|
Publications of 2000
Result of the query in the list of publications :
5 Articles |
1 - Image segmentation using Markov random field model in fully parallel cellular network architectures. T. Szirányi and J. Zerubia and L. Czúni and D. Geldreich and Z. Kato. Real Time Imaging, 6(3): pages 195-211, June 2000.
@ARTICLE{jz00y,
|
author |
= |
{Szirányi, T. and Zerubia, J. and Czúni, L. and Geldreich, D. and Kato, Z.}, |
title |
= |
{Image segmentation using Markov random field model in fully parallel cellular network architectures}, |
year |
= |
{2000}, |
month |
= |
{June}, |
journal |
= |
{Real Time Imaging}, |
volume |
= |
{6}, |
number |
= |
{3}, |
pages |
= |
{195-211}, |
pdf |
= |
{http://dx.doi.org/10.1006/rtim.1998.0159}, |
keyword |
= |
{} |
} |
Abstract :
Markovian approaches to early vision processes need a huge amount of computing power. These algorithms can usually be implemented on parallel computing structures. Herein, we show that the Markovian labeling approach can be implemented in fully parallel cellular network architectures, using simple functions and data representations. This makes possible to implement our model in parallel imaging VLSI chips.
As an example, we have developed a simplified statistical image segmentation algorithm for the Cellular Neural/Nonlinear Networks Universal Machine (CNN-UM), which is a new image processing tool, containing thousands of cells with analog dynamics, local memories and processing units. The Modified Metropolis Dynamics (MMD) optimization method can be implemented into the raw analog architecture of the CNN-UM. We can introduce the whole pseudo-stochastic segmentation process in the CNN architecture using 8 memories/cell. We use simple arithmetic functions (addition, multiplication), equality-test between neighboring pixels and very simple nonlinear output functions (step, jigsaw). With this architecture, the proposed VLSI CNN chip can execute a pseudo-stochastic relaxation algorithm of about 100 iterations in about 100 μs.
In the suggested solution the segmentation is unsupervised, where a pixel-level statistical estimation model is used. We have tested different monogrid and multigrid architectures.
In our CNN-UM model several complex preprocessing steps can be involved, such as texture-classification or anisotropic diffusion. With these preprocessing steps, our fully parallel cellular system may work as a high-level image segmentation machine, using only simple functions based on the close-neighborhood of a pixel. |
|
2 - A variational model for image classification and restoration. C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. IEEE Trans. Pattern Analysis ans Machine Intelligence, 22(5): pages 460-472, May 2000.
@ARTICLE{cs00,
|
author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
title |
= |
{A variational model for image classification and restoration}, |
year |
= |
{2000}, |
month |
= |
{May}, |
journal |
= |
{IEEE Trans. Pattern Analysis ans Machine Intelligence}, |
volume |
= |
{22}, |
number |
= |
{5}, |
pages |
= |
{460-472}, |
pdf |
= |
{http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=857003}, |
keyword |
= |
{} |
} |
|
3 - A Level Set Model for Image Classification. C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. International Journal of Computer Vision, 40(3): pages 187-198, 2000.
@ARTICLE{cs00b,
|
author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
title |
= |
{A Level Set Model for Image Classification}, |
year |
= |
{2000}, |
journal |
= |
{International Journal of Computer Vision}, |
volume |
= |
{40}, |
number |
= |
{3}, |
pages |
= |
{187-198}, |
url |
= |
{http://link.springer.com/article/10.1023%2FA%3A1008183109594}, |
keyword |
= |
{} |
} |
|
4 - Mise en correspondance et recalage de graphes~: application aux réseaux routiers extraits d'un couple carte/image. C. Hivernat and X. Descombes and S. Randriamasy and J. Zerubia. Traitement du Signal, 17(1): pages 21-32, 2000.
@ARTICLE{xd00,
|
author |
= |
{Hivernat, C. and Descombes, X. and Randriamasy, S. and Zerubia, J.}, |
title |
= |
{Mise en correspondance et recalage de graphes~: application aux réseaux routiers extraits d'un couple carte/image}, |
year |
= |
{2000}, |
journal |
= |
{Traitement du Signal}, |
volume |
= |
{17}, |
number |
= |
{1}, |
pages |
= |
{21-32}, |
url |
= |
{http://documents.irevues.inist.fr/handle/2042/2129}, |
keyword |
= |
{} |
} |
|
5 - Texture analysis through a Markovian modelling and fuzzy classification: Application to urban area Extraction from Satellite Images. A. Lorette and X. Descombes and J. Zerubia. International Journal of Computer Vision, 36(3): pages 221-236, 2000.
@ARTICLE{xd00a,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Texture analysis through a Markovian modelling and fuzzy classification: Application to urban area Extraction from Satellite Images}, |
year |
= |
{2000}, |
journal |
= |
{International Journal of Computer Vision}, |
volume |
= |
{36}, |
number |
= |
{3}, |
pages |
= |
{221-236}, |
url |
= |
{http://dx.doi.org/10.1023/A:1008129103384}, |
pdf |
= |
{http://dx.doi.org/10.1023/A:1008129103384}, |
keyword |
= |
{} |
} |
|
top of the page
2 PhD Thesis and Habilitations |
1 - Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles. C. Samson. PhD Thesis, Universite de Nice Sophia Antipolis, September 2000. Keywords : Classification, Restoration, Level sets, Active contour.
