Publications of Xavier Descombes

Result of the query in the list of publications :

• 44 Articles
• 1 PhD Thesis and Habilitation
• 97 Conference articles
• 36 Technical and Research Reports
• 7 Collection articles or Books chapters
• 2 Books

new search | get the bibtex

navigation : 1 - 2- ... - 15 - 16 - 17 - 18 - 19 display : 10 per page | 20 per page | 50 per page

36 Technical and Research Reports

9 - An automatic building extraction method : Application to the 3D-city modeling. F. Lafarge and P. Trontin and X. Descombes and J. Zerubia and M. Pierrot-Deseilligny. Research Report 5925, INRIA, France, May 2006. Keywords : Object extraction, Marked point process, 3D reconstruction, Urban areas, Satellite images, Digital Elevation Model (DEM). @TECHREPORT{lafarge_rr_may06, author = {Lafarge, F. and Trontin, P. and Descombes, X. and Zerubia, J. and Pierrot-Deseilligny, M.}, title = {An automatic building extraction method : Application to the 3D-city modeling}, year = {2006}, month = {May}, institution = {INRIA}, type = {Research Report}, number = {5925}, address = {France}, pdf = {ftp://ftp-sop.inria.fr/ariana/Articles/2006_lafarge_rr_may06.pdf}, keyword = {Object extraction, Marked point process, 3D reconstruction, Urban areas, Satellite images, Digital Elevation Model (DEM)} }

10 - A Non-Bayesian Model for Tree Crown Extraction using Marked Point Processes. G. Perrin and X. Descombes and J. Zerubia. Research Report 5846, INRIA, France, February 2006. Keywords : Data energy, Object extraction, Tree Crown Extraction, Marked point process, Stochastic geometry, 3D reconstruction. @TECHREPORT{rr_perrin_nonbay_05, author = {Perrin, G. and Descombes, X. and Zerubia, J.}, title = {A Non-Bayesian Model for Tree Crown Extraction using Marked Point Processes}, year = {2006}, month = {February}, institution = {INRIA}, type = {Research Report}, number = {5846}, address = {France}, url = {http://hal.inria.fr/inria-00070180/fr/}, pdf = {http://hal.inria.fr/inria-00070180/fr/}, keyword = {Data energy, Object extraction, Tree Crown Extraction, Marked point process, Stochastic geometry, 3D reconstruction} } Résumé : Dans ce rapport de recherche, notre but est d'extraire les houppiers à partir d'images aériennes de forêts à l'aide de processus ponctuels marqués d'ellipses ou d'ellipsoïdes. Notre approche consiste, en effet, à modéliser les données comme des réalisations de tels processus. Une fois l'objet géométrique de référence choisi, nous échantillonnons le processus objet défini par une densité grâce à un algorithme MCMC à sauts réversibles, optimisé par un recuit simulé afin d'extraire la meilleure configuration d'objets, qui nous donne l'extraction recherchée. Nous obtenons ainsi le nombre des arbres, leur localisation et leur taille. Nous présentons, dans ce rapport, un modèle 2D et un modèle 3D pour extraire des statistiques forestières. Ceux-ci sont testés sur des images aériennes infrarouge couleur très haute résolution fournies par l'Inventaire Forestier National (IFN). Abstract : High resolution aerial and satellite images of forests have a key role to play in natural resource management. As they enable forestry managers to study forests at the scale of trees, it is now possible to get a more accurate evaluation of the resources. Automatic algorithms are needed in that prospect to assist human operators in the exploitation of these data. In this paper, we present a stochastic geometry approach to extract 2D and 3D parameters of the trees, by modelling the stands as some realizations of a marked point process of ellipses or ellipsoids, whose points are the locations of the trees and marks their geometric features. As a result we obtain the number of stems, their position, and their size. This approach yields an energy minimization problem, where the energy embeds a regularization term (prior density), which introduces some interactions between the objects, and a data term, which links the objects to the features to be extracted, in 2D and 3D. Results are shown on Colour Infrared aerial images provided by the French National Forest Inventory (IFN)

