|
Publications about Texture
Result of the query in the list of publications :
13 Technical and Research Reports |
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 - Analyse Intra-urbaine à partir d'Images Satellitaires par une Approche de Fusion de Données sur la Ville de Mexico. O. Viveros-Cancino and X. Descombes and J. Zerubia. Research Report 4578, Inria, France, October 2002. Keywords : Data fusion, Markov Fields, Texture, Urban areas, Confusion matrix.
@TECHREPORT{4578,
|
author |
= |
{Viveros-Cancino, O. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Analyse Intra-urbaine à partir d'Images Satellitaires par une Approche de Fusion de Données sur la Ville de Mexico}, |
year |
= |
{2002}, |
month |
= |
{October}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{4578}, |
address |
= |
{France}, |
url |
= |
{https://hal.inria.fr/inria-00072010}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72010/filename/RR-4578.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/20/10/PS/RR-4578.ps}, |
keyword |
= |
{Data fusion, Markov Fields, Texture, Urban areas, Confusion matrix} |
} |
Résumé :
Ce document présente une analyse intra-urbaine afin d'améliorer la détection des différents tissus urbains avec une application sur la ville de Mexico. La méthode de fission-fusion est proposée ainsi qu'une méthode pour fusionner les classes existantes. Les deux méthodes se composent des étapes suivantes : premièrement, une analyse de texture, nommée étape de fission, est faite pour mieux décrire l'image, ensuite, une classification supervisée, nommée étape de fusion, est faite sur les paramètres issus de l'analyse de texture à partir des valeurs de qualité, notamment la valeur Kappa calculée sur la matrice de confusion. Ces étapes sont réalisées sur des images optiques (SPOT) et radar (ERS) de la ville de Mexico et sont suivies d'un régularisation. |
Abstract :
In this research report we present an intra-urban analysis to improve urban texture extraction. Two methods are proposed : a fission-fusion method and another method which fuses already existing classes. Both methods consist of two steps. The first step, called fission, performs a texture analysis which looks for structures with different parameters. The second step, called fusion, involves a supervised classification using quality parameters, in particular the kappa value which is computed from the confusion matrix. These two steps are carried out on SPOT and radar images of Mexico city. A regularization step is then performed which completes our analysis. |
|
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 satellitaires hyperspectrales en zone rurale et périurbaine. O. Pony and X. Descombes and J. Zerubia. Research Report 4008, Inria, September 2000. Keywords : Hyperspectral imaging, Markov Fields, Simulated Annealing, Gibbs Random Fields, Potts model, Texture.
@TECHREPORT{pony00,
|
author |
= |
{Pony, O. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine}, |
year |
= |
{2000}, |
month |
= |
{September}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{4008}, |
url |
= |
{https://hal.inria.fr/inria-00072636}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72636/filename/RR-4008.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/36/PS/RR-4008.ps}, |
keyword |
= |
{Hyperspectral imaging, Markov Fields, Simulated Annealing, Gibbs Random Fields, Potts model, Texture} |
} |
Résumé :
L'observation satellitaire en zone rurale et périurbaine fournit des images hyperspectrales exploitables en vue de réaliser une cartographie ou une analyse du paysage. Nous avons appliqué une classification par maximum de vraisemblance sur des images de zone agricole. Afin de régulariser la classification, nous considérons la modélisation d'image par champs de Markov, dont l'équivalence avec les champs de Gibbs nous permet d'utiliser plusieurs algorithmes itératifs d'optimisation : l'ICM et le recuit simulé, qui convergent respectivement vers une classification sous-optimale ou optimale pour une certaine énergie. Un modèle d'énergie est proposé : le modèle de Potts, que nous améliorons pour le rendre adaptatif aux classes présentes dans l'image. L'étude de la texture dans l'image initiale permet d'introduire des critères artificiels qui s'ajoutent à la radiométrie de l'image en vue d'améliorer la classification. Ceci permet de bien segmenter les zones périurbaines, la forêt, la campagne, dans le cadre d'un plan d'occupation des sols. Trois images hyperspectrales et une vérité terrain ont été utilisées pour réaliser des tests, afin de mettre en évidence les méthodes et le paramétrage adéquats pour obtenir les résultats les plus satisfaisants. |
Abstract :
Satellite observation in rural and semiurban areas provides hyperspectral images which enable us to make a map or an analysis of the landscape. Herein, we applied a maximum likelihood classification on agricultural images. In order to improve this procedure, it is possible in each pixel to use contextual information. Thus, we consider Markov random fields image modeling. The equivalence between Markov and Gibbs fields allows us to use some iterative algorithms of optimisation : ICM and simulated annealing, which converge respectively towards a suboptimal or an optimal classification for a given energy. An energy model is proposed : the Potts model, which can be improved to be adaptive to the classes defined in the image. Texture analysis on the initial image is used to introduce artificial criteria, added to the original image, in order to improve classification. This proves to be useful for segmenting semiurban regions, forests, and the countryside, within the framework of a land-use plan. We use three hyperspectral images and a ground truth to carry out tests, in order to highlight the best methods and parameter setting to obtain the most satisfactory results. |
|
12 - Indexing and retrieval in multimedia libraries through parametric texture modeling using the 2D Wold decomposition. R. Stoica and J. Zerubia and J.M. Francos. Research Report 3594, Inria, December 1998. Keywords : Markov Fields, Texture, Segmentation, Indexation.
