The Publications

Result of the query in the list of publications :

• 101 Articles
• 31 PhD Thesis and Habilitations
• 245 Conference articles
• 90 Technical and Research Reports
• 14 Collection articles or Books chapters
• 5 Books

new search | get the bibtex

navigation : 1 - 2- ... - 41 - 42 - 43- ... - 48 - 49 display : 10 per page | 20 per page | 50 per page

90 Technical and Research Reports

34 - Higher Order Active Contours. M. Rochery and I. H. Jermyn and J. Zerubia. Research Report 5656, INRIA, France, August 2005. Keywords : Active contour, Higher-order, Road network, Shape, Prior. @TECHREPORT{RR_5656, author = {Rochery, M. and Jermyn, I. H. and Zerubia, J.}, title = {Higher Order Active Contours}, year = {2005}, month = {August}, institution = {INRIA}, type = {Research Report}, number = {5656}, address = {France}, url = {https://hal.inria.fr/inria-00070352}, pdf = {https://hal.inria.fr/file/index/docid/70352/filename/RR-5656.pdf}, ps = {https://hal.inria.fr/docs/00/07/03/52/PS/RR-5656.ps}, keyword = {Active contour, Higher-order, Road network, Shape, Prior} } Résumé : Nous introduisons une nouvelle classe de contours actifs qui offre des perspectives intéressantes pour la modélisation des régions et des formes, et nous appliquons un cas particulier de ces modèles à l'extraction de réseaux linéiques dans des images satellitaires et aériennes. Les nouveaux modèles sont des fonctionnelles polynômiales arbitraires sur l'espace des contours, et généralisent ainsi les fonctionnelles linéaires utilisées dans les modèles classiques de contours actifs. Alors que les fonctionnelles classiques s'écrivent avec de simples intégrales sur le contour, les nouvelles énergies sont définies comme des intégrales multiples, décrivant ainsi des interactions de longue portée entre les différents ensembles de points du contour. Utilisées comme des termes d'a priori, les fonctionnelles décrivent des familles de contours aux propriétés géométriques complexes, sans faire référence à une forme spécifique et sans nécessiter l'estimation de la position. Utilisées comme des termes d'attache aux données, elles permettent de décrire des interactions multi-points entre le contour et les données. Afin de minimiser ces énergies, nous adoptons la méthodologie des courbes de niveau. Les forces dérivées des énergies sont cependant non locales, et nécessitent une extension des méthodes de courbes de niveau standard. Les réseaux sont une famille de formes d'une grande importance dans de nombreuses applications et en particulier en télédétection. Pour les modéliser, nous faisons un choix particulier d'énergie quadratique qui décrit des structures branchées et nous ajoutons un terme d'attache aux données qui lie les données et la géométrie du contour au niveau des paires de points du contour. Des résultats d'extraction prometteurs sont montrés sur des images réelles. Abstract : We introduce a new class of active contour models that hold great promise for region and shape modelling, and we apply a special case of these models to the extraction of road networks from satellite and aerial imagery. The new models are arbitrary polynomial functionals on the space of boundaries, and thus greatly generalize the linear functionals used in classical contour energies. While classical energies are expressed as single integrals over the contour, the new energies incorporate multiple integrals, and thus describe long-range interactions between different sets of contour points. As prior terms, they describe families of contours that share complex geometric properties, without making reference to any particular shape, and they require no pose estimation. As likelihood terms, they can describe multi-point interactions between the contour and the data. To optimize the energies, we use a level set approach. The forces derived from the new energies are non-local however, thus necessitating an extension of standard level set methods. Networks are a shape family of great importance in a number of applications, including remote sensing imagery. To model them, we make a particular choice of prior quadratic energy that describes reticulated structures, and augment it with a likelihood term that couples the data at pairs of contour points to their joint geometry. Promising experimental results are shown on real images.

35 - 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).

