En stéréovision binoculaire passive, on distingue généralement deux approches: la stéréovision latérale et la stéréovision axiale. Nous présentons ici une étude portant plus particulièrement sur la stéréovision axiale. Les systèmes axiaux ont été étudiés par de nombreuses équipes de recherche, en raison de leur relative simplicité géométrique qui les rend intéressants pour des applications industrielles, en simplifiant la phase de mise en correspondance. Parmi les systèmes optiques étudiés antérieurement et pouvant être axiaux, nous trouvons: - une caméra munie d'un zoom, - une caméra se déplaçant le long de son axe optique. Dans cet article, nous présentons tout d'abord le modèle géométrique d'un système de stéréovision axiale. Puis nous décrivons une méthode robuste de calibrage d'un tel système de stéréovision. Cette méthode prend en compte le fait que les systèmes optiques décrits ci-dessus ne sont pas strictement des systèmes axiaux: en effet, il subsiste toujours des problèmes mécaniques ne permettant pas un mouvement parfait du centre optique le long de l'axe optique. En conclusion, nous présentons un algorithme d'appariement permettant de mettre en correspondance des points caractéristiques présents dans les images et rendant ainsi possible la reconstruction d'objets non polyédriques...

Beaucoup d'efforts de recherche en imagerie 3D médicale ont été dirigés vers la définition d'outils de traitement et de visualisation efficaces et rapides. Des résultats très encourageants sont disponibles aujourd'hui pour améliorer l'accès et l'utilisation médicale du contenu des images. Notre objectif dans ce papier est d'étendre le champ d'utilisation des méthodes de fusion de données à des fins d'applications précises (radiothérapie, chirurgie de l'epilepsie, neurochirurgie conventionnelle, etc.). L'amélioration de l'utilisation des données 3D passe par un effort de recherche plus poussé dans le domaine de la fusion de données. Cela concerne notamment la comparaison d'informations multi-capteurs (fusion multi-modalités, fusion d'informations anatomo-fonctionnelles,...), la fusion d'informations multi-patients ou venant de connaissances a priori (modèles) et enfin la reconnaissance de structures anatomiques complexes et leur identification symbolique, lorsqu'elles ne sont pas explicitement décrites par le contenu des images. Le problème de la fusion de données peut se traduire sous la forme i) d'une fusion de données multi-capteurs d'informations anatomiques et/ou fonctionnelles et ii) d'une fusion de données multi-individus qui, circonscrits au domaine cérébral, passe par l'utilisation de modèles d'anamorphose. Ces deux aspects mis bout à bout forment la trame méthodologique nécessaire à la modélisation anatomique des structures cérébrales. C'est dans ce cadre que se situent les travaux présentés dans ce papier. Le problème de fusion de données est abordé à la fois sous l'angle de la combinaison d'images et/ou de données génériques: problème du recalage multi-modalités et de la mise en correspondance de données entre individus (modèles de déformation appliqués au cerveau humain), sous l'angle de l'identification de structures anatomiques présentes sur les images (segmentation et étiquetage semantique) et enfin sous l'angle de la visualisation 3D des différentes informations. Des perspectives seront données pour ce qui concerne le lien entre ces procédures de fusion numériques et leurs compléments symboliques (bases de données et de connaissances)...