Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
En , le recalage est une technique qui consiste en la « mise en correspondance d'images », dans le but de comparer ou combiner leurs informations respectives. Cette méthode repose sur les mêmes principes physique et le même type de modélisation mathématique que la . Cette mise en correspondance se fait par la recherche d'une transformation géométrique permettant de passer d'une image à une autre. Cette technique comprend de nombreuses applications, allant de l', afin par exemple de fusionner plusieurs modalités d'imagerie, au traitement de vidéos, comme le suivi de mouvement et la compression, ou à la création de mosaïques d'images (panoramas). Les images à recaler peuvent provenir d'une même source ( scanner, caméra) ou être « multi-sources » ( , aériennes et carte d'un même territoire). Soient deux images données, l'image fixe et l'image déformable où est une position dans le domaine de l'image et . L'objectif est de trouver la transformation qui permet de minimiser l'écart entre deux images après la transformation: La métrique s'appelle le critère de similarité dans le paragraphe suivant. Ce critère peut être par exemple la distance au carré des deux images: . Et la minimisation se fait par un algorithme d'optimisation. Les méthodes de recalage peuvent être classifiées selon quatre critères principaux : les attributs : sur quel type d'information se fonde le recalage ? le critère de similarité : comment estimer l'appariement entre les points des images ? le modèle de transformation : comment sont alignés les points d'une image à l'autre ? la stratégie d'optimisation : comment converger vers une solution rapidement ? Pour estimer la transformation, on peut utiliser l'intensité ou des primitives géométriques. Ces méthodes furent parmi les premières à être proposées de par leur similitude avec la méthode utilisée par un être humain pour mettre en correspondance deux images. Elles se fondent en effet sur l'extraction à partir de chacune des images de primitives géométriques (points saillants, coins, contours...).
[2]Paolo Prandoni, [3]LCAV, EPFL
The concept of "basis" for a vector space is one of the most profound
and fruitful ideas in linear algebra. Basis vectors are the "building
blocks" that all other vectors are built from; by "disassembling" a
vector into a linear combination of basis elements we are able to "look
inside" the vector and highlight many of its relevant features.
A vector space has an infinite number o [2]Paolo Prandoni, [3]LCAV, EPFL
The Parks-McClellan (PM) algorithm is a clever application of advanced
polynomial fitting techniques to the problem of FIR filter design. In
this notebook we will explore the key ideas behind the method by
considering the design of a simple Type-I lowpass filter.
NOTE: This notebook uses interactive widgets. If the interactive
controls do not work or show up, please fo