|
|
Publications about Classification
Result of the query in the list of publications :
12 Conference articles |
11 - Assessment of different classification algorithms for burnt land discrimination.
O. Zammit and X. Descombes and J. Zerubia. In Proc. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), pages 3000-3003, Barcelone, Spain, July 2007.
Keywords : Satellite images, Burnt areas, Support Vector Machines, Forest fires, Classification.
Copyright : IEEE
|
12 - Gaussian Mixture Models of Texture and Colour for Image Database Retrieval.
H. Permuter and J.M. Francos and I. H. Jermyn. In Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Hong Kong, April 2003.
Keywords : Texture, Gaussian mixture, Classification, Aerial images.
@INPROCEEDINGS{Permuter03,
|
| author |
= |
{Permuter, H. and Francos, J.M. and Jermyn, I. H.}, |
| title |
= |
{Gaussian Mixture Models of Texture and Colour for Image Database Retrieval}, |
| year |
= |
{2003}, |
| month |
= |
{April}, |
| booktitle |
= |
{Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, |
| address |
= |
{Hong Kong}, |
| pdf |
= |
{http://www-sop.inria.fr/members/Ian.Jermyn/publications/Permuter03icassp.pdf}, |
| keyword |
= |
{Texture, Gaussian mixture, Classification, Aerial images} |
| } |
Abstract :
We introduce Gaussian mixture models of ‘structure’ and
colour features in order to classify coloured textures in images,
with a view to the retrieval of textured colour images
from databases. Classifications are performed separately
using structure and colour and then combined using
a confidence criterion. We apply the models to the VisTex
database and to the classification of man-made and natural
areas in aerial images. We compare these models with others
in the literature, and show an overall improvement in
performance. |
|
 top of the page
12 Technical and Research Reports |
1 - On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation.
V. Krylov and G. Moser and S.B. Serpico and J. Zerubia. Research Report 7666, INRIA, July 2011.
Keywords : Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Synthetic Aperture Radar (SAR), Classification.
Copyright : INRIA/ARIANA
@TECHREPORT{RR-7666,
|
| author |
= |
{Krylov, V. and Moser, G. and Serpico, S.B. and Zerubia, J.}, |
| title |
= |
{On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation}, |
| year |
= |
{2011}, |
| month |
= |
{July}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{7666}, |
| url |
= |
{http://hal.archives-ouvertes.fr/inria-00605274/en/}, |
| keyword |
= |
{Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Synthetic Aperture Radar (SAR), Classification} |
| } |
Résumé :
L'estimation de paramètres de fonctions de densité de probabilité est une étape majeure dans le domaine du traitement statistique du signal et des images. Dans ce rapport, nous étudions les propriétés et les limites de l'estimation de paramètres par la méthode des cumulants logarithmiques (MoLC), qui est une alternative à la fois au maximum de vraisemblance (MV) classique et à la méthode des moments. Nous dérivons la condition générale suffisante de consistance forte de l'estimation par la méthode MoLC, qui représente une propriété asymptotique importante de tout estimateur statistique. Grâce à cela, nous démontrons la consistance forte de l'estimation par la méthode MoLC pour une sélection de familles de distributions particulièrement adaptées (mais non restreintes) au traitement d'images acquises par radar à synthèse d'ouverture (RSO). Nous dérivons ensuite les conditions analytiques d'applicabilité de la méthode MoLC à des échantillons générés qui suivent les lois des différentes familles de distribution de notre sélection. Enfin, nous testons la méthode MoLC sur des données synthétiques et réelles afin de comparer les différentes propriétés inhérentes aux différents types d'images, l'applicabilité de la méthode et les effets d'un nombre restreint d'échantillons. Nous avons, en particulier, considéré les distributions gamma généralisée et K. Comme exemple d'application, nous avons réalisé des classifications supervisées d'images médicales à ultrason ainsi que d'images de télédétection acquises par des capteurs RSO. Les résultats obtenus montrent que la méthode MoLC est une bonne alternative à la méthode des moments, bien qu'elle contienne certaines limitations. Elle est particulièrement utile lorsqu'une approche directe par MV n'est pas possible. |
Abstract :
Parameter estimation of probability density functions is one of the major steps in the mainframe of statistical image and signal processing. In this report we explore the properties and limitations of the recently proposed method of logarithmic cumulants (MoLC) parameter estimation approach which is an alternative to the classical maximum likelihood (ML) and method of moments (MoM) approaches. We derive the general sufficient condition of strong consistency of MoLC estimates which represents an important asymptotic property of any statistical estimator. With its help we demonstrate the strong consistency of MoLC estimates for a selection of widely used distribution families originating (but not restricted to) synthetic aperture radar (SAR) image processing. We then derive the analytical conditions of applicability of MoLC to samples generated from several distribution families in our selection. Finally, we conduct various synthetic and real data experiments to assess the comparative properties, applicability and small sample performance of MoLC notably for the generalized gamma and K family of distributions. Supervised image classification experiments are considered for medical ultrasound and remote sensing SAR imagery. The obtained results suggest MoLC to be a feasible yet not universally applicable alternative to MoM that can be considered when the direct ML approach turns out to be unfeasible. |
|
2 - Unsupervised amplitude and texture based classification of SAR images with multinomial latent model.