11 - A Marked Point Process of Rectangles and Segments for Automatic Analysis of Digital Elevation Models.. M. Ortner and X. Descombes and J. Zerubia. Research Report 5712, INRIA, France, October 2005. Keywords : Marked point process, Buildings, RJMCMC. @TECHREPORT{ortner-RR05, author = {Ortner, M. and Descombes, X. and Zerubia, J.}, title = {A Marked Point Process of Rectangles and Segments for Automatic Analysis of Digital Elevation Models.}, year = {2005}, month = {October}, institution = {INRIA}, type = {Research Report}, number = {5712}, address = {France}, url = {https://hal.inria.fr/inria-00070305}, keyword = {Marked point process, Buildings, RJMCMC} } Résumé : Ce travail présente une approche par géométrie stochastique pour l'extraction de primitives dans les images. Ces structures sont modélisées sous forme de réalisations d'un processus ponctuel spatial marqué dont les points sont des formes géométriques. Cette approche permet d'incorporer un modèle a priori sur la répartition spatiale des structures d'intérêt. Plus spécifiquement, nous présentons un modèle fondé sur l'interaction d'un processus de rectangles avec un processus de segments. Le premier est dédié à la détection des zones homogènes dans l'image et le second à la détection des discontinuités significatives. Nous définissons l'énergie d'une configuration de façon à favoriser la connection entre les segments, l'alignement des rectangles et l'adéquation entre les deux types de primitives. L'estimation repose sur l'emploi d'une technique de recuit-simulé. Le modèle proposé est appliqué à l'analyse de Modèles Numériques d'Elevation. Nous présentons des résultats sur des données réelles fournies par l'Institut Géographique National (IGN). Nous montrons en particulier que l'approche est efficace sur des données de types très différents. Abstract : A marked point process of rectangles and segments for automatic analysis of Digital Elevation Models. This work presents a framework for automatic feature extraction from images using stochastic geometry. Features in images are modeled as realizations of a spatial point process of geometrical shapes. This framework allows the incorporation of a prior knowledge on the spatial repartition of features. More specifically, we present a model based on the superposition of a process of segments and a process of rectangles. The former is dedicated to the detection of linear networks of discontinuities, while the latter aims at segmenting homogeneous areas. An energy is defined, favoring connections of segments, alignments of rectangles, as well as a relevant interaction between both types of objects. The estimation is performed by minimizing the energy using a simulated annealing algorithm. The proposed model is applied to the analysis of Digital Elevation Models (DEMs). These images are raster data representing the altimetry of a dense urban area. We present results on real data provided by the IGN (French National Geographic Institute) consisting in low quality DEMs of various types.

12 - A Parametric Model for Automatic 3D Building Reconstruction from High Resolution Satellite Images. F. Lafarge and X. Descombes and J. Zerubia and M. Pierrot-Deseilligny. Research Report 5687, INRIA, France, September 2005. Keywords : 3D reconstruction, Buildings, RJMCMC, Digital Elevation Model (DEM). @TECHREPORT{5687, author = {Lafarge, F. and Descombes, X. and Zerubia, J. and Pierrot-Deseilligny, M.}, title = {A Parametric Model for Automatic 3D Building Reconstruction from High Resolution Satellite Images}, year = {2005}, month = {September}, institution = {INRIA}, type = {Research Report}, number = {5687}, address = {France}, url = {http://hal.inria.fr/inria-00070326/fr/}, pdf = {https://hal.inria.fr/file/index/docid/70326/filename/RR-5687.pdf}, ps = {http://hal.inria.fr/docs/00/07/03/26/PS/RR-5687.ps}, keyword = {3D reconstruction, Buildings, RJMCMC, Digital Elevation Model (DEM)} } Résumé : Dans ce rapport, nous développons un modèle paramétrique pour la reconstruction automatique de bâtiments en 3D fondé sur une approche bayésienne à partir de simulations PLEIADES. Les images satellitaires haute résolution représentent un nouveau type de données permettant de traiter les problèmes de reconstruction 3D de bâtiments. Leur résolution ``relativement basse'' et leur faible rapport signal sur bruit pour ce type de problèmes ne permet pas l'utilisation des méthodes standard développées dans le cas des images aériennes. Nous proposons une approche paramétrique utilisant des Modèles Numériques d'Elévation (MNE) et les empreintes de bâtiments associées modélisées par rectangles. La méthode proposée est fondée sur une approche bayésienne. Une technique de type de Monte Carlo par Chaînes de Markov est utilisée afin d'optimiser le modèle énergétique. Abstract : This report develops a parametric model for automatic 3D building reconstruction based on a Bayesian approach from PLEIADES simulations. High resolution satellite images are a new kind of data to deal with 3D building reconstruction problems. Their ``relatively low'' resolution and low signal noise ration do not allow to use standard methods developed for the aerial image case. We propose a parametric approach using Digital Elevation Models (DEM) and associated rectangular building footprints. The proposed method is based on a Bayesian approach. A Markov Chain Monte Carlo technique is used to optimize the energy model.

