Approche parallèle pour l'estimation du flot optique par méthode variationnelle

This thesis deals with optical flow estimation. It was made in a multidisciplinary context. In fact, this work is the resolution of a fundamental problem in the image processing area (optical flow) by using scientific computing methods (parallel algorithms) to solve an experimental application from fluids mechanics area (Partical Image Velocimetry). The optical flow is defined as the vector field discribing the apprent motion between two successive images. It is an important source of information, so that, it is used in different kind of applications. We propose here to apply some image processing tools to particle image velocimetry (PIV). After a brief evaluation of the local and global regularization of vector field used for optical flow estimation, we consider the CLG method of Bruhn et al. [2005b] which proposes to combine these two kinds of regularizations. We first study the implementation of the warping in the large displacement contest and we justify it in our modified CLG (MCLG) approach. We describe then two solvers. The first uses variational approaches to derive a bloc Picard-SOR solver only employing local linearisations. We also described a color labelling scheme allowing the parallelisation of this solver. The second approach rely on a variable splitting technique which introduces an auxiliary variable in the considered model and to split the problem into two sub-problems easier to solve. This method only involve independent operations, its parallelisation is then simple. A full evaluation of the developped algorithms is presented. We give particular attention to their parallel properties on different architectures (multicore CPU and GPU). We then study their precision using some classical image proccessing datas and also PIV datas.Cette thèse s'inscrit dans le sillage des nombreuses recherches menées autour du problème d'estimation du flot optique. Elle se distingue par le fait d'avoir été menée dans un cadre pluridisciplinaire. Elle traite en effet d'un problème fondamental en traitement d'images (flot optique) auquel ont été appliqué des techniques de calcul scientifique (parallélisation) en visant une application expérimentale de la mécanique des fluides (vélocimétrie par images de particules). Le flot optique désigne le champ de vitesses apparent observé entre deux images successives d'une même scène. Son estimation est un intermédiaire essentiel dans de très nombreuses applications et nous proposons d'appliquer des techniques venant de la communauté de la vision par ordinateur à la vélocimétrie par images de particules (PIV). À la suite d'une évaluation préliminaire des approches classiques d'estimation du flot optique employant une régularisation soit locale soit globale du champ de vecteurs, nous décidons de considérer l'approche CLG de Bruhn et al. [2005b] qui propose de combiner les régularisations locale et globale. Nous étudions dans un premier temps la mise en œuvre du "warping" dans CLG puis nous le justifions dans notre approche baptisée "modified CLG" (MCLG). Nous décrivons ensuite deux méthodes de résolution. La première repose sur une approche par calcul variationnel et permet le développement d'un solveur de type Picard-SOR par bloc employant uniquement des linéarisations locales. Ce solveur est parallélisé par une technique de "color labelling". La deuxième méthode est une approche par "variable splitting" qui repose sur le fait d'introduire une seconde variable dans le modèle ce qui permet de le séparer en sous problèmes plus faciles à résoudre. Les solveurs intermédiaires employés dans cette techniques se composent d'opérations décorrélées, se qui facilite leur parallélisation. Une évaluation complète des différentes méthodes mises en œuvre au cours de ces travaux est présentée. On s'intéresse particulièrement au parallélisme des algorithmes développés, et cela sur différentes architectures (CPU multi-cœurs et GPU). On mesure également leur précison à l'aide de séquences classiques de traitement d'images mais aussi à l'aide d'images de PIV. On montre ainsi l'efficacité de la parallélisation de ces algorithmes (aussi bien sur CPU que sur GPU) et on prouve également l'interrés de considérer une approche CLG en PIV