36 - Restauration d'Images Biologiques 3D en Microscopie Confocale par Transformée en Ondelettes Complexes. G. Pons Bernad and L. Blanc-Féraud and J. Zerubia. Research Report 5507, INRIA, France, February 2005. Keywords : Confocal microscopy, Complex 3D Wavelet Transform, Restoration, Denoising, Deconvolution. @TECHREPORT{5507, author = {Pons Bernad, G. and Blanc-Féraud, L. and Zerubia, J.}, title = {Restauration d'Images Biologiques 3D en Microscopie Confocale par Transformée en Ondelettes Complexes}, year = {2005}, month = {February}, institution = {INRIA}, type = {Research Report}, number = {5507}, address = {France}, url = {https://hal.inria.fr/inria-00070500}, pdf = {https://hal.inria.fr/file/index/docid/70500/filename/RR-5507.pdf}, ps = {https://hal.inria.fr/docs/00/07/05/00/PS/RR-5507.ps}, keyword = {Confocal microscopy, Complex 3D Wavelet Transform, Restoration, Denoising, Deconvolution} } Résumé : La microscopie confocale est une méthode puissante pour l'imagerie 3D de spécimens biologiques. Néanmoins, les images acquises sont dégradées non seulement par du flou dû à la lumière provenant de zones non focalisées du spécimen, mais aussi par un bruit de Poisson dû à la détection. Plusieurs algorithmes de déconvolution ont été proposés pour réduire ces dégradations. Un des plus utilisés est l'algorithme itératif de Richardson-Lucy, qui calcule un maximum de vraisemblance adapté à une statistique poissonienne. Mais cet algorithme tend à amplifier le bruit. Une solution consiste alors à introduire une contrainte de régularisation (par exemple, fondée sur la Variation Totale). Ici, nous nous concentrons sur des méthodes fondées sur l'analyse par ondelettes, en particulier sur des méthodes de débruitage via la transformée en ondelettes, qui semblent être plus appropriées à la microscopie en fluorescence 3D. Nous développons dans ce rapport un algorithme de Transformation en Ondelettes Complexes 3D introduit par N. Kingsbury. Celui-ci permet une décomposition invariante par translation et rotation et une sélectivité directionnelle des coefficients en ondelettes. Nous montrons sur des images synthétiques et sur des images réelles les résultats de cet algorithme de débruitage. Ce dernier est ensuite inséré dans le processus de déconvolution. Abstract : Confocal laser scanning microscopy is a powerful technique for 3D imaging of biological specimens. However the acquired images are degraded by blur from out-of-focus light and Poisson noise. Several deconvolution algorithms have been proposed to reduce these degradations, including the Richardson-Lucy iterative algorithm, which computes a maximum likelihood estimation adapted to Poisson statistics. Nevertheless, this algorithm tends to amplify noise. Other solutions exist which combine Richardson-Lucy algorithm and regularization (for example with a Total Variation constraint). In this report, we will concentrate on methods based on wavelet analysis, in particular on wavelet denoising methods, which turn out to be very effective in application to 3D confocal images. To obtain a translation and rotation invariant decomposition algorithm, we have developped the 3D Complex Wavelet Transform introduced by Nick Kingsbury. These wavelets allow moreover a directional selectivity of the wavelet coefficients. We show on simulated and real images the denoising results. This algorithm is then used for the deconvolution purpose.

37 - SAR Image Filtering Based on the Heavy-Tailed Rayleigh Model. A. Achim and E.E. Kuruoglu and J. Zerubia. Research Report 5493, INRIA, France, February 2005. Keywords : Synthetic Aperture Radar (SAR), MAP estimation, Alpha-stable distribution, Mellin transform. @TECHREPORT{5493, author = {Achim, A. and Kuruoglu, E.E. and Zerubia, J.}, title = {SAR Image Filtering Based on the Heavy-Tailed Rayleigh Model}, year = {2005}, month = {February}, institution = {INRIA}, type = {Research Report}, number = {5493}, address = {France}, url = {https://hal.inria.fr/inria-00070514}, pdf = {https://hal.inria.fr/file/index/docid/70514/filename/RR-5493.pdf}, ps = {https://hal.inria.fr/docs/00/07/05/14/PS/RR-5493.ps}, keyword = {Synthetic Aperture Radar (SAR), MAP estimation, Alpha-stable distribution, Mellin transform} } Résumé : Les images issues d'un radar à synthèse d'ouverture (RSO) sont affectées de manière inhérente par un bruit dépendant du signal, généralement connu sous le nom de bruit de chatoiement et qui est dû à la cohérence de l'onde radar. Dans ce rapport, nous proposons un nouveau filtre adaptatif pour débruiter les images RSO et nous déduisons un estimateur du maximum a posteriori (MAP) pour la section efficace du diagramme de gain en radar. On utilise d'abord une transformée logarithmique afin de changer le bruit multiplicatif en bruit additif. Nous modélisons la section efficace à l'aide d'une densité de probabilité récemment introduite - la densité de Rayleigh à queue lourde, qui a été obtenue en supposant que les parties réelles et imaginaires du signal complexe reçu peuvent être mieux caractérisées à l'aide de la famille des distributions alpha-stables. Nous estimons les paramètres du modèle à partir d'observations bruitées en faisant appel à la théorie statistique de deuxième espèce qui est fondée sur la transformée de Mellin. Enfin, nous faisons la comparaison entre la méthode que nous proposons et d'autres filtres classiques pour le débruitage d'images RSO. Nos résultats expérimentaux démontrent que le filtre MAP homomorphique fondé sur le modèle de Rayleigh à queue lourde est parmi les meilleurs pour enlever le bruit de chatoiement. Abstract : Synthetic aperture radar (SAR) images are inherently affected by a signal dependent noise known as speckle, which is due to the radar wave coherence. In this report, we propose a novel adaptive despeckling filter and derive a maximum a posteriori (MAP) estimator for the radar cross section (RCS). We first employ a logarithmic transformation to change the multiplicative speckle into additive noise. We model the RCS using the recently introduced heavy-tailed Rayleigh density function, which was derived based on the assumption that the real and imaginary parts of the received complex signal are best described using the alpha-stable family of distribution. We estimate model parameters from noisy observations by means of second-kind statistics theory, which relies on the Mellin transform. Finally, we compare our proposed algorithm with several classical speckle filters applied on actual SAR images. Experimental results show that the homomorphic MAP filter based on the heavy-tailed Rayleigh prior for the RCS is among the best for speckle removal.

