Embedded Processing for Extended Depth of Field Imaging Systems: From Infinite Impulse Response Wiener Filter to Learned Deconvolution - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Sensors Année : 2023

Embedded Processing for Extended Depth of Field Imaging Systems: From Infinite Impulse Response Wiener Filter to Learned Deconvolution

Traitement embarqué pour les systèmes d'imagerie à profondeur de champ étendue : du filtre de Wiener à réponse impulsionnelle infinie à la déconvolution par apprentissage

Résumé

Many works in the state of the art are interested in the increase of the camera depth of field (DoF) via the joint optimization of an optical component (typically a phase mask) and a digital processing step with an infinite deconvolution support or a neural network. This can be used either to see sharp objects from a greater distance or to reduce manufacturing costs due to tolerance regarding the sensor position. Here, we study the case of an embedded processing with only one convolution with a finite kernel size. The finite impulse response (FIR) filter coefficients are learned or computed based on a Wiener filter paradigm. It involves an optical model typical of codesigned systems for DoF extension and a scene power spectral density, which is either learned or modeled. We compare different FIR filters and present a method for dimensioning their sizes prior to a joint optimization. We also show that, among the filters compared, the learning approach enables an easy adaptation to a database, but the other approaches are equally robust.
De nombreux travaux dans l'état de l'art s'intéressent à l'augmentation de la profondeur de champ (PdC) des caméras via l'optimisation conjointe d'un composant optique (typiquement un masque de phase) et d'une étape de traitement numérique avec un support de déconvolution infini ou un réseau de neurones. Cela peut être utilisé soit pour voir des objets nets à une plus grande distance, soit pour réduire les coûts de fabrication en raison de la tolérance concernant la position du capteur. Ici, nous étudions le cas d'un traitement intégré avec une seule convolution avec une taille de noyau finie. Les coefficients des filtres à réponse impulsionnelle finie (FIR) sont appris ou calculés sur la base d'un paradigme de filtre de Wiener. Il implique un modèle optique typique des systèmes co-conçus pour l'extension de PdC et une densité spectrale de puissance de la scène qui est soit apprise, soit modélisée. Nous comparons différents filtres FIR et présentons une méthode pour dimensionner leurs tailles avant une optimisation conjointe. Nous montrons également que, parmi les filtres comparés, l'approche d'apprentissage permet une adaptation facile à une base de données, mais que les autres approches sont également robustes.
Fichier principal
Vignette du fichier
sensors-23-09462-v2.pdf (2.2 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Licence : CC BY - Paternité

Dates et versions

hal-04424057 , version 1 (29-01-2024)

Licence

Paternité

Identifiants

Citer

Alice Fontbonne, Pauline Trouvé-Peloux, Frédéric Champagnat, Gabriel Jobert, Guillaume Druart. Embedded Processing for Extended Depth of Field Imaging Systems: From Infinite Impulse Response Wiener Filter to Learned Deconvolution. Sensors, 2023, 23 (23), pp.9462. ⟨10.3390/s23239462⟩. ⟨hal-04424057⟩
2 Consultations
3 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More