|
|
Publications about Hierarchical models
Result of the query in the list of publications :
Conference article |
1 - Classification bayésienne supervisée d’images RSO de zones urbaines à très haute résolution.
A. Voisin and V. Krylov and J. Zerubia. In Proc. GRETSI Symposium on Signal and Image Processing, Bordeaux, September 2011.
Keywords : SAR Images, Classification, Urban areas, Markov Fields, Hierarchical models.
@INPROCEEDINGS{VoisinGretsi2011,
|
| author |
= |
{Voisin, A. and Krylov, V. and Zerubia, J.}, |
| title |
= |
{Classification bayésienne supervisée d’images RSO de zones urbaines à très haute résolution}, |
| year |
= |
{2011}, |
| month |
= |
{September}, |
| booktitle |
= |
{Proc. GRETSI Symposium on Signal and Image Processing}, |
| address |
= |
{Bordeaux}, |
| url |
= |
{http://hal.inria.fr/inria-00623003/fr/}, |
| keyword |
= |
{SAR Images, Classification, Urban areas, Markov Fields, Hierarchical models} |
| } |
Résumé :
Ce papier présente un modèle de classification bayésienne supervisée d’images acquises par Radar à Synthèse d’Ouverture (RSO) très haute résolution en polarisation simple contenant des zones urbaines, particulièrement affectées par le bruit de chatoiement. Ce modèle prend en compte à la fois une représentation statistique des images RSO par modèle de mélanges finis et de copules, et une modélisation contextuelle
à partir de champs de Markov hiérarchiques. |
Abstract :
This paper deals with the Bayesian classification of single-polarized very high resolution synthetic aperture radar (SAR) images
that depict urban areas. The difficulty of such a classification relies in the significant effects of speckle noise. The model considered here takes into account both statistical modeling of images via finite mixture models and copulas, and contextual modeling thanks to hierarchical Markov random fields |
|
 top of the page
Technical and Research Report |
1 - A Binary Tree-Structured MRF Model for Multispectral Satellite Image Segmentation.
G. Scarpa and G. Poggi and J. Zerubia. Research Report 5062, INRIA, France, December 2003.
Keywords : Bayesian estimation, Classification, Markov Fields, Hierarchical models.
@TECHREPORT{Scarpa03,
|
| author |
= |
{Scarpa, G. and Poggi, G. and Zerubia, J.}, |
| title |
= |
{A Binary Tree-Structured MRF Model for Multispectral Satellite Image Segmentation}, |
| year |
= |
{2003}, |
| month |
= |
{December}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5062}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071522}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71522/filename/RR-5062.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/15/22/PS/RR-5062.ps}, |
| keyword |
= |
{Bayesian estimation, Classification, Markov Fields, Hierarchical models} |
| } |
Résumé :
Dans ce rapport, nous proposons un modèle markovien a priori structuré à arbre binaire (le TS-MRF) pour la segmentation d'images satellitaires multispectrales. Ce modèle permet de représenter un champ bidimensionnel par une séquence de champs de Markov binaires, chacun correspondant à un noeud de l'arbre. Pour avoir une bonne classification, on peut adapter le modèle TS-MRF à la structure intrinsèque des données, en définissant un MRF, à plusieurs paramètres, très flexible. Bien que l'on définisse le modèle global sur tout l'arbre, l'optimisation et l'estimation peuvent être poursuivis en considérant un noeud à la fois, à partir de la racine jusqu'aux feuilles, avec une réduction significative de la complexité. En effet, on a montré expérimentalement que l'algorithme global est beaucoup plus rapide qu'un algorithme conventionnel fondé sur le modèle markovien d'Ising, en particulier quand le nombre des bandes spectrales est très grand. Grâce à la procédure d'optimisation séquentielle, ce modèle permet aussi de déterminer le nombre des classes présentes dans l'image satellitaire, dans le cadre d'une classification non supervisée, à travers une condition d'arrêt définie localement pour chaque noeud. Nous avons effectué des expériences sur une image SPOT de la baie de Lannion, pour laquelle nous disposons d'une vérité terrain, et nous avons trouvé que le modèle proposé fournit de meilleurs résultats que certains autres modèles de Markov et que d'autres méthodes variationnelles. |
Abstract :
In this work we detail a tree-structured MRF (TS-MRF) prior model useful for segmentation of multispectral satellite images. This model allows a hierarchical representation of a 2-D field by the use of a sequence of binary MRFs, each corresponding to a node in the tree. In order to get good performances, one can fit the intrinsic structure of the data to the TS-MRF model, thereby defining a multi-parameter, flexible, MRF. Although a global MRF model is defined on the whole tree, optimization as well estimation can be carried out by working on a single node at a time, from the root down to the leaves, with a significant reduction in complexity. Indeed the overall algorithm is proved experimentally to be much faster than a comparable algorithm based on a conventional Ising MRF model, especially when the number of bands becomes very large. Thanks to the sequential optimization procedure, this model also addresses the cluster validation problem of unsupervised segmentation, through the use of a stopping condition local to each node. Experiments on a SPOT image of the Lannion Bay, a ground-truth of which is available, prove the superior performance of the algorithm w.r.t. some other MRF based algorithms for supervised segmentation, as well as w.r.t. some variational methods. |
|
top of the page
These pages were generated by 
|
2011 Activity report
get the bibtex
