Karen Brady

Former PhD Student

Contact :

Last publications in Ariana Research Group :

Models of the Unimodal and Multimodal Statistics of Adaptive Wavelet Packet Coefficients. R. Cossu and I. H. Jermyn and K. Brady and J. Zerubia. Research Report 5122, INRIA, France, February 2004. Keywords : Wavelet packet, Texture. @TECHREPORT{5122, author = {Cossu, R. and Jermyn, I. H. and Brady, K. and Zerubia, J.}, title = {Models of the Unimodal and Multimodal Statistics of Adaptive Wavelet Packet Coefficients}, year = {2004}, month = {February}, institution = {INRIA}, type = {Research Report}, number = {5122}, address = {France}, url = {https://hal.inria.fr/inria-00071461}, pdf = {https://hal.inria.fr/file/index/docid/71461/filename/RR-5122.pdf}, ps = {https://hal.inria.fr/docs/00/07/14/61/PS/RR-5122.ps}, keyword = {Wavelet packet, Texture} } Résumé : De récents travaux ont montré que bien que les histogrammes de sous-bandes pour les coefficients d'ondelettes standards ont une forme de gaussienne généralisée, ce n'est plus vrai pour les bases de paquets d'ondelettes adaptés à une certaine texture. Trois types de statistiques sont alors observés pour les sous-bandes: gaussienne, gaussienne generalisée et dans certaines sous-bandes des histogrammes multimodaux sans mode en zéro. Dans ce rapport, nous démontrons que ces sous-bandes sont étroitement liées à la structure de la texture et sont ainsi primordiales dans les applications dans lesquelles la texture joue un rôle important. Fort de ces observations, nous étendons l'approche de modélisation de textures proposée par en incluant ces sous-bandes. Nous modifions l'hypothèse gaussienne pour inclure les gaussiennes généralisées et les mixtures de gaussiennes contraintes. Nous utilisons une méthodologie bayésienne, définissant des estimateurs MAP pour la base adaptative, pour la sélection du modèle de la sous-bande et pour les paramètres de ce modèle. Les résultats confirment l'efficacité de la méthode proposée et soulignent l'importance des sous-bandes multimodales pour la discrimination et la modélisation de textures. Abstract : In recent work, it was noted that although the subband histograms for standard wavelet coefficients take on a generalized Gaussian form, this is no longer true for wavelet packet bases adapted to a given texture. Instead, three types of subband statistics are observed: Gaussian, generalized Gaussian, and most interestingly, in some subbands, multimodal histograms with no mode at zero. As will be demonstrated in this report, these latter subbands are closely linked to the structure of the texture, and are thus likely to be important for many applications in which texture plays a role. Motivated by these observations, we extend the approach to texture modelling proposed by to include these subbands. We relax the Gaussian assumption to include generalized Gaussians and constrained Gaussian mixtures. We use a Bayesian methodology, finding MAP estimates for the adaptive basis, for subband model selection, and for subband model parameters. Results confirm the effectiveness of the proposed approach, and highlight the importance of multimodal subbands for texture discrimination and modelling. Texture Analysis: An Adaptive Probabilistic Approach. K. Brady and I. H. Jermyn and J. Zerubia. In Proc. IEEE International Conference on Image Processing (ICIP), Barcelona, Spain, September 2003. Keywords : Adaptive, Wavelet packet, Statistics, Texture. @INPROCEEDINGS{Brady03, author = {Brady, K. and Jermyn, I. H. and Zerubia, J.}, title = {Texture Analysis: An Adaptive Probabilistic Approach}, year = {2003}, month = {September}, booktitle = {Proc. IEEE International Conference on Image Processing (ICIP)}, address = {Barcelona, Spain}, pdf = {http://www-sop.inria.fr/members/Ian.Jermyn/publications/Brady03icip.pdf}, keyword = {Adaptive, Wavelet packet, Statistics, Texture} } Abstract : Two main issues arise when working in the area of texture segmentation: the need to describe the texture accurately by capturing its underlying structure, and the need to perform analyses on the boundaries of textures. Herein, we tackle these problems within a consistent probabilistic framework. Starting from a probability distribution on the space of infinite images, we generate a distribution on arbitrary finite regions by marginalization. For a Gaussian distribution, the computational requirement of diagonalization and the modelling requirement of adaptivity together lead naturally to adaptive wavelet packet models that capture the ‘significant amplitude features’ in the Fourier domain. Undecimated versions of the wavelet packet transform are used to diagonalize the Gaussian distribution efficiently, albeit approximately. We describe the implementation and application of this approach and present results obtained on several Brodatz texture mosaics. A Probabilistic Framework for Adaptive Texture Description. K. Brady and I. H. Jermyn and J. Zerubia. Research Report 4920, INRIA, France, September 2003. Keywords : Segmentation, Texture, Wavelet packet. @TECHREPORT{4920, author = {Brady, K. and Jermyn, I. H. and Zerubia, J.