K. Kayabol and J. Zerubia. Research Report 7700, INRIA, July 2011.
Keywords : High resolution SAR, Classification, Texture.
@TECHREPORT{Kayabol11,
|
| author |
= |
{Kayabol, K. and Zerubia, J.}, |
| title |
= |
{Unsupervised amplitude and texture based classification of SAR images with multinomial latent model}, |
| year |
= |
{2011}, |
| month |
= |
{July}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{7700}, |
| url |
= |
{http://hal.archives-ouvertes.fr/hal-00612491/fr/}, |
| keyword |
= |
{High resolution SAR, Classification, Texture} |
| } |
Abstract :
We combine both amplitude and texture statistics of the Synthetic Aperture Radar (SAR) images using Products of Experts (PoE) approach for classification purpose. We use Nakagami density to model the class amplitudes and a non-Gaussian Markov Random Field (MRF) texture model with t-distributed regression error to model the textures of the classes. A non-stationary Multinomial Logistic (MnL) latent class label model is used as a mixture density to obtain spatially smooth class segments. The Classification Expectation-Maximization (CEM) algorithm is performed to estimate the class parameters and to classify the pixels. We resort to Integrated Classification Likelihood (ICL) criterion to determine the number of classes in the model. We obtained some classification results of water, land and urban areas in both supervised and unsupervised cases on TerraSAR-X, as well as COSMO-SkyMed data.
|
|
3 - Support Vector Machines for burnt area discrimination.
O. Zammit and X. Descombes and J. Zerubia. Research Report 6343, INRIA, November 2007.
Keywords : Forest fires, Burnt areas, Satellite images, Support Vector Machines, Classification.
@TECHREPORT{zammit_RR_07,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Support Vector Machines for burnt area discrimination}, |
| year |
= |
{2007}, |
| month |
= |
{November}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{6343}, |
| url |
= |
{http://hal.inria.fr/inria-00185101/fr/}, |
| pdf |
= |
{http://hal.inria.fr/inria-00185101/fr/}, |
| keyword |
= |
{Forest fires, Burnt areas, Satellite images, Support Vector Machines, Classification} |
| } |
Résumé :
Ce rapport aborde le problème de l'évaluation des dégâts après un feux de forêt. La détection est effectuée à partir d'une seule image satellite (SPOT 5) acquise après le feu. Afin de détecter les zones brûlées, nous utilisons une approche récente de classification nommée SVM (Séparateurs à Vaste Marge). Cette méthode est comparée aux algorithmes de classification plus conventionnels comme les K-moyennes ou les K-plus proches voisins, qui sont régulièrement utilisés en traitement d'image. Nous proposons également une méthode de classification non supervisée combinant les K-moyennes et les SVM. Les résultats fournis par les différentes techniques sont comparés à des vérités de terrain sur diverses zones brûlées. |
Abstract :
This report addresses the problem of burnt area discrimination using remote sensing images. The detection is based on a single post-fire image acquired by SPOT 5 satellite. To delineate the burnt areas, we use a recent classification method called Support Vectors Machines (SVM). This approach is compared to more conventional classifiers such as K-means or K-nearest neighbours which are widely used in image processing. We also proposed a new automatic classification approach combining K-means and SVM. The results given by the different methods are finally compared to ground truths on various burnt areas |
|
4 - 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. |
|
5 - 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. |
|
6 - Image Decomposition : Application to Textured Images and SAR Images.