13 - Hydrographic Network Extraction from Radar Satellite Imagesusing a Hierarchical Model within a Stochastic Geometry Framework. C. Lacoste and X. Descombes and J. Zerubia and N. Baghdadi. Research Report 5697, INRIA, France, September 2005. @TECHREPORT{rrHimne, author = {Lacoste, C. and Descombes, X. and Zerubia, J. and Baghdadi, N.}, title = {Hydrographic Network Extraction from Radar Satellite Imagesusing a Hierarchical Model within a Stochastic Geometry Framework}, year = {2005}, month = {September}, institution = {INRIA}, type = {Research Report}, number = {5697}, address = {France}, url = {http://hal.inria.fr/inria-00070318}, pdf = {http://hal.inria.fr/docs/00/07/03/18/PDF/RR-5697.pdf}, keyword = {} } Résumé : Ce rapport présente un algorithme d'extraction non supervisée de réseaux hydrographiques à partir d'images satellitaires exploitant la structure arborescante de tels réseaux. L'extraction du surfacique (branches de largeur supérieure à trois pixels) est réalisée par un algorithme efficace fondé sur une modélisation par champ de Markov. Ensuite, l'extraction du linéique se fait par un algorithme récursif fondé sur un modèle hiérarchique dans lequel les affluents d'un fleuve donné sont modélisés par un processus ponctuel marqué défini dans le voisinage de ce fleuve. L'optimisation de chaque processus ponctuel est réalisée par un recuit simulé utilisant un algorithme de Monte Carlo par chaîne de Markov à sauts réversibles. Nous obtenons de bons résultats en terme d'omissions et de surdétections sur une image radar de type ERS. Abstract : This report presents a two-step algorithm for unsupervised extraction of hydrographic networks from satellite images, that exploits the tree structures of such networks. First, the thick branches of the network are detected by an efficient algorithm based on a Markov random field. Second, the line branches are extracted using a recursive algorithm based on a hierarchical model of the hydrographic network, in which the tributaries of a given river are modeled by an object process (or a marked point process) defined within the neighborhood of this river. Optimization of each point process is done via simulated annealing using a reversible jump Markov chain Monte Carlo algorithm. We obtain encouraging results in terms of omissions and overdetections on a radar satellite image.

