Publications about Markov Fields

Result of the query in the list of publications :

• 2 Articles
• 3 PhD Thesis and Habilitations
• 3 Conference articles
• 14 Technical and Research Reports
• 1 Collection article or Book chapter

new search | get the bibtex

navigation : 1 - 2 - 3 display : 10 per page | 20 per page | 50 per page

14 Technical and Research Reports

3 - 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.

4 - Analyse Intra-urbaine à partir d'Images Satellitaires par une Approche de Fusion de Données sur la Ville de Mexico. O. Viveros-Cancino and X. Descombes and J. Zerubia. Research Report 4578, Inria, France, October 2002. Keywords : Data fusion, Markov Fields, Texture, Urban areas, Confusion matrix. @TECHREPORT{4578, author = {Viveros-Cancino, O. and Descombes, X. and Zerubia, J.}, title = {Analyse Intra-urbaine à partir d'Images Satellitaires par une Approche de Fusion de Données sur la Ville de Mexico}, year = {2002}, month = {October}, institution = {Inria}, type = {Research Report}, number = {4578}, address = {France}, url = {https://hal.inria.fr/inria-00072010}, pdf = {https://hal.inria.fr/file/index/docid/72010/filename/RR-4578.pdf}, ps = {https://hal.inria.fr/docs/00/07/20/10/PS/RR-4578.ps}, keyword = {Data fusion, Markov Fields, Texture, Urban areas, Confusion matrix} } Résumé : Ce document présente une analyse intra-urbaine afin d'améliorer la détection des différents tissus urbains avec une application sur la ville de Mexico. La méthode de fission-fusion est proposée ainsi qu'une méthode pour fusionner les classes existantes. Les deux méthodes se composent des étapes suivantes : premièrement, une analyse de texture, nommée étape de fission, est faite pour mieux décrire l'image, ensuite, une classification supervisée, nommée étape de fusion, est faite sur les paramètres issus de l'analyse de texture à partir des valeurs de qualité, notamment la valeur Kappa calculée sur la matrice de confusion. Ces étapes sont réalisées sur des images optiques (SPOT) et radar (ERS) de la ville de Mexico et sont suivies d'un régularisation. Abstract : In this research report we present an intra-urban analysis to improve urban texture extraction. Two methods are proposed : a fission-fusion method and another method which fuses already existing classes. Both methods consist of two steps. The first step, called fission, performs a texture analysis which looks for structures with different parameters. The second step, called fusion, involves a supervised classification using quality parameters, in particular the kappa value which is computed from the confusion matrix. These two steps are carried out on SPOT and radar images of Mexico city. A regularization step is then performed which completes our analysis.

5 - Analyse de Texture Hyperspectrale par Modélisation Markovienne. G. Rellier and X. Descombes and F. Falzon and J. Zerubia. Research Report 4479, INRIA, France, June 2002. Keywords : Classification, Markov Fields, Texture, Hyperspectral imaging. @TECHREPORT{4479, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {Analyse de Texture Hyperspectrale par Modélisation Markovienne}, year = {2002}, month = {June}, institution = {INRIA}, type = {Research Report}, number = {4479}, address = {France}, url = {https://hal.inria.fr/inria-00072109}, pdf = {https://hal.inria.fr/file/index/docid/72109/filename/RR-4479.pdf}, ps = {https://hal.inria.fr/docs/00/07/21/09/PS/RR-4479.ps}, keyword = {Classification, Markov Fields, Texture, Hyperspectral imaging} } Résumé : L'analyse de texture est l'objet de nombreuses recherches dans le domaine de l'imagerie mono et multispectrale. En parallèle, sont apparus ces dernières années de nouveaux instruments spectro-imageurs ayant un grand nombre de canaux (supérieur à 10), fournissant des images appelées hyperspectrales qui sont une représentation du paysage échantillonnée à la fois spatialement et spectralement. Le but de ce travail est de réaliser une analyse de texture qui se déroule conjointement dans ces deux espaces discrets. Pour ce faire, on utilise une modélisation probabiliste vectorielle de la texture via un champ de Markov gaussien. Les paramètres de ce champ permettent la caractérisation de différentes textures présentes dans les images hyperspec- trales. L'application visée dans cette étude étant la classification du tissu urbain, qui est mal caractérisée par la seule radiométrie, on utilise ces paramètres comme de nouvelles bandes afin d'effectuer la classification par le critère du Maximum de Vraisemblance. Les résultats sur des images AVIRIS montrent une nette amélioration de la classification due à l'utilisatio- n de l'information de texture. Abstract : Texture analysis has been widely investigated in monospectral and multispectr- al imagery domain. In the same time, new image sensors with a large number of bands (more than 10) have been designed. They are able to provide images with both fine spectral and spatial sampling, called hyperspectral images. The aim of this work is to perform a joint texture analysis in both discrete spaces. To achieve this goal, we have a probabilistic vectorial texture modeling, with Gauss-Markov Random Field. The MRF parameters allow for the characterisation of different hyperspectral textures. A likely application of this work being the classification of urban areas, which are not well characterized by radiometry alone, we use these parameters as new features is a Maximum Likelihood classification algorithm. The results obtain on AVIRIS hyperspectral images show better classifications when using texture information.