@PHDTHESIS{cs,
|
author |
= |
{Samson, C.}, |
title |
= |
{Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles}, |
year |
= |
{2000}, |
month |
= |
{September}, |
school |
= |
{Universite de Nice Sophia Antipolis}, |
url |
= |
{https://tel.archives-ouvertes.fr/tel-00319709}, |
pdf |
= |
{http://tel.archives-ouvertes.fr/docs/00/31/97/09/PDF/SAMSONthesis.pdf}, |
keyword |
= |
{Classification, Restoration, Level sets, Active contour} |
} |
Résumé :
Ce travail est consacré au développement ainsi qu'à l'implantation de deux modèles variationnels pour la classification d'images. La classification d'images, consistant à attribuer une étiquette à chaque pixel d'une image, concerne de nombreuses applications à partir du moment où cette opération intervient très souvent à la base des chaînes de traitement et d'interprétation d'images. De nombreux modèles de classification ont déjà été développés dans un cadre stochastique ou à travers des approches structurales, mais rarement dans un contexte variationnel qui a déjà montré son efficacité dans divers domaines tels que la reconstruction ou la restauration d'images. Le premier modèle que nous proposons repose sur la minimisation d'une famille de critères dont la suite de solutions converge vers une partition des données composée de classes homogènes séparées par des contours réguliers. Cette approche entre dans le cadre des problèmes à discontinuité libre (it free discontinuity problems) et fait appel à des notions de convergence variationnelle telle que la théorie de la Gamma-convergence. La famille de fonctionnelles que nous proposons de minimiser contient un terme de régularisation, ainsi qu'un terme de classification. Lors de la convergence de cette suite de critères, le modèle change progressivement de comportement en commençant par restaurer l'image avant d'entamer le processus d'étiquetage des pixels. Parallèlement à cette approche, nous avons développé un second modèle de classification mettant en jeu un ensemble de régions et contours actifs. Nous utilisons une approche par ensembles de niveaux pour définir le critère à minimiser, cette approche ayant déjà suscité de nombreux travaux dans le cadre de la segmentation d'images. Chaque classe, et son ensemble de régions et contours associé, est défini à travers une fonction d'ensemble de niveaux. Le critère contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours. Nous aboutissons à la résolution d'un système d'équations aux dérivées partielles couplées et plongées dans un schéma dynamique. L'évolution de chaque région est guidée par un jeu de forces permettant d'obtenir une partition de l'image composée de classes homogènes et dont les frontières sont lisses. Nous avons mené des expériences sur de nombreuses données synthétiques ainsi que sur des images satellitaires SPOT. Nous avons également étendu ces deux modèles au cas de données multispectrales et obtenu des résultats sur des données SPOT XS que nous avons comparé à ceux obtenus par différents modèles. |
Abstract :
This work is devoted to the development and the implementation of variational models for image classification.\ Image classification, which consists in assiging a label to each pixel of a given image, concerns many applications since it is often the basic processing for many image interpretation systems. Many models have been developed within a stochastic framework or using structural approaches, but rarely within a variational framework whose efficiency has largely been proved for a wide variety of problems such as image reconstruction or restoration. The first model we propose herein is based on the minimization of a criterion family whose set of solutions in converging to a partition of the data set composed of homogeneous regions with regularized boundaries. This approach takes place within the context of free boundary problems and we use the Gamma-convergence theory for the theoretical study. The set of functionals we minimize contains a regularization term and a classification one. As the set of functionals is converging, the behavior of the model is progressively changing: the restoration process is vanishing while the labeling one is rising. The second model we propose is based on a set of active regions and contours. We use a level set formulation to define the criterion we want to minimize, this formulation allows a change of topology of the evolving sets. Each class and its associated set of regions and boundaries is defined thanks to a level set function. From the Euler equations, we solve a system of coupled partial differential equations through a dynamical scheme. The evolution of each region is governed by forces constraining the partition to be composed of homogeneous classes with smooth boundaries.\ We have conducted many experiments on both synthetic and real images. We have extended these models to the multispectral case for which the data are a set of images, and we show some results and comparisons on SPOT XS images. |
|
2 - Sur quelques Problèmes Inverses en Traitement d'Image. L. Blanc-Féraud. Habilitation à diriger des Recherches, Universite de Nice Sophia Antipolis, July 2000. Keywords : Partial differential equation, Restoration, Regularization, Gamma Convergence, Variational methods.