14 - A Polyline Process for Unsupervised Line Network Extraction in Remote Sensing. C. Lacoste and X. Descombes and J. Zerubia. Research Report 5698, INRIA, France, September 2005. @TECHREPORT{rrCaroline, author = {Lacoste, C. and Descombes, X. and Zerubia, J.}, title = {A Polyline Process for Unsupervised Line Network Extraction in Remote Sensing}, year = {2005}, month = {September}, institution = {INRIA}, type = {Research Report}, number = {5698}, address = {France}, url = {http://hal.inria.fr/inria-00070317}, pdf = {http://hal.inria.fr/docs/00/07/03/17/PDF/RR-5698.pdf}, ps = {http://hal.inria.fr/docs/00/07/03/17/PS/RR-5698.ps}, keyword = {} } Résumé : Ce rapport présente un nouveau modèle issu de la géométrie stochastique pour l'extraction non supervisée de réseaux linéiques (routes, rivières, etc.) à partir d'images satellitaires ou aériennes. Le réseau linéique présent dans la scène observée est modélisé par un processus de lignes brisées, appelé CAROLINE. Le modèle a priori incorpore de fortes contraintes géométriques et topologiques au travers de potentiels sur la forme des lignes brisées et de potentiels d'interaction. Les propriétés radiométriques sont incorporées via la construction d'un terme d'attache aux données fondé sur des tests statistiques. Un recuit simulé sur un algorithme de type Monte Carlo par Chaîne de Markov (MCMC) à sauts réversibles permet une optimisation globale sur l'espace des configurations d'objets, indépendamment de l'initialisation. L'ajout de perturbations pertinentes permet une accélération de la convergence de l'algorithme. Des résultats expérimentaux obtenus sur des images satellitaires et aériennes sont présentés et comparés à ceux obtenus avec un précédent modèle fondé sur un processus de segments, appelé Quality Candy. Abstract : This report presents a new stochastic geometry model for unsupervised extraction of line networks (roads, rivers, etc.) from remotely sensed images. The line network in the observed scene is modeled by a polyline process, named CAROLINE. The prior model incorporates strong geometrical and topological constraints through potentials on the polyline shape and interaction potentials. Data properties are taken into account through a data term based on statistical tests. Optimization is done via a simulated annealing scheme using a Reversible Jump Markov Chain Monte Carlo (RJMCMC) algorithm, without any specific initialization. We accelerate the convergence of the algorithm by using appropriate proposal kernels. Experimental results are provided on aerial and satellite images and compared with the results obtained with a previous model, that is a segment process called Quality Candy.

15 - Optimization Techniques for Energy Minimization Problem in a Marked Point Process Application to Forestry. G. Perrin and X. Descombes and J. Zerubia. Research Report 5704, INRIA, France, September 2005. Keywords : Simulated Annealing, Marked point process, Stochastic geometry, Optimization. @TECHREPORT{rr_perrin_optim_05, author = {Perrin, G. and Descombes, X. and Zerubia, J.}, title = {Optimization Techniques for Energy Minimization Problem in a Marked Point Process Application to Forestry}, year = {2005}, month = {September}, institution = {INRIA}, type = {Research Report}, number = {5704}, address = {France}, url = {https://hal.inria.fr/inria-00070312}, pdf = {https://hal.inria.fr/file/index/docid/70312/filename/RR-5704.pdf}, ps = {https://hal.inria.fr/docs/00/07/03/12/PS/RR-5704.ps}, keyword = {Simulated Annealing, Marked point process, Stochastic geometry, Optimization} } Résumé : Dans ce rapport de recherche, nous utilisons les processus ponctuels marqués afin d'extraire un nombre inconnu d'objets dans des images aériennes. Ces processus sont définis par une énergie, qui contient un terme a priori formalisant les interactions entre objets ainsi qu'un terme d'attache aux données. Nous cherchons à minimiser cette énergie, afin d'obtenir la meilleure configuration d'objets, à l'aide d'un recuit simulé qui s'inscrit dans l'algorithme d'échantillonnage MCMC à sauts réversibles. Nous comparons ici différents schémas de décroissance de température, et présentons certaines méthodes qui permettent d'améliorer la convergence de l'algorithme en un temps fini. Abstract : We use marked point processes to detect an unknown number of trees from high resolution aerial images. This approach turns to be an energy minimization problem, where the energy contains a prior term which takes into account the geometrical properties of the objects, and a data term to match these objects onto the image. This stochastic process is simulated via a Reversible Jump Markov Chain Monte Carlo procedure, which embeds a Simulated Annealing scheme to extract the best configuration of objects. We compare in this paper different cooling schedules of the Simulated Annealing algorithm which could provide some good minimization in a short time. We also study some adaptive proposition kernels.