38 - 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.

39 - 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.

40 - Detecting Codimension-two Objects in an Image with Ginzburg-Landau Models. G. Aubert and J.F. Aujol and L. Blanc-Féraud. Research Report 5254, INRIA, France, July 2004. Keywords : Ginzburg-Landau model, Biological images, Segmentation, Partial differential equation. @TECHREPORT{5254, author = {Aubert, G. and Aujol, J.F. and Blanc-Féraud, L.}, title = {Detecting Codimension-two Objects in an Image with Ginzburg-Landau Models}, year = {2004}, month = {July}, institution = {INRIA}, type = {Research Report}, number = {5254}, address = {France}, url = {https://hal.inria.fr/inria-00070744}, pdf = {https://hal.inria.fr/file/index/docid/70744/filename/RR-5254.pdf}, ps = {https://hal.inria.fr/docs/00/07/07/44/PS/RR-5254.ps}, keyword = {Ginzburg-Landau model, Biological images, Segmentation, Partial differential equation} } Résumé : Dans cet article, nous proposons a nouveau modèle mathématique pour détecter dans une image les singularités de codimension supérieure ou égale à deux. Cela signifie que nous voulons détecter des points dans des images 2-D, ou des points et des courbes dans des images 3-D. Nous nous inspirons des modèles de Ginzburg-Landau (GL). Ces derniers se sont révélés efficace pour modéliser de nombreux phénomènes physiques. Nous introduisons le modèle, nous énonçons ses propriétés mathématiques, et nous donnons des résultats expérimentaux illustrant les performances du modèle. Abstract : In this paper, we propose a new mathematical model for detecting in an image singularities of codimension greater than or equal to two. This means we want to detect points in a 2-D image or points and curves in a 3-D image. We drew one's inspiration from Ginzburg-Landau (G-L) models which have proved their efficiency for modeling many phenomena in physics. We introduce the model, state its mathematical properties and give some experimental results demonstrating its capability.