6 - La poursuite de projection pour la classification d'image hyperspectrale texturée. G. Rellier and X. Descombes and F. Falzon and J. Zerubia. Research Report 4152, Inria, France, March 2001. Keywords : Classification, Texture, Hyperspectral imaging, Markov Fields. @TECHREPORT{xd01, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {La poursuite de projection pour la classification d'image hyperspectrale texturée}, year = {2001}, month = {March}, institution = {Inria}, type = {Research Report}, number = {4152}, address = {France}, url = {https://hal.inria.fr/inria-00072472}, pdf = {https://hal.inria.fr/file/index/docid/72472/filename/RR-4152.pdf}, ps = {https://hal.inria.fr/docs/00/07/24/72/PS/RR-4152.ps}, keyword = {Classification, Texture, Hyperspectral imaging, Markov Fields} } Résumé : Dans ce travail, nous considérons le problème de la classification supervisée de texture à partir d'images multi-composante de télédetection, dites hyperspectrales. Ces images, le plus souvent acquises par des instruments spectro-imageurs dont le nombre de canaux est en général supérieur à 10, fournissent ainsi une représentation du paysage échantillonnée à la fois spatialement et spectralement. Le but de ce travail est de réaliser une analyse de texture qui se déroule conjointement dans ces deux espaces discrets. On recherche ainsi à enrichir la représentation "habituelle" de texture fondée sur la prise en compte des variations locales de contraste, par l'adjonction d'une connaissance sur ses variations spectrales. L'applicati- on qui est susceptible de bénéficier directement des résultats de cette étude est la classification du tissu urbain. En effet, la réponse spectrale (radiométrique) des zones urbaines est en général ambiguë du fait de la similitude de réponse spectrale de certains matériaux constitutifs du paysage urbain avec certains éléments naturels tels que l'eau, le sol nu, la végétation. La multiplication des bandes spectrales a pour conséquence de rendre plus complexes les mesures et demande également la prise en considération d'un nombre d'échantillons d'apprentissage très important. Quand le nombre de ces échantillons n'est pas suffisant, il faut passer par une étape de réduction de la dimension de l'espace d'observation. Pour prendre en compte le problème de la dimension et celui de l'analyse de texture conjointement dans le domaine spatial et spectral, on se propose ici de faire coopérer un algorithme de poursuite de projection paramétrique, déjà utilisé pour la réduction d'espace dans un cadre non-contextuel, à un modèle de texture par champ markovien, dit modèle markovien gaussien. Abstract : In this work we develop a supervised texture classification algorithm for application to the class of multi-component images called hyperspectral. These images, usually recorded by spectrometers with a number of bands greater than 10, give both a spatially and spectrally sampled representation of a remote scene. The aim of this work is to perform a joint texture analysis in both discrete spaces. The use of spectral variations in this joint texture analysis scheme enables us to improve on the standard representa- tion of textures which only takes into account the local contrast variations. A likely application of this work is urban area classification. Indeed, the spectral response of urban areas is in general ambiguous because some of its constitutive elements have the same reflectance as natural elements such as water, vegetation or bare soil. The greater number of spectral bands makes the measures more complex and so creates the need for a greater number of training samples. When the number of training samples is not sufficient, a necessary step in the analysis is to reduce the dimension of the observation space. To take into account both the problem of dimensional- ity and the jointly spectral and spatial texture analysis, we propose to use in cooperation a projection pursuit algorithm and a Gauss-Markov random field texture model.

7 - 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.

8 - 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.

9 - 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.

10 - 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.