16 - Point Processes in Forestry : an Application to Tree Crown Detection. G. Perrin and X. Descombes and J. Zerubia. Research Report 5544, INRIA, France, April 2005. Keywords : Marked point process, Object extraction, RJMCMC, Tree Crown Extraction, Stochastic geometry. @TECHREPORT{5544, author = {Perrin, G. and Descombes, X. and Zerubia, J.}, title = {Point Processes in Forestry : an Application to Tree Crown Detection}, year = {2005}, month = {April}, institution = {INRIA}, type = {Research Report}, number = {5544}, address = {France}, url = {https://hal.inria.fr/inria-00070463}, pdf = {https://hal.inria.fr/file/index/docid/70463/filename/RR-5544.pdf}, ps = {https://hal.inria.fr/docs/00/07/04/63/PS/RR-5544.ps}, keyword = {Marked point process, Object extraction, RJMCMC, Tree Crown Extraction, Stochastic geometry} } Résumé : Dans ce rapport de recherche, notre but est d'extraire des houppiers à partir d'images aériennes de forêts à l'aide de processus ponctuels marqués de disques et d'ellipses. Notre approche consiste, en effet, à modéliser les données comme des réalisations de tels processus. Une fois l'objet géométrique de référence choisi, nous échantillonnons le processus objet défini par une densité grâce à un algorithme MCMC à sauts réversibles, optimisé par un recuit simulé afin d'extraire le maximum a posteriori de cette densité. Cette configuration optimale nous donnera l'extraction recherchée. Dans une première partie, nous proposons de revenir quelque peu sur les processus ponctuels marqués et leur application dans la foresterie. Puis, nous présentons deux nouveaux modèles d'extraction de houppiers à base de disques et d'ellipses, et discutons de quelques améliorations au niveau de la simulation et de l'optimisation de notre algorithme. Nous présentons des résultats obtenus sur des images aériennes très haute résolution fournies par l'Inventaire Forestier National (IFN), ainsi que sur des images synthétiques simulées avec le logiciel AMAP (Bionatics, projet Digiplante). Abstract : In this research report, we aim at extracting tree crowns from remotely sensed images using marked point processes of discs and ellipses. Our approach is indeed to consider that the data are some realizations of a marked point process. Once a geometrical object is defined, we sample a marked point process defined by a density with a Reversible Jump Markov Chain Monte Carlo dynamics and simulated annealing to get the maximum a posteriori estimator of the tree crown distribution on the image. In a first part, we propose to review the basis of marked point processes and some of their examples used in forestry statistic inference. Then, we present two new models, with discs and ellipses, and discuss some improvements made in the optimization or in the simulation. Results are shown on high resolution aerial images of poplars provided by the French Forest Inventory (IFN), and synthetic images simulated with AMAP software (Bionatics, Digiplante project).

17 - Détection de Feux de Forêt par Analyse Statistique de la Radiométrie d'Images Satellitaires. F. Lafarge and X. Descombes and J. Zerubia. Research Report 5369, INRIA, France, December 2004. Keywords : Forest fires, Gaussian Field, Rare event. @TECHREPORT{5369, author = {Lafarge, F. and Descombes, X. and Zerubia, J.}, title = {Détection de Feux de Forêt par Analyse Statistique de la Radiométrie d'Images Satellitaires}, year = {2004}, month = {December}, institution = {INRIA}, type = {Research Report}, number = {5369}, address = {France}, url = {https://hal.inria.fr/inria-00070634}, pdf = {https://hal.inria.fr/file/index/docid/70634/filename/RR-5369.pdf}, ps = {https://hal.inria.fr/docs/00/07/06/34/PS/RR-5369.ps}, keyword = {Forest fires, Gaussian Field, Rare event} } Résumé : Nous proposons, dans ce rapport, une méthode de détection des feux de forêt par imagerie satellitaire fondée sur la théorie des champs aléatoires. L'idée consiste à modéliser l'image par une réalisation d'un champ gaussien afin d'en extraire, par une analyse statistique, les éléments étrangers pouvant correspondre aux feux. Le canal IRT (InfraRouge Thermique) contient des longueurs d'onde particulièrement sensibles à l'émission de chaleur. L'intensité d'un pixel d'une image IRT est donc d'autant plus forte que la température de la zone associée à ce pixel est élevée. Les feux de forêt peuvent alors être caractérisés par des pics d'intensité sur ce type d'images. Nous proposons une méthode de classification non supervisée et automatique fondée sur la théorie des champs gaussiens. Pour ce faire, nous modélisons dans un premier temps l'image par une réalisation d'un champ gaussien. Les zones de feux, minoritaires et de fortes intensités sont considérées comme des éléments étrangers à ce champ : ce sont des évènements rares. Ensuite, par une analyse statistique, nous déterminons un jeu de probabilités définissant, pour une zone donnée de l'image, un degré d'appartenance au champ gaussien, et par complémentarité aux zones potentiellement en feux. Abstract : We present in this report a method for forest fire detection in satellite images based on random field theory. The idea is to model the image as a realization of a gaussian field in order to extract the rare events, which are potential fires, by a statistical analysis. The TIR (Thermical InfraRed) channel has a wavelength sensitive to the emission of heat : the higher the heat of a area, the higher the intensity of the corresponding pixel of the image. Then a forest fire can be characterized by peak intensity in TIR images. We present an fully automatic unsupervised classification method based on Gaussian field theory. First we model the image as a realization of a Gaussian field. The fire areas, which have high intensity and are supposed to be a minority, are considered as foreign elements of that field : they are rare events. Then we determine by a statistical analysis a set of probabilities which characterizes the degree of belonging to the Gaussian field of a small area of the image. So, we estimate the probability that the area is a potential fire.

