Line Scratch Detection in Films and Video Inpainting of Complex Scenes

178 Pages·2016·24.58 MB·English

by  Alasdair Newson

On Video Completion: Line Scratch Detection in Films
and Video Inpainting of Complex Scenes
Alasdair Newson
To cite this version:
Alasdair Newson. On Video Completion: Line Scratch Detection in Films and Video Inpainting of
Complex Scenes. Image Processing [eess.IV]. Telecom ParisTech, 2014. English. ￿NNT: ￿. ￿tel-
01136253￿
HAL Id: tel-01136253
https://theses.hal.science/tel-01136253
Submitted on 26 Mar 2015
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
EDITE-ED130 2014-ENST-0006
THÈSE
pour obtenir le grade de docteur délivré par
Télécom ParisTech
Spécialité : Signal et Images
Présentée et soutenue publiquement par
Alasdair NEWSON
le 24 Mars 2014
Sur la restauration et l’édition de
vidéo : détection de rayures et
inpainting de scènes complexes
Jury :
M. Lionel MOISAN, UniversitéParisDescartes Président
T
M. Anil KOKARAM, Google Rapporteur
M. Simon MASNOU, UniversitédeLyon Rapporteur
H
M. Guillermo SAPIRO, DukeUniversity Rapporteur
È
Mme Aurélie BUGEAU, UniversitédeBordeaux Examinatrice
M. Andrés ALMANSA, CNRS,TélécomParisTech Directeur S
M. Yann GOUSSEAU, TélécomParisTech Directeur
M. Patrick PEREZ, Technicolor Directeur E
TELECOM ParisTech
Écoledel’InstitutMines-Télécom-MembredeParisTech
46rueBarrault75013Paris-([phone]-www.telecom-paristech.fr
2
Table des matières
Tabledesmatières 3
1 Résumédelathèse 7
1.1 Détectionderayures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Étatdel’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Algorithmededétectionproposé . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Filtragetemporeldedétectionsderayures . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Travauxprécédents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Représentationspatio-temporeldesrayures . . . . . . . . . . . . . . . . 12
1.2.3 Algorithmeproposédefiltragetemporel . . . . . . . . . . . . . . . . . . 13
1.2.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Remplissagedevidéos-“Inpainting”vidéo . . . . . . . . . . . . . . . . . . . . 15
1.3.1 Etatdel’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Algorithmed’inpaintingproposé . . . . . . . . . . . . . . . . . . . . . . 18
1.3.3 Recherchedesplusprochesvoisins . . . . . . . . . . . . . . . . . . . . 18
1.3.4 Lestextures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.5 Inpaintingvidéoaveccaméramobile . . . . . . . . . . . . . . . . . . . 21
1.3.6 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Introduction 25
2.1 Detectinglinescratchesinfilms . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Linescratchdetectioninsingleframes . . . . . . . . . . . . . . . . . . . 26
2.1.2 Temporalfilteringoflinescratches. . . . . . . . . . . . . . . . . . . . . 26
2.2 Videoinpainting. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Maincontributionsofthethesis . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Websitespertainingtotheworkinthisthesis. . . . . . . . . . . . . . . . . . . . 29
I DetectionofLineScratchesinFilms 31
3 SpatialLineScratchDetection 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.1.1 Aglossaryoffilmdefects . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Relatedwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Detectinglinesinimages . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3
4 TABLEDESMATIÈRES
3.3 ProposedAlgorithmforDetectingLineScratchesinStillFrames . . . . . . . . . 41
3.3.1 Pixel-wisedetectioncriteria . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Firstapproachtoscratchpointgrouping:theHoughtransform . . . . . . 43
3.3.3 Acontrariolinesegmentdetection . . . . . . . . . . . . . . . . . . . . . 45
3.3.4 Maximalityandexclusion . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.5 Algorithmspeed-upandminimumscratchlength . . . . . . . . . . . . . 50
3.4 Visualresultsanddiscussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5 Conclusiononthespatiallinescratchdetectionalgorithm . . . . . . . . . . . . . 56
4 TemporalLineScratchDetection 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Priorwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 Distinguishingbetweentruescratchesandfalsedetections . . . . . . . . . . . . 61