@TECHREPORT{stoica98,
|
author |
= |
{Stoica, R. and Zerubia, J. and Francos, J.M.}, |
title |
= |
{Indexing and retrieval in multimedia libraries through parametric texture modeling using the 2D Wold decomposition}, |
year |
= |
{1998}, |
month |
= |
{December}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3594}, |
url |
= |
{https://hal.inria.fr/inria-00073085}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/73085/filename/RR-3594.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/30/85/PS/RR-3594.ps}, |
keyword |
= |
{Markov Fields, Texture, Segmentation, Indexation} |
} |
Résumé :
Ce rapport présente une méthode paramétrique permettant de faire de l'indexati- on et de la recherche dans une base de données multimédia. L'indexation (étiquetage) et la recherche de données multimédia sont réalisées grâce à la modélisation paramétrique de textures qui se trouvent dans les images de la base de données. Les textures sont caracterisées par des paramètres qui servent d'indices pour la recherche dans la base de données. Afin de pouvoir identifier les différentes régions texturées d'une image et estimer les paramètres correspondants, un algorithme de segmentation-estimatio- n est proposé dans ce rapport, qui fait appel à une décomposition de Wold 2D pour le modèle de texture et à un modèle markovien pour l'étiquetage. L'indexation nécessite de définir une distance entre les images. Une nouvelle distance, inspirée de la distance de Kullback, est décrite dans ce rapport. Elle utilise les paramètres estimés correspondants au modèle 2D de chaque texture. Les résultats obtenus relativement à la segmentation et à l'indexatio- n sont proches de ceux obtenus par un opérateur humain. |
Abstract :
This paper presents a parametric method for indexing and retrieval of multimedia data in digital libraries. %Indexing (labeling) and retrieval %of multimedia data, based on the properties %of the imagery components of the stored data record, are derived. Indexing (labeling) and retrieval of the multimedia data are performed using parametric modeling of the textured segments found in the data imagery components. The estimated parametric models of the textured segments serve as their indices, and hence as indices of the entire image, as well as of the multimedia record which the image is part thereof. To achieve the ability to identify textured image regions and estimate their parameters, a joint segmentation-estimation algorithm that combines the 2-D Wold decomposition based texture model with a Markovian labeling process, is derived. Ordering and indexing of images require a definition of a distance measure between images. Using the framework of the Kullback distance between probability distributions, a new rigorous distance measure between textures is derived. The distance between any two textured image segments is evaluated using their estimated parametric models. The proposed segmentation, distance evaluation, and indexing methods are shown to produce comparable results to those obtained by a human viewer. |
|
13 - Extraction des zones urbaines fondée sur une analyse de la texture par modélisation markovienne. A. Lorette and X. Descombes and J. Zerubia. Research Report 3423, Inria, May 1998. Keywords : Texture, Markov Fields, Urban areas, Entropy.
@TECHREPORT{loretteRR98,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Extraction des zones urbaines fondée sur une analyse de la texture par modélisation markovienne}, |
year |
= |
{1998}, |
month |
= |
{May}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3423}, |
url |
= |
{http://hal.inria.fr/inria-00073267}, |
pdf |
= |
{http://hal.inria.fr/docs/00/07/32/67/PDF/RR-3423.pdf}, |
ps |
= |
{http://hal.inria.fr/docs/00/07/32/67/PS/RR-3423.ps}, |
keyword |
= |
{Texture, Markov Fields, Urban areas, Entropy} |
} |
Résumé :
Pour délimiter un masque urbain précis à partir d'une image satellitaire la seule information du niveau de gris est insuffisante. Laplupart des méthodes font donc appel à une analyse de la texture de l'image. Nous nous sommes placés dans ce cadre. Dans une première étape, nous avons défini un nouveau paramètre de texture à partir d'un modèle markovien gaussien. Nous obtenons ce nouveau paramètre en calculant la variance conditionnelle de l'image dans huit directions. Ainsi, nous éliminons la mauvaise classification d'objets ayant une orientation privilégiée tels que les vignes et les serres par exemple. Dans une seconde étape, nous proposons un algorithme de emphfuzzy Cmeans modifié incluant un terme d'entropie et pour lequel le nombre de classes n'est pas fixé a priori. Cet algorithme nous permet d'obtenir une première classification de l'image. Enfin, nous régularisons l'image ainsi obtenue grâce à une modélisation par champs de Markov. Des résultats obtenus sur des simulations d'images SPOT5 fournies par le CNES sont présentés. |
Abstract :
Urban areas cannot be extracted from satellite images through only grey level information. Hence most methods analyze the texture of the image to discriminate between urban areas and non urban areas. We define a new texture parameter derived from a Markovian Gaussian model. This new parameter takes into account the variance of the image in eight directions- . Consequently it copes with the misclassification of objects with a privileged orientation like vineyards or greenhouses for instance. Afterwards we develop a modified fuzzy Cmeans algorithm including an entropy term. The advantage of such an algorithm is that the number of classes does not need to be known a priori. By applying this modified fuzzy Cmeans algorithm on the parameter image we obtain a first classification. Finally we regularize the segmented image by using a Markov random field modelling. Some results on SPOT5 simulated images are presented. These images are provided by the CNES (French Space Agency). |
|
top of the page
These pages were generated by
|