RAW (format d'image)

Résumé

thumb|Fonctionnement de la matrice de Bayer. Raw est la désignation générique d'un type de fichier d' issues d’appareils photo numériques ou de scanners. Un fichier Raw contient les données brutes du capteur et les paramètres nécessaires à la transformation en fichier image visible sur écran. Le fichier est plus volumineux que celui au format JPEG, servant le plus souvent à la communication des images, mais il n'a pas subi de transformations irréversibles, ce qui permet de retravailler sans dommage. Les données brutes dépendent du capteur photographique et des circuits associés. Chaque constructeur adapte le format de données au matériel qu'il produit. Il en existe plusieurs dizaines, articulés souvent autour du format /EP et, pour les métadonnées, d'EXIF. Étymologie et caractéristiques des fichiers Ce terme provient de l'anglais « raw » qui signifie « brut » : « brut de capteur ». Le fichier contient les données enregistrées par le capteur et les métadonnées qui perme

Source officielle

https://fr.wikipedia.org/wiki/RAW_(format_d'image)

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (31)

Publications associées

Chargement

Personnes associées (3)

Personnes associées

Chargement

Unités associées (2)

Unités associées

Chargement

Concepts associés (36)

Concepts associés

Chargement

Cours associés (9)

Cours associés

Chargement

Séances de cours associées (10)

Afficher plus

Séances de cours associées

Chargement

{W}e compare four local feature extraction techniques for the task of face verification, namely (ordered in terms of complexity): raw pixels, raw pixels with mean removal, 2D Discrete Cosine Transform (DCT) and local Principal Component Analysis (PCA). The comparison is performed in terms of discrimination ability and robustness to illumination changes. We also evaluate the effectiveness of several approaches to modifying standard feature extraction methods in order to increase performance and robustness to illumination changes. Results on the XM2VTS database suggest that when using a Gaussian Mixture Model (GMM) based classifier, the raw pixel technique provides poor discrimination and is easily affected by illumination changes; the mean removed raw pixel technique provides performance that is fairly close to 2D DCT and local PCA, but is considerably affected by illumination changes. The performance of 2D DCT and local PCA techniques is quite similar, suggesting that the 2D DCT technique is to be preferred over the local PCA technique, due to the lower complexity of the 2D DCT. Both 2D DCT and local PCA techniques are considerably more robust to illumination changes compared to the raw pixel techniques. Modifying the 2D DCT and local PCA techniques by removing the first coefficient, which is deemed to be the most affected by illumination changes, clearly enhances robustness; removing more than the first coefficient causes a noticeable reduction in performance on clean images and provides no further gains in robustness. Compared to just throwing out the first coefficient, the use of deltas can achieve a small increase in performance and robustness. Lastly, we suggest that it is more appropriate to use analysis blocks of size 8x8 (as opposed to 16x16) with 2D DCT decomposition; out of the 64 resulting coefficients, the second through to 21-st (resulting in 20 dimensional feature vectors) are the most robust to illumination changes while providing good discriminatory information.

IDIAP2004

Chargement

DiffuserCam Project

William Cappelletti, Matteo Pariset, Jonathan Philippe Reymond

We test the reconstruction power of a lensless cam- era on a custom dataset. We define a linear inverse problem on the raw image, based on a PSF estimation of the the sensing device and the actual captures. We implement various regularizations to enforce some priors on the reconstructed images and optimize their parameters against some data fidelity scores. Finally we discuss the results, highlighting strengths and drawback of signal processing techniques.

2021

Chargement

, ,

We present a new algorithm that performs demosaicing and super-resolution jointly from a set of raw images sampled with a color filter array. Such a combined approach allows us to compute the alignment parameters between the images on the raw camera data before interpolation artifacts are introduced. After image registration, a high resolution color image is reconstructed at once using the full set of images. For this, we use normalized convolution, an image interpolation method from a nonuniform set of samples. Our algorithm is tested and compared to other approaches in simulations and practical experiments.

2007

Chargement

IDIAP2004