Publications about Classification

Result of the query in the list of publications :

• 3 Articles
• 7 PhD Thesis and Habilitations
• 12 Conference articles
• 12 Technical and Research Reports

new search | get the bibtex

navigation : 1 - 2 - 3 - 4 display : 10 per page | 20 per page | 50 per page

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 @INPROCEEDINGS{zammit_igarss_07, author = {Zammit, O. and Descombes, X. and Zerubia, J.}, title = {Assessment of different classification algorithms for burnt land discrimination}, year = {2007}, month = {July}, booktitle = {Proc. IEEE International Geoscience and Remote Sensing Symposium (IGARSS)}, pages = {3000-3003}, address = {Barcelone, Spain}, url = {http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4423476}, keyword = {Satellite images, Burnt areas, Support Vector Machines, Forest fires, Classification} }

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.

top of the page

navigation : 1 - 2 - 3 - 4 display : 10 per page | 20 per page | 50 per page

These pages were generated by