J.F. Aujol and G. Aubert and L. Blanc-Féraud and A. Chambolle. Research Report 4704, INRIA, France, January 2003.
Keywords : Total variation, Bounded Variation Space, Texture, Classification, Restoration, Synthetic Aperture Radar (SAR).
@TECHREPORT{4704,
|
| author |
= |
{Aujol, J.F. and Aubert, G. and Blanc-Féraud, L. and Chambolle, A.}, |
| title |
= |
{Image Decomposition : Application to Textured Images and SAR Images}, |
| year |
= |
{2003}, |
| month |
= |
{January}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{4704}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071882}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71882/filename/RR-4704.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/18/82/PS/RR-4704.ps}, |
| keyword |
= |
{Total variation, Bounded Variation Space, Texture, Classification, Restoration, Synthetic Aperture Radar (SAR)} |
| } |
Résumé :
Dans ce rapport, nous présentons un nouvel algorithme pour décomposer une imagef en u+v, u étant à variation bornée, et v contenant les textures et le bruit de l'image originale. Nous introduisons une fonctionnelle adaptée à ce problème. Le minimum de cette fonctionnelle correspond à la décomposition cherchée de l'image. Le calcul de ce minimum se fait par minimisation successive par rapport à chacune des variables, chaque minimisati- on étant réalisée à l'aide d'un algorithme de projection. Nous faisons l'étude théorique de notre modèle, et nous présentons des résultats numériques. D'une part, nous montrons comment la composante v peut être utilisée pour faire de la classification d'images texturées, et d'autre part nous montrons comment la composante u peut être utilisée en restauration d'images SAR. |
Abstract :
In this report, we present a new algorithm to split an image f into a component u belonging to BV and a component v made of textures and noise of the initial image. We introduce a functional adapted to this problem. The minimum of this functional corresponds to the image decomposition we want to get. We compute this minimum by minimizing successively our functional with respect to u and v. We carry out the mathematical study of our algorithm. We present some numerical results. On the one hand, we show how the v component can be used to classify textured images, and on the other hand, we show how the u component can be used in SAR image restoration. |
|
7 - Supervised Classification for Textured Images.
J.F. Aujol and G. Aubert and L. Blanc-Féraud. Research Report 4640, Inria, France, November 2002.
Keywords : Texture, Classification, Wavelets, Partial differential equation, Level sets.
@TECHREPORT{4640,
|
| author |
= |
{Aujol, J.F. and Aubert, G. and Blanc-Féraud, L.}, |
| title |
= |
{Supervised Classification for Textured Images}, |
| year |
= |
{2002}, |
| month |
= |
{November}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4640}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071945}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71945/filename/RR-4640.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/19/45/PS/RR-4640.ps}, |
| keyword |
= |
{Texture, Classification, Wavelets, Partial differential equation, Level sets} |
| } |
Résumé :
Dans ce rapport, nous présentons un modèle de classification supervisée basé sur une approche variationnelle. Ce modèle s'applique spécifiquement aux images texturées. Nous souhaitons obtenir une partition optimale de l'image constituée de textures séparées par des interfaces régulières. Pour cela, nous représentons les régions définies par les classes ainsi que leurs interfaces par des fonctions d'ensemble de niveaux. Nous définissons une fonctionnelle sur ces ensembles de niveaux dont le minimum est une partition optimale. Cette fonctionnelle comporte en particulier un terme d'attache aux données spécifique aux textures. Nous utilisons une transformée en paquets d'ondelettes pour analyser les textures, ces dernières étant caractérisées par la distribution de leur énergie dans chaque sous-bande de la décompositon. Les équations aux dérivées partielles (EDP) relatives à la minimisation de la fonctionnelle sont couplées et plongées dans un schéma dynamique. En fixant un ensemble de niveaux initial, les différents termes des EDP guident l'évolution des interfaces (ensemble de niveau zéro) vers les frontières de la partion optimale, par le biais de forces externes (régularité de l'interface) et internes (attache aux données et contraintes partition). Nous avons effectué des tests sur des images synthétiques et sur des images réelles. |
Abstract :