@PHDTHESIS{lbf,
|
author |
= |
{Blanc-Féraud, L.}, |
title |
= |
{Sur quelques Problèmes Inverses en Traitement d'Image}, |
year |
= |
{2000}, |
month |
= |
{July}, |
school |
= |
{Universite de Nice Sophia Antipolis}, |
type |
= |
{Habilitation à diriger des Recherches}, |
pdf |
= |
{Theses/hdr-blancf-2000.pdf}, |
keyword |
= |
{Partial differential equation, Restoration, Regularization, Gamma Convergence, Variational methods} |
} |
Résumé :
Après une présentation générale des problèmes inverses mal posés en imagerie, les méthodes de régularisation linéaires puis non linéaires sont présentées. La préservation des discontinuités (contours d'une image) est abordée conjointement selon 3 approches: stochastique, variationnelle et EDP. Des résultats sont montrés sur plusieurs applications dont la restauration d'image optique satellitaire, la reconstruction SPECT 2D et 3D en imagerie médicale, la diffraction inverse en imagerie microonde. Nous faisons ensuite le lien entre régularisation et segmentation dans l'approche variationnelle initialement introduite par Munford et Shah. Deux modèles ont été proposé pour approcher numériquement les discontinuités dans le cadre de la régularisation : par suite de fonctionnelles "Gamma-convergentes" et par ensemble de niveaux. Après avoir considéré l'exemple de la restauration d'image, nous avons aussi développé ces deux approches pour le problème de la classification d'image satelllitaire. Enfin, le problème de l'estimation des paramètres des fonctionnnelles est abordée et une méthode d'estimation stochastique est proposée dans le cadre de la restauration d'image floue en optique satellitaire. mots cles : methodes variationelles, diffusion (EDP), problemes inverses, regularisation, discontinuites, segmentation d'image, fonctionnelle de Mumford et Shah, Gamma-convergence, ensembles de niveaux, contours actifs, estimation de parametres, methodes MCMC, restauration d'image, classification d'image, reconstruction SPECT, diffraction inverse en imagerie micro-onde. |
Abstract :
We first describe ill-posed inverse problems in image processing, linear and nonlinear regularisation methods. Discontinuity preservation (edges of the image) is jointly presented following three approaches : stochastic, variational and by diffusion process (solving PDE's). Results are shown on several applications such as optical satellite image restoration, 2D and 3D SPECT reconstruction in medical images, inverse diffraction in microwavimages. Then we rely regularisation and segmentation problem in the variational approach as introduced by Mumford and Shah. Tow models have been proposed in order to numerically compute discontinuities in such models : by minimizing sequence of functionals which "Gamma-converge", and by using level sets models. After considering the restoration case, we have developped such methods for the problem of supervised image classification. Finally we have considered the parameter estimation problem for such fonctionnals and we describe a stochastic estimation method for the problem of satellite image restoration. Key-words : variational methods, diffusion (PDE), inverse problems, regularisation, discontinuities, image segmentation, Mumford and Shah functional, Gamma-convergence, level set methods, active contours, parameter estimation, MCMC methods, image restoration, supervised image classification, SPECT reconstruction, inverse diffraction in microwave images. |
|
top of the page
10 Conference articles |
1 - Regularisation by convolution in probability density estimation is equivalent to jittering. C. Molina and J. Zerubia. In Proc. IEEE International Workshop on Neural Networks for Signal Processing (NNSP), Sydney, Australie, December 2000.
@INPROCEEDINGS{jz,
|
author |
= |
{Molina, C. and Zerubia, J.}, |
title |
= |
{Regularisation by convolution in probability density estimation is equivalent to jittering}, |
year |
= |
{2000}, |
month |
= |
{December}, |
booktitle |
= |
{Proc. IEEE International Workshop on Neural Networks for Signal Processing (NNSP)}, |
address |
= |
{Sydney, Australie}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=889411}, |
keyword |
= |
{} |
} |
|
2 - Modelling SAR images with a generalisation of the Raylegh distribution. E.E. Kuruoglu and J. Zerubia. In Asilomar Conference, Pacific Grove, USA, October 2000.
@INPROCEEDINGS{jz00w,
|
author |
= |
{Kuruoglu, E.E. and Zerubia, J.}, |
title |
= |
{Modelling SAR images with a generalisation of the Raylegh distribution}, |
year |
= |
{2000}, |
month |
= |
{October}, |
booktitle |
= |
{Asilomar Conference}, |
address |
= |
{Pacific Grove, USA}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=910949}, |
keyword |
= |
{} |
} |
|
3 - Satellite image deconvolution using complex wavelet packets. A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. In Proc. IEEE International Conference on Image Processing (ICIP), Vancouver, Canada, September 2000.
@INPROCEEDINGS{jalo00c,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Satellite image deconvolution using complex wavelet packets}, |
year |
= |
{2000}, |
month |
= |
{September}, |
booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
address |
= |
{Vancouver, Canada}, |
url |
= |
{http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=899579}, |
keyword |
= |
{} |
} |
|
4 - Estimation of adaptive parameters for satellite image deconvolution. A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. In Proc. International Conference on Pattern Recognition (ICPR), Barcelone, Espagne, September 2000.
@INPROCEEDINGS{jalo00d,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Estimation of adaptive parameters for satellite image deconvolution}, |
year |
= |
{2000}, |
month |
= |
{September}, |
booktitle |
= |
{Proc. International Conference on Pattern Recognition (ICPR)}, |
address |
= |
{Barcelone, Espagne}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=903549}, |
keyword |
= |
{} |
} |
|
5 - Deformation of a Cartographic Road Network on a SPOT Satellite Image. G. Rellier and X. Descombes and J. Zerubia. In Proc. IEEE International Conference on Image Processing (ICIP), Vancouver, Canada, September 2000.