4.3.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4 Firstapproach:determininggenericscratchdetectiontrajectories . . . . . . . . 62
4.4.1 Scratchmotionmodel . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4.2 Firsttrackingapproach:iterativefilters . . . . . . . . . . . . . . . . . . 64
4.4.3 Secondtrackingapproach:agraph-basedapproach . . . . . . . . . . . . 66
4.5 Proposedapproach:determiningthetrajectoriesoffalsealarms . . . . . . . . . 70
4.5.1 Globalscenemotionestimation . . . . . . . . . . . . . . . . . . . . . . 71
4.5.2 Clusteringverticaltrajectories . . . . . . . . . . . . . . . . . . . . . . . 72
4.5.3 Rejectionoffalsealarms . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.5.4 Furtherfilteringcriteria . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.6 Visualresultsofthetemporalfilteringalgorithm,anddiscussion. . . . . . . . . . 74
4.7 Conclusionanddiscussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5 Evaluationoflinescratchdetection 79
5.1 Quantitativeevaluationoflinescratches . . . . . . . . . . . . . . . . . . . . . . 79
5.1.1 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1.3 F1-score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.4 Algorithmparameters . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.5 Robustnesstonoiseandtexture . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Futurework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
II VideoInpainting 87
6 Videoinpainting 89
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.2 State-of-the-art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.2.1 ImageInpainting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.2.2 Videoinpainting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.2.3 Texturesinvideos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3 Choosingthebestapproachtovideoinpainting . . . . . . . . . . . . . . . . . . 106
6.4 Inpaintingenergies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.4.1 LinkbetweentheformulationofAriasetal.andShiftMaps . . . . . . . 108
TABLEDESMATIÈRES 5
6.4.2 Optimalityquestions:atoybinaryinpaintingsetting . . . . . . . . . . . 110
6.5 Proposedvideoinpaintingalgorithm . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5.1 Mimizinganon-localpatch-basedfunctional . . . . . . . . . . . . . . . 118
6.5.2 ApproximateNearestNeighboursearch . . . . . . . . . . . . . . . . . . 119
6.5.3 Videoreconstruction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.5.4 Dealingwithtexturesinvideos. . . . . . . . . . . . . . . . . . . . . . . 123
6.5.5 Inpaintingwithmobilebackground . . . . . . . . . . . . . . . . . . . . 126
6.5.6 Initialisationofthesolution . . . . . . . . . . . . . . . . . . . . . . . . 128
6.5.7 Otherimportantalgorithmicdetails . . . . . . . . . . . . . . . . . . . . 129
6.5.8 Experimentalresults . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.6 Discussiononvideoinpainting . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.6.1 JustificationoftheuseofPatchMatch . . . . . . . . . . . . . . . . . . . 133
6.6.2 Whyaretexturesdifficulttohandle? . . . . . . . . . . . . . . . . . . . 136
6.6.3 Thenon-localpatch-basedvariationalapproachversusshiftmaps . . . . 140
6.7 Conclusionandfurtherwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.7.1 Furtherwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7 Restoringlinescratches 143
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.2 Priorwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.3 Conclusionsonpriorwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.4 OpticalFlowbasedrestoration:asimpleapproach . . . . . . . . . . . . . . . . 145
7.5 Visualcomparisonofrestorationmethods . . . . . . . . . . . . . . . . . . . . . 148
7.6 Conclusiononscratchrestoration . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8 Conclusion 153
8.1 Furtherwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A Motionestimation 157
A.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
A.2 Densedifferentialmethods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
A.3 Multi-resolutionestimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