In this report, we present a supervised classification model based on a variational approach. This model is specifically devoted to textured images. We want to get an optimal partition of an image which is composed of textures separated by regular interfaces. To reach this goal, we represent the regions defined by the classes as well as their interfaces by level set functions. We define a functional on these level sets whose minimizers define an optimal partition. In particular, this functional owns a data term specific to textures. We use a packet wavelet transform to analyze the textures, these ones being characterized by their energy distribution in each sub-band of the decomposition. The partial differential equations (PDE) related to the minimization of the functional are embeded in a dynamical scheme. Given an initial interface set (zero level set), the different terms of the PDE's govern the motion of interfaces such that, at convergence, we get an optimal partition as defined above. Each interface is guided by external forces (regularity of the interface), and internal ones (data term and partition constraints). We have conducted several experiments on both synthetic and real images. |
|
8 - Gamma-Convergence of Discrete Functionals with non Convex Perturbation for Image Classification.
G. Aubert and L. Blanc-Féraud and R. March. Research Report 4560, Inria, France, September 2002.
Keywords : Generalised Gaussians, Classification, Regularization.
@TECHREPORT{4560,
|
| author |
= |
{Aubert, G. and Blanc-Féraud, L. and March, R.}, |
| title |
= |
{Gamma-Convergence of Discrete Functionals with non Convex Perturbation for Image Classification}, |
| year |
= |
{2002}, |
| month |
= |
{September}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4560}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00072028}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/72028/filename/RR-4560.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/20/28/PS/RR-4560.ps}, |
| keyword |
= |
{Generalised Gaussians, Classification, Regularization} |
| } |
Résumé :
Ce rapport contient la justification mathématique du modèle variationnel proposé en traitement d'image pour la classification supervisée. A partir des travaux effectués en mécanique des fluides pour les transitions de phase, nous avons développé un modèle de classification par minimisation d'une suite de fonctionnelles. Le résultat est une image de classes formée de régions homogènes séparées par des contours réguliers. Ce modèle diffère de ceux utilisés en mécanique des fluides car la perturbation utilisée n'est pas quadratique mais correspond à une fonction de régularisation d'image préservant les contours. La gamma-convergence de cette nouvelle suite de fonctionnelles est prouvée. |
Abstract :
The purpose of this report is to show the theoretical soundness of a variation- al method proposed in image processing for supervised classification. Based on works developed for phase transitions in fluid mechanics, the classification is obtained by minimizing a sequence of functionals. The method provides an image composed of homogeneous regions with regular boundaries, a region being defined as a set of pixels belonging to the same class. In this paper, we show the gamma-convergence of the sequence of functionals which differ from the ones proposed in fluid mechanics in the sense that the perturbation term is not quadratic but has a finite asymptote at infinity, corresponding to an edge preserving regularization term in image processing. |
|
9 - 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. |
|
10 - 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. |
|
11 - Classification d'Images Multibandes par Modèles Variationnels.
C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. Research Report 4010, Inria, September 2000.
Keywords : Variational methods, Classification, Active contour, Level sets, Gamma Convergence.
@TECHREPORT{cs99e,
|
| author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
| title |
= |
{Classification d'Images Multibandes par Modèles Variationnels}, |
| year |
= |
{2000}, |
| month |
= |
{September}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4010}, |
| url |
= |
{https://hal.inria.fr/inria-00072633}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/72633/filename/RR-4010.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/26/33/PS/RR-4010.ps}, |
| keyword |
= |
{Variational methods, Classification, Active contour, Level sets, Gamma Convergence} |
| } |
Résumé :
Dans ce rapport, nous proposons deux modèles variationnels pour la classificat- ion d'images multibandes.