@INPROCEEDINGS{rel00a,
|
author |
= |
{Rellier, G. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Deformation of a Cartographic Road Network on a SPOT Satellite Image}, |
year |
= |
{2000}, |
month |
= |
{September}, |
booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
address |
= |
{Vancouver, Canada}, |
url |
= |
{http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=899814}, |
keyword |
= |
{} |
} |
|
6 - Fully unsupervised fuzzy clustering with entropy criterion. A. Lorette and X. Descombes and J. Zerubia. In Proc. International Conference on Pattern Recognition (ICPR), Barcelone, Espagne, September 2000.
@INPROCEEDINGS{xd00c,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Fully unsupervised fuzzy clustering with entropy criterion}, |
year |
= |
{2000}, |
month |
= |
{September}, |
booktitle |
= |
{Proc. International Conference on Pattern Recognition (ICPR)}, |
address |
= |
{Barcelone, Espagne}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=903710}, |
keyword |
= |
{} |
} |
|
7 - Road extraction in remote sensed images using a stochastic geometry framework. R. Stoica and X. Descombes and J. Zerubia. In Bayesian Inference and Maximum Entropy Methods in Science and Engineering, Gif sur Yvette, France, July 2000.
@INPROCEEDINGS{xd00b,
|
author |
= |
{Stoica, R. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Road extraction in remote sensed images using a stochastic geometry framework}, |
year |
= |
{2000}, |
month |
= |
{July}, |
booktitle |
= |
{Bayesian Inference and Maximum Entropy Methods in Science and Engineering}, |
address |
= |
{Gif sur Yvette, France}, |
url |
= |
{http://www-prod-gif.supelec.fr/invi/lss/MaxEnt2000/}, |
pdf |
= |
{http://www-prod-gif.supelec.fr/invi/lss/MaxEnt2000/htm/Abstracts/stoica.pdf}, |
keyword |
= |
{} |
} |
|
8 - Multiphase evolution and variational image classification. L. Blanc-Féraud and C. Samson and G. Aubert and J. Zerubia. In Congress SIMAI, Ischia, Italie, June 2000. Note : papier
@INPROCEEDINGS{lbf00a,
|
author |
= |
{Blanc-Féraud, L. and Samson, C. and Aubert, G. and Zerubia, J.}, |
title |
= |
{Multiphase evolution and variational image classification}, |
year |
= |
{2000}, |
month |
= |
{June}, |
booktitle |
= |
{Congress SIMAI}, |
address |
= |
{Ischia, Italie}, |
note |
= |
{papier}, |
url |
= |
{http://opac.inria.fr/record=b1115247}, |
keyword |
= |
{} |
} |
|
9 - Une approche variationnelle pour la classification d'images par régions actives. C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. In Proc. Reconnaissance des formes et Intelligence Artificielle, Paris, France, February 2000.
@INPROCEEDINGS{cs00a,
|
author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
title |
= |
{Une approche variationnelle pour la classification d'images par régions actives}, |
year |
= |
{2000}, |
month |
= |
{February}, |
booktitle |
= |
{Proc. Reconnaissance des formes et Intelligence Artificielle}, |
address |
= |
{Paris, France}, |
pdf |
= |
{Articles/rfia2000.pdf}, |
keyword |
= |
{} |
} |
|
10 - Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines. A. Lorette and X. Descombes and J. Zerubia. In Proc. Reconnaissance des formes et Intelligence Artificielle, Paris, France, February 2000. Note : papier
@INPROCEEDINGS{xd00d,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines}, |
year |
= |
{2000}, |
month |
= |
{February}, |
booktitle |
= |
{Proc. Reconnaissance des formes et Intelligence Artificielle}, |
address |
= |
{Paris, France}, |
note |
= |
{papier}, |
url |
= |
{http://opac.inria.fr/record=b1114970*frf}, |
keyword |
= |
{} |
} |
|
top of the page
8 Technical and Research Reports |
1 - Classification d'Images Multibandes par Modèles Variationnels. C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. Research Report 4010, Inria, September 2000. Keywords : Variational methods, Classification, Active contour, Level sets, Gamma Convergence.
@TECHREPORT{cs99e,
|
author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
title |
= |
{Classification d'Images Multibandes par Modèles Variationnels}, |
year |
= |
{2000}, |
month |
= |
{September}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{4010}, |
url |
= |
{https://hal.inria.fr/inria-00072633}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72633/filename/RR-4010.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/33/PS/RR-4010.ps}, |
keyword |
= |
{Variational methods, Classification, Active contour, Level sets, Gamma Convergence} |
} |
Résumé :
Dans ce rapport, nous proposons deux modèles variationnels pour la classificat- ion d'images multibandes.
Le premier modèle présenté repose sur la minimisation d'une famille de critères dont la suite de solutions converge vers une partition des données composée de classes homogènes séparées par des contours réguliers.
Parallèlement à cette approche, nous avons développé un second modèle de classification mettant en jeu un ensemble de régions et contours actifs. Nous utilisons une approche par ensembles de niveaux pour définir le critère à minimiser. Le critère proposé contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours.