41 - 3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization. N. Dey and L. Blanc-Féraud and C. Zimmer and P. Roux and Z. Kam and J.C. Olivo-Marin and J. Zerubia. Research Report 5272, INRIA, France, July 2004. Keywords : Confocal microscopy, Deconvolution, Impulse answer, Total variation. @TECHREPORT{5272, author = {Dey, N. and Blanc-Féraud, L. and Zimmer, C. and Roux, P. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, title = {3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization}, year = {2004}, month = {July}, institution = {INRIA}, type = {Research Report}, number = {5272}, address = {France}, url = {http://hal.inria.fr/inria-00070726/fr/}, pdf = {https://hal.inria.fr/file/index/docid/70726/filename/RR-5272.pdf}, ps = {http://hal.inria.fr/docs/00/07/07/26/PS/RR-5272.ps}, keyword = {Confocal microscopy, Deconvolution, Impulse answer, Total variation} } Résumé : La microscopie confocale (Confocal laser scanning microscopy ou microscopie confocale à balayage laser) est une méthode puissante de plus en plus populaire pour l'imagerie 3D de spécimens biologiques. Malheureusement, les images acquises sont dégradées non seulement par du flou dû à la lumière provenant de zones du spécimen non focalisées, mais aussi par un bruit de Poisson dû à la détection, qui se fait à faible flux de photons. Plusieurs méthodes de déconvolution ont été proposées pour réduire ces dégradations, avec en particulier l'algorithme itératif de Richardson-Lucy, qui calcule un maximum de vraisemblance adapté à une statistique poissonienne. Mais cet algorithme utilisé comme tel ne converge pas nécessairement vers une solution adaptée, car il tend à amplifier le bruit. Si par contre on l'utilise avec une contrainte de régularisation (connaissance a priori sur l'objet que l'on cherche à restaurer, par exemple), Richardson-Lucy régularisé converge toujours vers une solution adaptée, sans amplification du bruit. Nous proposons ici de combiner l'algorithme de Richardson-Lucy avec une contrainte de régularisation basée sur la Variation Totale, dont l'effet d'adoucissement permet d'éviter les oscillations d'intensité tout en préservant les bords des objets. Nous montrons sur des images synthétiques et sur des images réelles que cette contrainte de régularisation améliore les résultats de la déconvolution à la fois qualitativement et quantitativement. Nous comparons plusieurs méthodes de déconvolution bien connues à la méthode que nous proposons, comme Richardson-Lucy standard (pas de régularisation), Richardson-Lucy régularisé avec Tikhonov-Miller, et un algorithme basé sur la descente de gradients (sous l'hypothèse d'un bruit additif gaussien). Abstract : Confocal laser scanning microscopy is a powerful and increasingly popular technique for 3D imaging of biological specimens. However the acquired images are degraded by blur from out-of-focus light and Poisson noise due to photon-limited detection. Several deconvolution methods have been proposed to reduce these degradations, including the Richardson-Lucy iterative algorithm, which computes a maximum likelihood estimation adapted to Poisson statistics. However this algorithm does not necessarily converge to a suitable solution, as it tends to amplify noise. If it is used with a regularizing constraint (some prior knowledge on the data), Richardson-Lucy regularized with a well-chosen constraint, always converges to a suitable solution. Here, we propose to combine the Richardson-Lucy algorithm with a regularizing constraint based on Total Variation, whose smoothing avoids oscillations while preserving object edges. We show on simulated and real images that this constraint improves the deconvolution results both visually and using quantitative measures. We compare several well-known deconvolution methods to the proposed method, such as standard Richardson-Lucy (no regularization), Richardson-Lucy with Tikhonov-Miller regularization, and an additive gradient-based algorithm.

42 - Dual Norms and Image Decomposition Models. J.F. Aujol and A. Chambolle. Research Report 5130, INRIA, France, March 2004. Keywords : Total variation, Bounded Variation Space, Image decomposition. @TECHREPORT{5130, author = {Aujol, J.F. and Chambolle, A.}, title = {Dual Norms and Image Decomposition Models}, year = {2004}, month = {March}, institution = {INRIA}, type = {Research Report}, number = {5130}, address = {France}, url = {https://hal.inria.fr/inria-00071453}, pdf = {https://hal.inria.fr/file/index/docid/71453/filename/RR-5130.pdf}, ps = {https://hal.inria.fr/docs/00/07/14/53/PS/RR-5130.ps}, keyword = {Total variation, Bounded Variation Space, Image decomposition} } Résumé : Inspiré par [16], de nombreux modèles de décomposition d'images en une composante géométrique et une composante texturée ont été proposés en traitement d'images. Dans de telles approches, les normes d'espaces de Sobolev d'exposant négatif ont paru intéressantes pour modéliser les éléments oscillants. Dans ce papier, nous comparons les propriétés de différentes normes qui sont duales de normes de Sobolev ou de Besov. Nous proposons ensuite un modèle de décomposition qui sépare une image en deux composantes, une première contenant les structures de l'image, une seconde les textures de l'image, et une troisième le bruit. Notre modèle de décomposition repose sur l'utilisation de trois semi-normes différentes: la variation totale pour la composante géométrique, une norme de Sobolev négative pour la texture, et une norme de Besov négative pour le bruit. Nous illustrons notre étude par des exemples numériques. Abstract : Following [16], decomposition models into a geometrical component and a textured component have recently been proposed in image processing. In such approaches, negative Sobolev norms have seemed to be useful to modelize oscillating patterns. In this paper, we compare the properties of various norms that are dual of Sobolev or Besov norms. We then propose a decomposition model which splits an image into three components: a first one containing the structure of the image, a second one the texture of the image, and a third one the noise. Our decomposition model relies on the use of three different semi-norms: the total variation for the geometrical componant, a negative Sobolev norm for the texture, and a negative Besov norm for the noise. We illustrate our study with numerical examples.