11 - Indexing and retrieval in multimedia libraries through parametric texture modeling using the 2D Wold decomposition. R. Stoica and J. Zerubia and J.M. Francos. Research Report 3594, Inria, December 1998. Keywords : Markov Fields, Texture, Segmentation, Indexation. @TECHREPORT{stoica98, author = {Stoica, R. and Zerubia, J. and Francos, J.M.}, title = {Indexing and retrieval in multimedia libraries through parametric texture modeling using the 2D Wold decomposition}, year = {1998}, month = {December}, institution = {Inria}, type = {Research Report}, number = {3594}, url = {https://hal.inria.fr/inria-00073085}, pdf = {https://hal.inria.fr/file/index/docid/73085/filename/RR-3594.pdf}, ps = {https://hal.inria.fr/docs/00/07/30/85/PS/RR-3594.ps}, keyword = {Markov Fields, Texture, Segmentation, Indexation} } Résumé : Ce rapport présente une méthode paramétrique permettant de faire de l'indexati- on et de la recherche dans une base de données multimédia. L'indexation (étiquetage) et la recherche de données multimédia sont réalisées grâce à la modélisation paramétrique de textures qui se trouvent dans les images de la base de données. Les textures sont caracterisées par des paramètres qui servent d'indices pour la recherche dans la base de données. Afin de pouvoir identifier les différentes régions texturées d'une image et estimer les paramètres correspondants, un algorithme de segmentation-estimatio- n est proposé dans ce rapport, qui fait appel à une décomposition de Wold 2D pour le modèle de texture et à un modèle markovien pour l'étiquetage. L'indexation nécessite de définir une distance entre les images. Une nouvelle distance, inspirée de la distance de Kullback, est décrite dans ce rapport. Elle utilise les paramètres estimés correspondants au modèle 2D de chaque texture. Les résultats obtenus relativement à la segmentation et à l'indexatio- n sont proches de ceux obtenus par un opérateur humain. Abstract : This paper presents a parametric method for indexing and retrieval of multimedia data in digital libraries. %Indexing (labeling) and retrieval %of multimedia data, based on the properties %of the imagery components of the stored data record, are derived. Indexing (labeling) and retrieval of the multimedia data are performed using parametric modeling of the textured segments found in the data imagery components. The estimated parametric models of the textured segments serve as their indices, and hence as indices of the entire image, as well as of the multimedia record which the image is part thereof. To achieve the ability to identify textured image regions and estimate their parameters, a joint segmentation-estimation algorithm that combines the 2-D Wold decomposition based texture model with a Markovian labeling process, is derived. Ordering and indexing of images require a definition of a distance measure between images. Using the framework of the Kullback distance between probability distributions, a new rigorous distance measure between textures is derived. The distance between any two textured image segments is evaluated using their estimated parametric models. The proposed segmentation, distance evaluation, and indexing methods are shown to produce comparable results to those obtained by a human viewer.

12 - 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. Research Report 3529, Inria, October 1998. Keywords : Markov Fields, Road network, Graph matching. @TECHREPORT{hiv98, 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 = {1998}, month = {October}, institution = {Inria}, type = {Research Report}, number = {3529}, url = {https://hal.inria.fr/inria-00073156}, pdf = {https://hal.inria.fr/file/index/docid/73156/filename/RR-3529.pdf}, ps = {https://hal.inria.fr/docs/00/07/31/56/PS/RR-3529.ps}, keyword = {Markov Fields, Road network, Graph matching} } Résumé : Nous considérons le problème de la mise en correspondance du réseau routier extrait d'une image SPOT avec celui fourni par une base de données cartographi- que. Cette mise en correspondance comprend deux étapes principales fondées sur des modélisations markoviennes. Dans la première étape, les pixels de l'image sont appariés aux segments cartographiques. Le résultat de cette étape permet de découper le réseau obtenu sur l'image sous forme de chaînes. Ces chaînes sont ensuite mises en correspondance avec les segments cartographiques. Pour finir, une étape de qualification des résultats permet de fournir les primitives fiables afin d'affiner le recalage initial. En bouclant l'algorithme sur la mise en correspondance nous obtenons un processus itératif permettant d'améliorer à la fois le recalage et la mise en correspondance. La qualification automatique des résultats est également une aide à l'interprétation pour la mise à jour cartographique. Abstract : We consider herein the matching problem between the road network extracted from a SPOT image and the roads contained in a cartographic database. This matching consists of two main steps based on a Markovian modelling. During the first step, the image road pixels are associated to the map segments. the derived result allows us to split the image network into chains. These chains are matched with the map segments. Finally, an automatic validation procedure provides matched chains/segments which are used to improve the initial registration. An iterative scheme is obtained by performin- g a new matching. The automatic result validation is also helpful for map updating.

top of the page

navigation : 1 - 2 - 3 display : 10 per page | 20 per page | 50 per page

These pages were generated by