L'imagerie multispectrale permet de prendre en compte, et de combiner, l'information des différentes bandes spectrales renvoyée par un capteur satellitaire ou aérien. L'extension au cas multispectral intervient à des niveaux différents pour les deux modèles proposés dans ce rapport. Nous traitons une application réelle sur une scène SPOT en mode XS pour laquelle nous disposons d'une vérité terrain. Nous comparons les deux modèles variationnels que nous proposons à d'autres approches dont un modèle stochastique hiérarchique, récemment développé à l'IRISA au sein du projet VISTA. |
Abstract :
Herein, we propose two variational models for multiband image classification.
\The first model we propose herein is based on the minimization of a criterion family whose set of solutions is converging to a partition of the data set composed of homogeneous regions with regularized boundaries. The second model we propose is based on a set of active regions and contours. We use a level set formulation to define the criterion we want to minimize. Each class and its associated set of regions and boundaries is defined thanks to a level set function.
The extension of these two models to the multispectral case is presented in this report. The extension of the dynamic model is quite straightforward whereas the one of the first model is more tricky.
We have conducted experiments on SPOT XS data whose ground truth is given. We compare the results we obtain with other approaches, in particular we compare the proposed models to a stochastic hierarchical model recently developed within the VISTA group from IRISA. |
|
2 - Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine. O. Pony and X. Descombes and J. Zerubia. Research Report 4008, Inria, September 2000. Keywords : Hyperspectral imaging, Markov Fields, Simulated Annealing, Gibbs Random Fields, Potts model, Texture.
@TECHREPORT{pony00,
|
author |
= |
{Pony, O. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine}, |
year |
= |
{2000}, |
month |
= |
{September}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{4008}, |
url |
= |
{https://hal.inria.fr/inria-00072636}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72636/filename/RR-4008.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/36/PS/RR-4008.ps}, |
keyword |
= |
{Hyperspectral imaging, Markov Fields, Simulated Annealing, Gibbs Random Fields, Potts model, Texture} |
} |
Résumé :
L'observation satellitaire en zone rurale et périurbaine fournit des images hyperspectrales exploitables en vue de réaliser une cartographie ou une analyse du paysage. Nous avons appliqué une classification par maximum de vraisemblance sur des images de zone agricole. Afin de régulariser la classification, nous considérons la modélisation d'image par champs de Markov, dont l'équivalence avec les champs de Gibbs nous permet d'utiliser plusieurs algorithmes itératifs d'optimisation : l'ICM et le recuit simulé, qui convergent respectivement vers une classification sous-optimale ou optimale pour une certaine énergie. Un modèle d'énergie est proposé : le modèle de Potts, que nous améliorons pour le rendre adaptatif aux classes présentes dans l'image. L'étude de la texture dans l'image initiale permet d'introduire des critères artificiels qui s'ajoutent à la radiométrie de l'image en vue d'améliorer la classification. Ceci permet de bien segmenter les zones périurbaines, la forêt, la campagne, dans le cadre d'un plan d'occupation des sols. Trois images hyperspectrales et une vérité terrain ont été utilisées pour réaliser des tests, afin de mettre en évidence les méthodes et le paramétrage adéquats pour obtenir les résultats les plus satisfaisants. |
Abstract :
Satellite observation in rural and semiurban areas provides hyperspectral images which enable us to make a map or an analysis of the landscape. Herein, we applied a maximum likelihood classification on agricultural images. In order to improve this procedure, it is possible in each pixel to use contextual information. Thus, we consider Markov random fields image modeling. The equivalence between Markov and Gibbs fields allows us to use some iterative algorithms of optimisation : ICM and simulated annealing, which converge respectively towards a suboptimal or an optimal classification for a given energy. An energy model is proposed : the Potts model, which can be improved to be adaptive to the classes defined in the image. Texture analysis on the initial image is used to introduce artificial criteria, added to the original image, in order to improve classification. This proves to be useful for segmenting semiurban regions, forests, and the countryside, within the framework of a land-use plan. We use three hyperspectral images and a ground truth to carry out tests, in order to highlight the best methods and parameter setting to obtain the most satisfactory results. |
|
3 - Adaptive parameter estimation for satellite image deconvolution. A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. Research Report 3956, Inria, June 2000. Keywords : Deconvolution, Regularization, Markov Fields, Likelihood maximum.
