques liées à la vision par ordinateur, au traitement d'image et à l'apprentissage profond. Il ouvre des perspectives pour des expérimentations futures, telles que l'optimisation des modèles employés, l'enrichissement des ensembles de données, ainsi que l'exploration d'architectures plus efficaces pour des applications concrètes en matière de traitement visuel intelligent.