A.4 Blockmatching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
A.5 Parametricmotionmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
B Proofofthecriticalocclusionsizeforbinaryinpaintingconvergence 163
B.1 Criticalocclusionsize,withoutfixedbordervalues . . . . . . . . . . . . . . . . 164
B.2 Takingintoaccountfixedbordervalues . . . . . . . . . . . . . . . . . . . . . . 165
B.3 Criticalocclusionsize,takingintoaccountfixedbordervalues . . . . . . . . . . 167
B.4 Finalresult . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Bibliographie 169
6 TABLEDESMATIÈRES
Acknowledgements
First of all, I would like to express my sincere gratitude to my supervisors, Andrés Almansa,
Yann Gousseau and Patrick Pérez. Anyone who has worked with them, or known them for any
otherreason,cangiveyouanextensivelistoftheirnumerousqualities.Iwillnottrytoimproveon
theotherpraiseswhichhavebeenwrittenaboutthem,butIwillmentionsomethingswhichhave
leftanimpression.Firstly,theirrigourinallthingsprofessional.PhDstudentsalwayshaveawide
variety of different concerns, but during this thesis I was never once worried about the quality of
theworkthatwepublishedtogether:ifitpassedmysupervisors’inspectionthenIknewthatthe
rest was out of our hands. For this, I am extremely grateful. I found out that the acquisition of
scientific and professional rigour is a long and difficult process, and it is due to my supervisors’
efforts that I have at least started on that road. Secondly, even if this has been said many times
over, I must at least mention their personal qualities such as great kindness, understanding and
intellectual curiosity about life in general, which made working with them a genuine pleasure.
Thankyou.
My thanks also to the referees and examiners of my thesis who were so enthusiastic and
interestedindiscussingthiswork.
IwouldliketotakethischancetothankMarcJägerwhofirstintroducedmetoimageproces-
singwhileIwasattheTechnischeUniversitätBerlinduringanacademicexchangeprogram.His
lessonswereengaging,clearandgaveme(forthefirsttime)averyclearideaofwhatareaIwould
liketoworkin.
My thanks go to all my colleagues at Technicolor with whom I spent these past three (and a
half)years.Inparticular,Iwouldliketothankmyco-authorMatthieuFradetwhosupervisedme
during my internship, and who absolutely always gave me his time if I needed anything. Also, a
specialthankstoCedricwhobasicallyprovidedmewithallIneededforasociallifeinRennes.I
wouldalsoliketothankTechnicoloringeneral,forallowingmetopursuemyresearchwithsuch
freedom.Partsofthisworkrequiredseveralmonthsofeffortwithverylittletoshowforit,andthe
finalresultswouldnothavebeenachievedwithoutthepossibilitytomakemistakes.
Thanks to my friends in Rennes and Paris who were constantly asking how everything was
going. In particular, I would like to thank Quang who helped me (on a weekend) with my first
published paper. Thanks also to my friends from Acigné rugby club who always gave me a pers-
pective on life which was completely removed from any PhD-based considerations. This is an
essential element in the life of any PhD student, and was invaluable for me on numerous occa-
sions. Finally, my thanks to Benoît and Morgane who helped me on innumerable occasions for
everythingfrommovingtomendingabike.
ThankyoutoallmycolleaguesatTélécomParisTech,alargenumberofwhichhavebecome
closefriends.Therearefartoomanytoname,butImustsayaspecialthankstomyfriendsatthe
“BureauCool”(Baptiste,Cecilia,Guillaume,ThierryandYann).Muchoftheworkinthisthesis
is influenced by discussions I had with them. Work aside, I discovered many wondrous things
whichIwasnotfamiliarwithbefore(orsometimes,neversuspectedtheexistenceof)suchasLes
Gladines, chez Michel, le jazz, la “Théorie Variationnelle du kouign-amann” and the Uruguayan
ImageProcessingMafia.Mythanksformakingtheseyearsfulloflaughter.
Finally, my thanks to Lanwenn, who I had the luck to meet at the very beginning of this
journey. I do not think that I know of anyone who has a greater natural talent for being kind to
others, which is a rare trait indeed, and one which helped me throughout my PhD. Without her
support and presence, many of the difficult times would have been impossible and the best of
timeswouldhavebeenlessbright.Trugarebrazlogodennig.