Le premier modèle présenté repose sur la minimisation d'une famille de critères dont la suite de solutions converge vers une partition des données composée de classes homogènes séparées par des contours réguliers.
Parallèlement à cette approche, nous avons développé un second modèle de classification mettant en jeu un ensemble de régions et contours actifs. Nous utilisons une approche par ensembles de niveaux pour définir le critère à minimiser. Le critère proposé contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours.
L'imagerie multispectrale permet de prendre en compte, et de combiner, l'information des différentes bandes spectrales renvoyée par un capteur satellitaire ou aérien. L'extension au cas multispectral intervient à des niveaux différents pour les deux modèles proposés dans ce rapport. Nous traitons une application réelle sur une scène SPOT en mode XS pour laquelle nous disposons d'une vérité terrain. Nous comparons les deux modèles variationnels que nous proposons à d'autres approches dont un modèle stochastique hiérarchique, récemment développé à l'IRISA au sein du projet VISTA. |
Abstract :
Herein, we propose two variational models for multiband image classification.
\The first model we propose herein is based on the minimization of a criterion family whose set of solutions is converging to a partition of the data set composed of homogeneous regions with regularized boundaries. The second model we propose is based on a set of active regions and contours. We use a level set formulation to define the criterion we want to minimize. Each class and its associated set of regions and boundaries is defined thanks to a level set function.
The extension of these two models to the multispectral case is presented in this report. The extension of the dynamic model is quite straightforward whereas the one of the first model is more tricky.
We have conducted experiments on SPOT XS data whose ground truth is given. We compare the results we obtain with other approaches, in particular we compare the proposed models to a stochastic hierarchical model recently developed within the VISTA group from IRISA. |
|
12 - Image Classification Using a Variational Approach.
C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. Research Report 3523, Inria, October 1998.
Keywords : Classification, Variational methods.
@TECHREPORT{samsonRR98,
|
| author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
| title |
= |
{Image Classification Using a Variational Approach}, |
| year |
= |
{1998}, |
| month |
= |
{October}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3523}, |
| url |
= |
{https://hal.inria.fr/inria-00073161}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/73161/filename/RR-3523.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/31/61/PS/RR-3523.ps}, |
| keyword |
= |
{Classification, Variational methods} |
| } |
Résumé :
Dans ce rapport nous présentons un modèle variationnel destiné à la classification d'images avec processus de régularisation préservant les contours. La notion de classification étant par nature discrète (i.e. attribuer un label à chaque pixel de l'image), il existe de nombreux modèles de classification par approche probabiliste, mais les modèles variationnels abordant ce sujet sont rares. Ces dernières années, l'approche variationnelle a montré sont efficacité dans le cadre de la restauration d'images avec prise en compte des discontinuités. Dans ce travail, nous ajoutons un processus de classification permettant d'obtenir une solution formée de régions homogènes dont les frontières sont régulières (une région étant définie par l'ensemble des pixels appartenant à la même classe). La justification théorique de notre modèle repose sur les travaux effectués dans le cadre des problèmes de transitions de phases en mécanique. L'algorithme que nous proposons est relativement rapide et facile à mettre en oeuvre. Nous comparons les résultats obtenus sur des images synthétiques et satellitaires avec ceux produits par un modèle stochastique avec régularisation de Potts. |
Abstract :
Herein, we present a variational model devoted to image classification coupled with an edge-preserving regularization process. The discrete nature of classification (i.e. to attribute a label to each pixel) has ledto the development of many probabilistic image classification models, but rarely to variational ones. In the last decade, the variational approach has proven its efficiency in the field of edge-preserving restoration. In this paper we add a classification capability which contributes to provide images compound of homogeneous regions with regularized boundaries, a region being defined as a set of pixels belonging to the same class. The soundness of our model is based on the works developed on the phase transitions theory in mechanics. The proposed algorithm is fast, easy to implement, and efficient. We compare our results on both synthetic and satellite images with the ones obtained by a stochastic model using a Potts regularization. |
|
top of the page
These pages were generated by 
|
2011 Activity report
get the bibtex