@TECHREPORT{jalo00a,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Adaptive parameter estimation for satellite image deconvolution}, |
year |
= |
{2000}, |
month |
= |
{June}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3956}, |
url |
= |
{https://hal.inria.fr/inria-00072693}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72693/filename/RR-3956.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/93/PS/RR-3956.ps}, |
keyword |
= |
{Deconvolution, Regularization, Markov Fields, Likelihood maximum} |
} |
Résumé :
La déconvolution des images satellitaires floues et bruitées est un problème inverse mal posé, qui peut être régularisé dans un cadre bayésien par l'utilisation d'un modèle a priori de la solution reconstruite. Les modèles de régularisation homogènes ne permettent pas d'obtenir des résultats parfaitement satisfaisants, car les images satellitaires ont des propriétés qui varient spatialement. Nous proposons d'utiliser un modèle inhomogène, et nous étudions différentes méthodes permettant d'estimer les paramètres adaptatifs. L'estimateur que nous avons retenu est le maximum de vraisemblance (MV). Nous montrons que cet estimateur, lorsqu'il est calculé à partir de l'image dégradée, est inutilisable pour la déconvolution d'images, car il n'est pas robuste au bruit. Nous montrons ensuite que l'estimation n'est correcte que si elle est effectuée sur l'image originale. Comme cette image est inconnue, nous devons en calculer une approximation, dont la qualité doit être suffisante pour que les résultats de l'estimation soient utiles pour la restauration. Nous détaillons finalement une méthode hybride, permettant d'estimer les paramètres adaptatifs à partir d'une image déconvoluée par un algorithme utilisant des ondelettes, afin de reconstruire l'image. Les résultats obtenus présentent à la fois des bords francs, des textures nettes, et un très bon rapport signal/bruit dans les zones homogènes, dans la mesure où la technique proposée s'adapte localement aux caractéristiques des données. Une comparaison avec des algorithmes concurrents linéaires et non linéaires est aussi effectuée, pour illustrer son efficacité. |
Abstract :
The deconvolution of blurred and noisy satellite images is an ill-posed inverse problem, which can be regularized within a Bayesian context by using an a priori model of the reconstructed solution. Homogeneous regularizat- ion models do not provide sufficiently satisfactory results, since real satellite data show spatially variant characteristics. We propose here to use an inhomogeneous model, and we study different methods to estimate its space-variant parameters. The chosen estimator is the Maximum Likelihood (ML). We show that this estimator, when computed on the corrupted image, is not suitable for image deconvolution, because it is not robust to noise. Then we show that the estimation is correct only if it is made from the original image. Since this image is unknown, we need to compute an approximati- on of sufficiently good quality to provide useful estimation results. Finally we detail an hybrid method used to estimate the space-variant parameters from an image deconvolved by a wavelet-based algorithm, in order to reconstruct the image. The obtained results simultaneously exhibit sharp edges, correctly restored textures and a high SNR in homogeneous areas, since the proposed technique adapts to the local characteristics of the data. A comparison with linear and non-linear concurrent algorithms is also presented to illustrate the efficiency of the proposed method. |
|
4 - Étude de la restitution des paramètres instrumentaux en imagerie satellitaire. A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. Research Report 3957, Inria, June 2000. Keywords : Deconvolution, Markov Fields, Likelihood maximum, Variational methods.
@TECHREPORT{jalo00b,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Étude de la restitution des paramètres instrumentaux en imagerie satellitaire}, |
year |
= |
{2000}, |
month |
= |
{June}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3957}, |
url |
= |
{https://hal.inria.fr/inria-00072691}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72691/filename/RR-3957.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/91/PS/RR-3957.ps}, |
keyword |
= |
{Deconvolution, Markov Fields, Likelihood maximum, Variational methods} |
} |
Résumé :
Le but de cette étude est l'estimation des paramètres du bruit et de la fonction de flou en imagerie satellitaire. En effet, ces images sont dégradées par le système optique, et par un bruit additif lié au capteur. Les paramètres instrumentaux, connus lors du lancement du satellite, peuvent évoluer au cours du temps. Il est alors nécessaire de pouvoir les estimer à partir des images observées, afin de pouvoir corriger ces images, par déconvolution, dans les meilleures conditions. Le noyau de convolution est paramétré par une fonction traduisant la physique du système imageur étudié. Il s'agit d'estimer les paramètres du noyau, ainsi que la variance du bruit, qui est supposé blanc et gaussien. Pour la déconvolution à paramètre- s fixés, nous utilisons une approche variationnelle, qui consiste à minimiser une fonctionnelle traduisant l'attache aux données et la régularisation de l'image cherchée, interdisant l'amplification du bruit tout en préservant les contours. La méthode proposée repose essentiellement sur deux étapes. Le bruit est estimé en utilisant un filtre passe-bande au moyen d'une transformée en cosinus. Ensuite, l'estimation conjointe du paramètre de régularisation et des paramètres du noyau est effectuée par Maximum de Vraisemblance (MV), en utilisant une méthode de Monte Carlo par Chaînes de Markov (MCMC). Nous présentons également dans ce rapport un état de l'art des méthodes de déconvolution aveugle, ainsi qu'une étude sur l'estimati- on du noyau de convolution lorsqu'il n'est pas paramétré. |
Abstract :
The purpose of this study is the estimation of the parameters of the noise and the blur function in remote sensing. Indeed, satellite images are corrupted by the optical system and by an additive noise due to the sensor. The instrumental parameters, known at the lauch of the satellite, can evolve with time. Therefore, it is necessary to estimate them from the observed images, to enable the deconvolution of these images in the best conditions. The convolution kernel is parametrized by a function which describes the physics of the imaging system. We have to estimate the parameters of the kernel as well as the variance of the noise supposed to be white and Gaussian. For the deconvolution with fixed parameters, we use a variational approach which consists of minimizing a functional involving the data and the regularization of the solution, avoiding the amplification of the noise while preserving edges. The proposed method essentially consists of two steps. The noise is estimated using a bandpass filter using a Cosine transform. Then, the joint estimation of the regularizin- g parameter and the kernel parameters is achieved by computing the Maximum Likelihood (ML), using a Markov Chain Monte Carlo (MCMC) method. We also present in this report the state of the art of blind deconvolution methods and a study of the estimation of the convolution kernel when it is not parametrized. |
|
5 - Satellite image deconvolution using complex wavelet packets. A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. Research Report 3955, Inria, June 2000. Keywords : Deconvolution, Bayesian estimation, Wavelet packet.
