|
|
Publications of type 'techreport'
Result of the query in the list of publications :
90 Technical and Research Reports |
31 - Hydrographic Network Extraction from Radar Satellite Imagesusing a Hierarchical Model within a Stochastic Geometry Framework.
C. Lacoste and X. Descombes and J. Zerubia and N. Baghdadi. Research Report 5697, INRIA, France, September 2005.
@TECHREPORT{rrHimne,
|
| author |
= |
{Lacoste, C. and Descombes, X. and Zerubia, J. and Baghdadi, N.}, |
| title |
= |
{Hydrographic Network Extraction from Radar Satellite Imagesusing a Hierarchical Model within a Stochastic Geometry Framework}, |
| year |
= |
{2005}, |
| month |
= |
{September}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5697}, |
| address |
= |
{France}, |
| url |
= |
{http://hal.inria.fr/inria-00070318}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/07/03/18/PDF/RR-5697.pdf}, |
| keyword |
= |
{} |
| } |
Résumé :
Ce rapport présente un algorithme d'extraction non supervisée de réseaux hydrographiques à partir d'images satellitaires exploitant la structure arborescante de tels réseaux. L'extraction du surfacique (branches de largeur supérieure à trois pixels) est réalisée par un algorithme efficace fondé sur une modélisation par champ de Markov. Ensuite, l'extraction du linéique se fait par un algorithme récursif fondé sur un modèle hiérarchique dans lequel les affluents d'un fleuve donné sont modélisés par un processus ponctuel marqué défini dans le voisinage de ce fleuve. L'optimisation de chaque processus ponctuel est réalisée par un recuit simulé utilisant un algorithme de Monte Carlo par chaîne de Markov à sauts réversibles. Nous obtenons de bons résultats en terme d'omissions et de surdétections sur une image radar de type ERS. |
Abstract :
This report presents a two-step algorithm for unsupervised extraction of hydrographic networks from satellite images, that exploits the tree structures of such networks. First, the thick branches of the network are detected by an efficient algorithm based on a Markov random field. Second, the line branches are extracted using a recursive algorithm based on a hierarchical model of the hydrographic network, in which the tributaries of a given river are modeled by an object process (or a marked point process) defined within the neighborhood of this river. Optimization of each point process is done via simulated annealing using a reversible jump Markov chain Monte Carlo algorithm. We obtain encouraging results in terms of omissions and overdetections on a radar satellite image. |
|
32 - A Polyline Process for Unsupervised Line Network Extraction in Remote Sensing.
C. Lacoste and X. Descombes and J. Zerubia. Research Report 5698, INRIA, France, September 2005.
@TECHREPORT{rrCaroline,
|
| author |
= |
{Lacoste, C. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{A Polyline Process for Unsupervised Line Network Extraction in Remote Sensing}, |
| year |
= |
{2005}, |
| month |
= |
{September}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5698}, |
| address |
= |
{France}, |
| url |
= |
{http://hal.inria.fr/inria-00070317}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/07/03/17/PDF/RR-5698.pdf}, |
| ps |
= |
{http://hal.inria.fr/docs/00/07/03/17/PS/RR-5698.ps}, |
| keyword |
= |
{} |
| } |
Résumé :
Ce rapport présente un nouveau modèle issu de la géométrie stochastique pour l'extraction non supervisée de réseaux linéiques (routes, rivières, etc.) à partir d'images satellitaires ou aériennes. Le réseau linéique présent dans la scène observée est modélisé par un processus de lignes brisées, appelé CAROLINE. Le modèle a priori incorpore de fortes contraintes géométriques et topologiques au travers de potentiels sur la forme des lignes brisées et de potentiels d'interaction. Les propriétés radiométriques sont incorporées via la construction d'un terme d'attache aux données fondé sur des tests statistiques. Un recuit simulé sur un algorithme de type Monte Carlo par Chaîne de Markov (MCMC) à sauts réversibles permet une optimisation globale sur l'espace des configurations d'objets, indépendamment de l'initialisation. L'ajout de perturbations pertinentes permet une accélération de la convergence de l'algorithme. Des résultats expérimentaux obtenus sur des images satellitaires et aériennes sont présentés et comparés à ceux obtenus avec un précédent modèle fondé sur un processus de segments, appelé Quality Candy. |
Abstract :
This report presents a new stochastic geometry model for unsupervised extraction of line networks (roads, rivers, etc.) from remotely sensed images. The line network in the observed scene is modeled by a polyline process, named CAROLINE. The prior model incorporates strong geometrical and topological constraints through potentials on the polyline shape and interaction potentials. Data properties are taken into account through a data term based on statistical tests. Optimization is done via a simulated annealing scheme using a Reversible Jump Markov Chain Monte Carlo (RJMCMC) algorithm, without any specific initialization. We accelerate the convergence of the algorithm by using appropriate proposal kernels. Experimental results are provided on aerial and satellite images and compared with the results obtained with a previous model, that is a segment process called Quality Candy. |
|
33 - Optimization Techniques for Energy Minimization Problem in a Marked Point Process Application to Forestry.
G. Perrin and X. Descombes and J. Zerubia. Research Report 5704, INRIA, France, September 2005.
Keywords : Simulated Annealing, Marked point process, Stochastic geometry, Optimization.
@TECHREPORT{rr_perrin_optim_05,
|
| author |
= |
{Perrin, G. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Optimization Techniques for Energy Minimization Problem in a Marked Point Process Application to Forestry}, |
| year |
= |
{2005}, |
| month |
= |
{September}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5704}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00070312}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/70312/filename/RR-5704.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/03/12/PS/RR-5704.ps}, |
| keyword |
= |
{Simulated Annealing, Marked point process, Stochastic geometry, Optimization} |
| } |
Résumé :
Dans ce rapport de recherche, nous utilisons les processus ponctuels marqués afin d'extraire un nombre inconnu d'objets dans des images aériennes. Ces processus sont définis par une énergie, qui contient un terme a priori formalisant les interactions entre objets ainsi qu'un terme d'attache aux données. Nous cherchons à minimiser cette énergie, afin d'obtenir la meilleure configuration d'objets, à l'aide d'un recuit simulé qui s'inscrit dans l'algorithme d'échantillonnage MCMC à sauts réversibles.
Nous comparons ici différents schémas de décroissance de température, et présentons certaines méthodes qui permettent d'améliorer la convergence de l'algorithme en un temps fini. |
Abstract :
We use marked point processes to detect an unknown number of trees from high resolution aerial images. This approach turns to be an energy minimization problem, where the energy contains a prior term which takes into account the geometrical properties of the objects, and a data term to match these objects onto the image. This stochastic process is simulated via a Reversible Jump Markov Chain Monte Carlo procedure, which embeds a Simulated Annealing scheme to extract the best configuration of objects.
We compare in this paper different cooling schedules of the Simulated Annealing algorithm which could provide some good minimization in a short time. We also study some adaptive proposition kernels. |
|
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. |
|
 top of the page
These pages were generated by 
|
2011 Activity report
get the bibtex