43 - SAR Amplitude Probability Density Function Estimation based on a Generalized Gaussian Scattering Model. G. Moser and J. Zerubia and S.B. Serpico. Research Report 5153, INRIA, France, March 2004. Keywords : Synthetic Aperture Radar (SAR), Generalised Gaussians. @TECHREPORT{5153, author = {Moser, G. and Zerubia, J. and Serpico, S.B.}, title = {SAR Amplitude Probability Density Function Estimation based on a Generalized Gaussian Scattering Model}, year = {2004}, month = {March}, institution = {INRIA}, type = {Research Report}, number = {5153}, address = {France}, url = {https://hal.inria.fr/inria-00071430}, pdf = {https://hal.inria.fr/file/index/docid/71430/filename/RR-5153.pdf}, ps = {https://hal.inria.fr/docs/00/07/14/30/PS/RR-5153.ps}, keyword = {Synthetic Aperture Radar (SAR), Generalised Gaussians} } Résumé : En télédetection, un problème important est celui de développer des modèles précis pour representer les statistiques des intensités des pixels. En ce qui concerne les données du type Radar à Synthèse d'Ouverture (RSO), cette modélisation constitue un point capital pour la classification ou le débruitage d'une image, par exemple. Dans ce rapport de recherche, une nouvelle méthode d'estimation paramétrique pour les amplitudes d'images RSO est proposée. Elle tient compte de la nature physique des phénomènes de diffusion qui générent une image RSO en adoptant une modèle de gaussiennes generalisées pour les phénomènes de rétrodiffusion. Une expression, sous forme explicite, de la densité de probabilité de l'amplitude est obtenue et un algorithme spécifique d'estimation des paramètres est proposé afin de pouvoir utiliser le modèle proposé. Une mèthode récente fondée sur les «logs-cumulants» est appliquée, dérivant de l'utilisation d'une transformée de Mellin (à la place de la transformée de Fourier usuelle) dans le calcul des fonctions caractéristiques et de la généralisation des concepts de moment et de cumulant correspondante. Les estimées obtenues par la mèthode des log-cumulants pour le modèle d'amplitude fondé sur des gaussiennes généralisées se révelent être calculables numériquement et également consistantes. Dans ce rapport de recherche, l'approche paramètrique proposée est validée sur diverses images radar RSO (ERS, XSAR, ESAR et des radar aéroportés). Les résultats expérimentaux montrent que la mèthode proposée modèlise mieux la densité de probabilité de l'amplitude que beaucoup de modèles paramétriques proposés précédemment pour les phénomènes de rétrodiffusion. Abstract : In the context of remotely sensed data analysis, an important problem is the development of accurate models for the statistics of the pixel intensities. Focusing on Synthetic Aperture Radar (SAR) data, this modelling process turns out to be a crucial task, for instance, for classification or for denoising purposes. In the present report, an innovative parametric estimation methodology for SAR amplitude data is proposed, which takes into account the physical nature of the scattering phenomena generating a SAR image by adopting a generalized Gaussian (GG) model for the backscattering phenomena. A closed form expression for the corresponding amplitude probability density function (PDF) is derived and a specific parameter estimation algorithm is developed in order to deal with the proposed model. Specifically, the recently proposed «method-of-log-cumulants» (MoLC) is applied, which stems from the adoption of the Mellin transform (instead of the usual Fourier transform) in the computation of characteristic functions, and from the corresponding generalization of the concepts of moment and of cumulant. For the developed GG-based amplitude model, the resulting MoLC estimates turn out to be numerically feasible and are also proved to be consistent. The proposed parametric approach is validated using several real ERS-1, XSAR, ESAR and airborne SAR images and the experimental results prove that the method models the amplitude probability density function better than several previously proposed parametric models for the backscattering phenomena.

top of the page

navigation : 1 - 2- ... - 41 - 42 - 43- ... - 48 - 49 display : 10 per page | 20 per page | 50 per page

These pages were generated by