@TECHREPORT{jalo00,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Satellite image deconvolution using complex wavelet packets}, |
year |
= |
{2000}, |
month |
= |
{June}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3955}, |
url |
= |
{https://hal.inria.fr/inria-00072694}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72694/filename/RR-3955.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/94/PS/RR-3955.ps}, |
keyword |
= |
{Deconvolution, Bayesian estimation, Wavelet packet} |
} |
Résumé :
La déconvolution des images satellitaires floues et bruitées est un problème inverse mal posé. L'inversion directe entraîne une amplification inacceptable du bruit. Généralement, soit le problème est régularisé lors de l'inversion, soit le bruit est filtré après déconvolution et décomposition dans le domaine de la transformée en ondelettes. Nous avons developpé dans ce rapport la deuxième solution, en seuillant les coefficients d'une nouvelle transformée en paquets d'ondelettes complexes, les fonctions de seuillage étant estimées de manière automatique. L'utilisation de paquets d'ondelettes complexes rend cette méthode invariante par translation, et tient compte des directions, tout en restant d'une complexité O(N). Les résultats obtenus présentent à la fois des textures nettes et un très bon rapport signal/bruit dans les zones homogènes. Par rapport aux algorithmes concurrents, la méthode que nous proposons est plus rapide, invariante par rotation, et tient compte de la directionnalité des détails et des textures de l'image pour mieux les restaurer. Les images déconvoluées de cette manière peuvent être utilisées telles quelles (la restauration peut être intégrée directement dans la chaîne d'acquisition). Mais elles peuvent également constituer le point de départ d'une méthode de régularisation adaptative, permettant d'obtenir des contours plus francs. |
Abstract :
The deconvolution of blurred and noisy satellite images is an ill-posed inverse problem. The direct inversion leads to unacceptable noise amplificatio- n. Usually, either the problem is regularized during the inversion process, or the noise is filtered after deconvolution and decomposition in the wavelet transform domain. Herein, we have developed the second solution, by thresholding the coefficients of a new complex wavelet packet transform; the thresholding functions are automatically estimated. The use of complex wavelet packets enables translation invariance, and takes into account the directions, while remaining of complexity O(N). The obtained results exhibit both correctly restored textures and a high SNR in homogeneous areas. Compared to concurrent algorithms, the proposed method is faster, rotation invariant and takes into account the directions of the details and textures of the image to restore them better. The images deconvolved this way can be used as they are (the restoration step proposed here can be directly inserted in the acquisition chain). But they also can provide a starting point of an adaptive regularization method, enabling one to obtain sharper edges. |
|
6 - Local registration and deformation of a road cartographic database on a SPOT satellite image. G. Rellier and X. Descombes and J. Zerubia. Research Report 3939, Inria, May 2000. Keywords : Markov Fields, Road network.
@TECHREPORT{rel00,
|
author |
= |
{Rellier, G. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Local registration and deformation of a road cartographic database on a SPOT satellite image}, |
year |
= |
{2000}, |
month |
= |
{May}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3939}, |
url |
= |
{https://hal.inria.fr/inria-00072711}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72711/filename/RR-3939.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/27/11/PS/RR-3939.ps}, |
keyword |
= |
{Markov Fields, Road network} |
} |
Résumé :
Dans ce rapport, nous présentons une méthode pour le recalage local d'un réseau cartographique routier sur une image SPOT, reposant sur l'utilisation des champs de Markov sur graphe. Les données image et cartographique étant obtenues par des sources exogènes, elles sont dégradées par du bruit de nature différente. Ce phénomène peut être à l'origine de différences important- es entre les données. De plus, les cartographes peuvent parfois introduire des distortions dans les cartes afin de souligner certains détails que presente la route (lacets d'une route de montagne) : c'est la généralisation. L'algorithme proposé vise à corriger les erreurs dues au bruit et à la généralisation, et à améliorer la précision du tracé des routes. La méthode proposée consiste à transformer la donnée cartographique en un graphe, et ensuite à définir un champ de Markov afin de faire correspondre le graphe et l'image. |
Abstract :
Herein, we propose a local registration method for cartographic road networks on SPOT satellite images based on Markov Random Fields (MRF) on graphs. Since the cartographic and image data are obtained from exogeneous sources, the noises degrading these data are of different nature. This phenomenon can create important differences between the data. In addition, cartographers sometimes introduce distortions, in the so-called generalization process, in the road map in order to emphasize some details of the road (like the bends of a mountain road). The proposed algorithm aims at correcting the error due to noise and generalization, hence increasing the accuracy of the road map. The proposed method consists in translating the cartographic data into a graph model, and then defining a MRF to fit the graph on the image. |
|
7 - Simulation de processus objets : Etude de faisabilité pour une application à la segmentation d'image. M. Imberty and X. Descombes. Research Report 3881, Inria, February 2000. Keywords : Marked point process, Stochastic geometry, Segmentation.