Chapitre 1
Résumé de la thèse
Cettethèseabordedeuxproblèmesdansladomainedelarestaurationdesimagesetvidéos.Le
premierestladétectionderayuresdanslesvieuxfilms.Lesrayuressontdesdéfautsquisontdûs
à des frottements mécaniques d’objets avec le film physique et qui se manifestent par des lignes
verticalessurlavidéo.Ledeuxièmeproblèmeestceluiduremplissageautomatiqued’unerégion
manquantedansunevidéo,ou“inpaintingvidéo”enanglais.
1.1 Détection de rayures
Les rayures sont produites lorsqu’un objet est en contacte physique avec le film. Les rayures
seprésententcommedeslignesfines,approximativementdroitesetverticales.
1.1.1 Étatdel’art
LepremiertravailconcernantladétectionetlarestaurationderayuresaétéfaitparKokaram
[76].Cepapierconsidèreunprofilhorizontalderayuresenformedesinuscardinal:
(a)Originalframe (b)Binarydetectionimage
FIGURE 1.1: Détection préliminaire pixel-par-pixel de la séquence “Les Choses de la Vie”. Les
pixelsblancssontdétectés,etlespixelsnoirsnelesontpas.
7
8 CHAPITRE1. RÉSUMÉDELATHÈSE
3π x (m y+c )
Lp(x,y) = bpkp|x−(mpy+cp)|cos( | − p p |). (1.1)
2ω
p
Cela est justifié par la diffraction de la lumière qui passe par la rayure. Kokaram utilise un
pré-filtrage des candidats aux rayures par la transformée de Hough, et valide ces candidats avec
uneestimationBayesiennedesparamètresdesrayures.Certainsaspectsdecetravailontétérepris
parBrunietal.[26].
1.1.2 Algorithmededétectionproposé
Dansl’algorithmequenousavonsdéveloppépourladétectionderayures,nousvoulionsadres-
serdeuxproblèmesessentiellement:
— Deshypothèsestropfortessurlaformedesrayuress
— Desfaussesdétectionsduesaubruitetau“clutter”(fouilli)
Noussouhaitonségalementavoirunedétectionlaplusprécisepossible.
Critèrededétectionpixelparpixel
Nous utilisons deux critères de détection pixel par pixel. Le premier est inspiré par le travail
deKokaram[76].
c (x,y) : I (x,y) I (x,y) s (1.2)
1 g m med
| − | ≥
c (x,y) : I (x,y) I (x,y) s . (1.3)
2 l r avg
| − | ≤
où,s ets sontdesseuilssurleniveaudegris.
med avg
DéfinissonslacartededétectionI : N2 0,1 quiindiquesiunpixelestdétectéounon:
B
→ { }
1 si c (x,y) et c (x,y)
I (x,y) = 1 2 (1.4)
B
0 sinon
(cid:26)
OnpeutvoirunexempledelacartededétectiondanslaFigure1.1.
Nouspouvonsvoirquelesrayuresapparaissentcommedessegmentsvisuellementsignificatifs
danslacartededétectionI .Onvoitqu’ilexisteégalementdenombreusesfaussesdétectionsdues
B
aubruitetaugraindefilm.Sil’onrestauraittouslespixelsindiquésparI ,onrestaureraitbeau-
B
coupd’informationnon-dégradée.Unêtrehumainpourraitindiquerrelativementfacilementquels
pixels détectés appartiennent à des segments significatifs, en revanche cette tâche est beaucoup
plus compliqué à faire de manière automatique. Pour cela, nous avons plusieurs outils possibles,
dontlamorphologiemathématiqueetlatransforméedeHough.Malheureusement,cesapproches
dépendent de plusieurs paramètres qui doivent être réglés manuellement pour chaque nouvelle
séquence. Un autre ensemble de méthodes appelées méthodes “a contrario” ont l’avantage d’être
trèsrobustesetsurtoutdepermettreunréglageuniformedesparamètres.
Nousnoussommestournésverscesméthodespourlegroupementdessegmentsderayures.