18 - Noyaux Texturaux pour les Problèmes de Classification par SVM en Télédétection. F. Lafarge and X. Descombes and J. Zerubia. Research Report 5370, INRIA, France, December 2004. Keywords : Support Vector Machines, Classification, Forest fires, Urban areas, Learning base, Markov Fields. @TECHREPORT{5370, author = {Lafarge, F. and Descombes, X. and Zerubia, J.}, title = {Noyaux Texturaux pour les Problèmes de Classification par SVM en Télédétection}, year = {2004}, month = {December}, institution = {INRIA}, type = {Research Report}, number = {5370}, address = {France}, url = {https://hal.inria.fr/inria-00070633}, pdf = {https://hal.inria.fr/file/index/docid/70633/filename/RR-5370.pdf}, ps = {https://hal.inria.fr/docs/00/07/06/33/PS/RR-5370.ps}, keyword = {Support Vector Machines, Classification, Forest fires, Urban areas, Learning base, Markov Fields} } Résumé : Nous détaillons dans ce rapport la construction de deux noyaux texturaux s'utilisant dans les problèmes de classification par «Support Vector Machines» en télédétection. Les SVM constituent une méthode de classification supervisée particulièrement bien adaptée pour traiter des données de grande dimension telles que les images satellitaires. Par cette méthode, nous souhaitons réaliser l'apprentissage de paramètres qui permettent la différenciation entre deux ensembles de pixels connexes non-identiques. Nous travaillons pour cela sur des fonctions noyaux, fonctions caractérisant une certaine similarité entre deux données. Dans notre cas, cette similarité sera fondée à la fois sur une notion radiométrique et sur une notion texturale. La principale difficulté rencontrée dans cette étude réside dans l'élaboration de paramètres texturaux pertinents qui modélisent au mieux l'homogénéité d'un ensemble de pixels connexes. Nous appliquons les noyaux proposés à deux problèmes de télédétection: la détection de feux de forêt et la détection de zones urbaines à partir d'images satellitaires haute résolusion. Abstract : We present in this report two textural kernels for «Support Vector Machines» classification applied to remote sensing problems. SVMs constitute a method of supervised classification well adapted to deal with data of high dimension, such as images. We would like to learn parameters which allow the differentiation between two sets of connected pixels. We also introduce kernel functions which characterize a notion of similarity between two pieces of data. In our case this similarity is based on a radiometric charateristic and a textural characteristic. The main difficulty is to elaborate textural parameters which are pertinent and characterize as well as possible the homogeneity of a set of connected pixels. We apply this method to remote sensing problems : the detection of forest fires and the extraction of urban areas in high resolution satellite images.

top of the page

navigation : 1 - 2- ... - 15 - 16 - 17 - 18 - 19 display : 10 per page | 20 per page | 50 per page

These pages were generated by