@TECHREPORT{xd00im,
|
author |
= |
{Imberty, M. and Descombes, X.}, |
title |
= |
{Simulation de processus objets : Etude de faisabilité pour une application à la segmentation d'image}, |
year |
= |
{2000}, |
month |
= |
{February}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3881}, |
url |
= |
{https://hal.inria.fr/inria-00072772}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72772/filename/RR-3881.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/27/72/PS/RR-3881.ps}, |
keyword |
= |
{Marked point process, Stochastic geometry, Segmentation} |
} |
Résumé :
Dans cette étude, nous comparons l'efficacité de deux techniques de simulation par chaînes de Markov (MCMC) de processus aléatoires sur des ensembles d'objets géométriques : l'algorithme de naissance-mort et celui de Metropolis-- Hastings-Green. Les comparaisons sont effectuées sur différents modèles de processus objets de type attractif présentant un intérêt en traitement d'image. Nous appliquons ensuite ces méthodes de simulation à la segmentation d'image. Pour cela, nous nous plaçons dans le cadre bayésien : nous définisson- s donc un modèle a priori attractif simple sur des objets rectangulaires, ainsi qu'un terme d'attache aux données garantissant l'adéquation des objets à l'image. Nous utilisons ensuite un recuit simulé pour extraire les différentes zones de l'image. Des tests sont effectués sur des images synthétiques. |
Abstract :
In this study, we compare the efficiency of two algorithms using Monte Carlo Markov chains methods in order to simulate random processes of geometric- al objects sets : the algorithm of birth and death and the dynamics of Metropolis-Hastings-Green. The comparisons are carried out on various object models for clustered patterns, which could be of interest in image processing. Then we apply these methods of simulation to image segmentation, using the bayesian approach : thus we define a simple prior model on rectangul- ar objects, as well as a posterior probability guaranteeing the adequacy of the objects to the data. We finally use a stochastic annealing to extract the various zones of the image. Some tests are performed on synthetic data. |
|
8 - A Markov point process for road extraction in remote sensed images. R. Stoica and X. Descombes and J. Zerubia. Research Report 3923, Inria, 2000. Keywords : Stochastic geometry, Marked point process, Candy model, Road network, RJMCMC.
@TECHREPORT{rs00,
|
author |
= |
{Stoica, R. and Descombes, X. and Zerubia, J.}, |
title |
= |
{A Markov point process for road extraction in remote sensed images}, |
year |
= |
{2000}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3923}, |
url |
= |
{https://hal.inria.fr/inria-00072729}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72729/filename/RR-3923.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/27/29/PS/RR-3923.ps}, |
keyword |
= |
{Stochastic geometry, Marked point process, Candy model, Road network, RJMCMC} |
} |
Résumé :
Nous proposons une nouvelle méthode pour extraire les routes dans les images satellitales et aériennes. Notre approche est basée sur la géométrie stochastique et les dynamiques MCMC à saut réversible. Nous considérons que le réseau routier est un réseau fin, et que ce réseau peut être approximé par des segments connectés. Nous construisons un processus ponctuel marqué qui peut simuler et détecter des réseaux fins. La densité de probabilité de ce processus comporte deux termes : le terme d'attache aux données et le terme a priori. Pour former un réseau, les segments doivent être connectés. Nous souhaitons que les segments soient bien alignés et qu'ils ne se superposent pas. Toutes ces contraintes sont prises en compte par le modèle a priori (Candy modèle). L'emplacement du réseau est donné par le terme d'attache aux données. Ce terme est construit à partir des tests d'hypothèses. Notre modèle probabiliste permet de construire le MAP de l'estimateur du réseau linéique. Pour éviter les minima locaux, nous utilisons un algorithme de type recuit simulé, construit sur une dynamique MCMC à sauts réversibles. Nous montrons des résultats sur des images SPOT, ERS et aériennes. |
Abstract :
In this paper we propose a new method to extract roads in remote sensed images. Our approach is based on stochastic geometry theory and reversible jump Monte Carlo Markov Chains dynamic. We consider that roads consist of a thin network in the image. We make the hypothesis that such a network can be approximated by a network composed of connected line segments. We build a marked point process, which is able to simulate and detect thin networks. The segments have to be connected, in order to form a line-netw- ork. Aligned segments are favored whereas superposition is penalized. Those constraints are taken in account by the prior model (Candy model), which is an area-interaction point process.The location of the network and the specifities of a road network in the image are given by the likelihood term. This term is based on statistical hypothesis tests. The proposed probabilistic model yelds a MAP estimator of the road network. In order to avoid local minima, a simulated annealing algorithm, using a reversible jump MCMC dynamic is designed. Results are shown on SPOT, ERS and aerial images. |
|
top of the page
These pages were generated by
|