Algorithmededétectionproposé
La méthodologie a contrario est une approche statistique qui permet de détecter des objets
visuels dans les images. Plus précisément, un objet est détecté s’il a une faible chance d’être
produit par un modèle de fond (ou modèle de bruit) que l’utilisateur de la méthode doit préciser.
1.1. DÉTECTIONDERAYURES 9
Decepointdevuel’acontrarioestuneméthodologieplutôtqu’unalgorithme:ilfautspécifierle
modèledefondquiconvientauproblèmededétectionconsidéré.
Nous présentons d’abord l’approche dans le cas de la détection de gradients alignés dans les
imagesproposédans[45],cequiestunesituationrelativementprochedeladétectiondesegments
derayures.
Groupement de segments Le but ici est de détecter des segments de gradients alignés, qui
correspondent de manière générale à des contours ou à des lignes dans les images. L’approche
proposée dans [45] consiste premièrement à discrétiser les directions de gradient dans l’image
avecuneprécisiondepπ radians,avecp [0,1].Lemodèledefond,danscecas,serauneimage
∈
où les directions du gradient sont distribuées de manière uniforme sur [0,π]. Cela correspond à
plusieurs configurations d’image où l’on ne voudrait pas détecter de lignes : un bruit blanc, une
zoned’intensitéhomogèneetcertaintypesdetexture.
Une fois ce modèle posé, l’approche consiste à tester les différents segments de l’image afin
desavoirsiellessontconformesàcequelemodèledefondpourraitproduire.Cette“conformité”
estdéfiniàl’aidedunombredefaussesalarmes(NFA)dusegment.Lenombredefaussesalarmes
est le nombre de fois en moyenne qu’un tel segment aurait pu être produit par notre modèle de
fond.
Notreobjectifestlesuivant.Etantdonnéunsegmentobservé,nousvoulonscalculerlaproba-
bilitéqu’unsegmentaumoinsaussiremarquableaitpuêtreproduitparlemodèledefond.Sousle
modèledefond,unevariablealéatoireX estassociéeàchaquepixeldanslemodèledefond.Ces
i
variables aléatoires sont distribuées de manière indépendante et identique selon une loi de Ber-
nouilli, de paramètre p. Autrement dit, chaque pixel est “aligné” ou non. Définissons également
S = X + +X , le nombre de points alignés dans le modèle de bruit. Considérons mainte-
l 1 l
···
nantunsegmentobservé dansl’image,detaillel etayantk pixelsalignés.Laprobabilitéquele
0
modèle de fond produise un segment au moins aussi remarquable que celui observé suit une loi
Binomiale:
l
Pr(S k ) = pk(1 p)l k =: B(p;k ,l). (1.5)
l 0 − 0
≥ −
kX=k0
Si cette probabilité est petite, alors le segment observé est intéressant à détecter. Sinon, on
considère qu’il aurait pu être produit par le modèle de fond est qu’il n’est pas intéressant. Ce-
pendant, on ne peut pas valider le segment en considérant Pr(S k ) seulement : même un
l 0
≥
segment très peu probable peut être produit si l’on teste assez de segments. Afin d’obtenir une
bornesurlenombrededétectionsmoyenproduitlorsquetouslessegmentspossiblesdansl’image
sontconsidérés,ondéfinit:
NFA(l,k ) = N B(p,k ,l), (1.6)
0 tests 0
oùN estlenombredesegmentstestés.UnsegmentestvalidésisonNFAestpluspetitqu’un
tests
seuil ε qui est fixé en fonction du nombre moyen de fausses alarmes qu’on accepte lors de la
détection. Un segment dont le NFA est plus petit que ε est appelé ε-significatif. Lorsque ε = 1,
commeestsouventlecasdanslalitérature,onditsimplementquelesegmentestsignificatif.
Commeditprécédemment,l’algorithmeconsisteàtestertouslessegmentsdansl’imageetles
accepterounonselonl’équation(1.6).Cetteapprochesouffrededeuxinconvénientsmajeurs:
— elleestassezlente(lenombredesegmentsàtesteresttrèsgrand!);