}, title = {A Probabilistic Framework for Adaptive Texture Description}, year = {2003}, month = {September}, institution = {INRIA}, type = {Research Report}, number = {4920}, address = {France}, url = {https://hal.inria.fr/inria-00071659}, pdf = {https://hal.inria.fr/file/index/docid/71659/filename/RR-4920.pdf}, ps = {https://hal.inria.fr/docs/00/07/16/59/PS/RR-4920.ps}, keyword = {Segmentation, Texture, Wavelet packet} } Résumé : Ce rapport présente le développement d'un nouveau cadre probabiliste cohérent pour la description adaptative de texture. En partant d'une distribution de probabilité sur un espace d'images infinies, nous générons une distribution sur des régions finies par marginalisation. Pour une distribution gaussienne, les contraintes de calcul imposées par la diagonalisation nous conduisent naturellement à des modèles utilisant des paquets d'ondelettes adaptatifs. Ces modèles reflètent les principales périodicités présentes dans les textures et permettent également d'avoir des corrélations à longue portée tout en préservant l'indépendance des coefficients des paquets d'ondelettes. Nous avons appliqué notre méthode à la segmentation. Deux types de données figurent dans notre ensemble de test: des mosaïques synthétiques de Brodatz et des images satellitaires haute résolution. Dans le cas des textures synthétiques, nous utilisons la version non-décimée de la transformée en paquets d'ondelettes afin de diagonaliser la distribution gaussienne de manière efficace, bien qu'approximative. Cela nous permet d'effectuer une classification de la mosaique pixel par pixel. Une étape de régularisation est ensuite effectuée afin d'arriver à un résultat de segmentation final plus lisse. Afin d'obtenir les meilleurs résultats possibles dans le cas de données réelles, la moyenne de la distribution est ensuite introduite dans le modèle. L'approximation faite pour la classification des mosaiques de textures synthetiques a été testée sur des images réelles, mais les résultats obtenus n'étaient pas satisfaisants. C'est pourquoi nous avons introduit, pour ce type de données, une technique de classification heuristique basée sur la transformée en paquets d'ondelettes décimée. Les résultats de segmentation sont ensuite régularisés à l'aide de la même méthode que dans le cas synthétique. Nous présentons les résultats pour chaque type de données et concluons par une discussion. Abstract : This report details the development of a probabilistic framework for adaptive texture description. Starting with a probability distribution on the space of infinite images, we generate a distribution on finite regions by marginalisation. For a Gaussian distribution, the computational requirement of diagonalisation leads naturally to adaptive wavelet packet models which capture the principal periodicities present in the textures and allow long-range correlations while preserving the independence of the wavelet packet coefficients. These models are then applied to the task of segmentation. Two data types are included in our test bed: synthetic Brodatz mosaics and high-resolution satellite images. For the case of the synthetic textures, undecimated versions of the wavelet packet transform are used to diagonalise the Gaussian distribution efficiently, albeit approximately. This enables us to perform a pixelwise classification of the mosaics. A regularisation step is then implemented in order to arrive at a smooth final segmentation. In order to obtain the best possible results for the real dataset, the mean of the distribution is included in the model. The approximation made for the classification of the synthetic texture mosaics is tested on the remote sensing images, but it produces unsatisfactory results. Therefore we introduce a heuristic classification technique for this dataset, based on a decimated wavelet packet transform. The resulting segmentation is then regularised using the same method as in the synthetic case. Results are presented for both types of data and a discussion follows.

All publications in Ariana Research Group