M2 TI - Traitement d’images 2016/2017 - Recalage d’images
Modèles d’appariement de points labellisés
Soient xi,yi,1≤i≤n, des points de Rd. On cherche à obtenir une transformation φ:
Rd→Rdtelle que φ(xi) = yipour tout i(appariement exact) ou φ(xi)soit "proche" de yi
(appariement inexact)
Transformations affines
On va minimiser
J(A, b) =
n
X
i=1
kAxi+b−yik2,
où Aest une matrice d×d,bun vecteur de Rdreprésenté par un vecteur colonne (de même
que les xiet yi). On peut utiliser une notation plus compacte : notons x= (x1, . . . , xn)et
y= (y1, . . . , yn)les matrices de taille d×ncorrespondant aux concaténations des vecteurs
colonnes xiet yi, et 1le vecteur ligne de longueur nne contenant que des 1. On a alors
J(A, b) = kAx +b1−yk2,
où la norme sur les matrices est définie comme la racine carrée de la somme des carrés des
coefficients. On peut même aller plus loin en notant M= (A, b)la matrice de taille d×(d+ 1)
obtenue par concaténation de Aet b, et ˜xla matrice de taille (d+1)×nobtenue par concaténation
de xet 1. Alors
J(A, b) = J(M) = kM˜x−yk2.
Calculons la différentielle de J:
dJ(M).N = 2 hM˜x−y , N ˜xi.
Le produit scalaire euclidien entre deux matrices rectangulaires Met Nde même taille vérifie
hM , Ni=tr(MTN).On a donc :
dJ(M).N = 2tr (M˜x−y)TN˜x= 2tr ˜x(M˜x−y)TN= 2 (M˜x−y)˜xT, N,
car tr(MN ) = tr(NM )dès que MN et N M sont bien définies. Le gradient de Jest donc
∇J(M) = 2(M˜x−y)˜xT.
Nous allons montrer que la fonctionnelle Jest convexe, et même strictement convexe hormis
des cas très particuliers. Pour toutes matrices M, N on a :
h∇J(M)− ∇J(N), M −Ni= 2 (M−N)˜x˜xT, M −N
= 2tr(˜x˜xT(M−N)T(M−N))
= 2tr(˜xT(M−N)T(M−N)˜x)
= 2tr(((M−N)˜x)T(M−N)˜x)
= 2 k(M−N)˜xk2≥0.
Ceci montre que Jest convexe. Examinons ensuite le cas d’égalité :
k(M−N)˜xk2= 0 ⇔(M−N)˜x= 0
⇔xi∈Ker(M−N),∀i, 1≤i≤n.