|
Publications de 2000
Résultat de la recherche dans la liste des publications :
10 Articles de conférence |
4 - Estimation of adaptive parameters for satellite image deconvolution. A. Jalobeanu et L. Blanc-Féraud et J. Zerubia. Dans Proc. International Conference on Pattern Recognition (ICPR), Barcelone, Espagne, septembre 2000.
@INPROCEEDINGS{jalo00d,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Estimation of adaptive parameters for satellite image deconvolution}, |
year |
= |
{2000}, |
month |
= |
{septembre}, |
booktitle |
= |
{Proc. International Conference on Pattern Recognition (ICPR)}, |
address |
= |
{Barcelone, Espagne}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=903549}, |
keyword |
= |
{} |
} |
|
5 - Deformation of a Cartographic Road Network on a SPOT Satellite Image. G. Rellier et X. Descombes et J. Zerubia. Dans Proc. IEEE International Conference on Image Processing (ICIP), Vancouver, Canada, septembre 2000.
@INPROCEEDINGS{rel00a,
|
author |
= |
{Rellier, G. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Deformation of a Cartographic Road Network on a SPOT Satellite Image}, |
year |
= |
{2000}, |
month |
= |
{septembre}, |
booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
address |
= |
{Vancouver, Canada}, |
url |
= |
{http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=899814}, |
keyword |
= |
{} |
} |
|
6 - Fully unsupervised fuzzy clustering with entropy criterion. A. Lorette et X. Descombes et J. Zerubia. Dans Proc. International Conference on Pattern Recognition (ICPR), Barcelone, Espagne, septembre 2000.
@INPROCEEDINGS{xd00c,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Fully unsupervised fuzzy clustering with entropy criterion}, |
year |
= |
{2000}, |
month |
= |
{septembre}, |
booktitle |
= |
{Proc. International Conference on Pattern Recognition (ICPR)}, |
address |
= |
{Barcelone, Espagne}, |
url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=903710}, |
keyword |
= |
{} |
} |
|
7 - Road extraction in remote sensed images using a stochastic geometry framework. R. Stoica et X. Descombes et J. Zerubia. Dans Bayesian Inference and Maximum Entropy Methods in Science and Engineering, Gif sur Yvette, France, juillet 2000.
@INPROCEEDINGS{xd00b,
|
author |
= |
{Stoica, R. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Road extraction in remote sensed images using a stochastic geometry framework}, |
year |
= |
{2000}, |
month |
= |
{juillet}, |
booktitle |
= |
{Bayesian Inference and Maximum Entropy Methods in Science and Engineering}, |
address |
= |
{Gif sur Yvette, France}, |
url |
= |
{http://www-prod-gif.supelec.fr/invi/lss/MaxEnt2000/}, |
pdf |
= |
{http://www-prod-gif.supelec.fr/invi/lss/MaxEnt2000/htm/Abstracts/stoica.pdf}, |
keyword |
= |
{} |
} |
|
8 - Multiphase evolution and variational image classification. L. Blanc-Féraud et C. Samson et G. Aubert et J. Zerubia. Dans Congress SIMAI, Ischia, Italie, juin 2000. Note : papier
@INPROCEEDINGS{lbf00a,
|
author |
= |
{Blanc-Féraud, L. and Samson, C. and Aubert, G. and Zerubia, J.}, |
title |
= |
{Multiphase evolution and variational image classification}, |
year |
= |
{2000}, |
month |
= |
{juin}, |
booktitle |
= |
{Congress SIMAI}, |
address |
= |
{Ischia, Italie}, |
note |
= |
{papier}, |
url |
= |
{http://opac.inria.fr/record=b1115247}, |
keyword |
= |
{} |
} |
|
9 - Une approche variationnelle pour la classification d'images par régions actives. C. Samson et L. Blanc-Féraud et G. Aubert et J. Zerubia. Dans Proc. Reconnaissance des formes et Intelligence Artificielle, Paris, France, février 2000.
@INPROCEEDINGS{cs00a,
|
author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
title |
= |
{Une approche variationnelle pour la classification d'images par régions actives}, |
year |
= |
{2000}, |
month |
= |
{février}, |
booktitle |
= |
{Proc. Reconnaissance des formes et Intelligence Artificielle}, |
address |
= |
{Paris, France}, |
pdf |
= |
{Articles/rfia2000.pdf}, |
keyword |
= |
{} |
} |
|
10 - Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines. A. Lorette et X. Descombes et J. Zerubia. Dans Proc. Reconnaissance des formes et Intelligence Artificielle, Paris, France, février 2000. Note : papier
@INPROCEEDINGS{xd00d,
|
author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
title |
= |
{Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines}, |
year |
= |
{2000}, |
month |
= |
{février}, |
booktitle |
= |
{Proc. Reconnaissance des formes et Intelligence Artificielle}, |
address |
= |
{Paris, France}, |
note |
= |
{papier}, |
url |
= |
{http://opac.inria.fr/record=b1114970*frf}, |
keyword |
= |
{} |
} |
|
haut de la page
8 Rapports de recherche et Rapports techniques |
1 - Classification d'Images Multibandes par Modèles Variationnels. C. Samson et L. Blanc-Féraud et G. Aubert et J. Zerubia. Rapport de Recherche 4010, Inria, septembre 2000. Mots-clés : Methodes variationnelles, Classification, Contour actif, Courbes de niveaux, 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 |
= |
{septembre}, |
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 |
= |
{Methodes variationnelles, Classification, Contour actif, Courbes de niveaux, 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. |
|
2 - Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine. O. Pony et X. Descombes et J. Zerubia. Rapport de Recherche 4008, Inria, septembre 2000. Mots-clés : Imagerie hyperspectrale, Champs de Markov, Recuit Simule, Champs de Gibbs, Modele de Potts, 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 |
= |
{septembre}, |
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 |
= |
{Imagerie hyperspectrale, Champs de Markov, Recuit Simule, Champs de Gibbs, Modele de Potts, 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. |
|
3 - Adaptive parameter estimation for satellite image deconvolution. A. Jalobeanu et L. Blanc-Féraud et J. Zerubia. Rapport de Recherche 3956, Inria, juin 2000. Mots-clés : Deconvolution, Regularisation, Champs de Markov, Maximum de vraisemblance.
@TECHREPORT{jalo00a,
|
author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
title |
= |
{Adaptive parameter estimation for satellite image deconvolution}, |
year |
= |
{2000}, |
month |
= |
{juin}, |
institution |
= |
{Inria}, |
type |
= |
{Research Report}, |
number |
= |
{3956}, |
url |
= |
{https://hal.inria.fr/inria-00072693}, |
pdf |
= |
{https://hal.inria.fr/file/index/docid/72693/filename/RR-3956.pdf}, |
ps |
= |
{https://hal.inria.fr/docs/00/07/26/93/PS/RR-3956.ps}, |
keyword |
= |
{Deconvolution, Regularisation, Champs de Markov, Maximum de vraisemblance} |
} |
Résumé :
La déconvolution des images satellitaires floues et bruitées est un problème inverse mal posé, qui peut être régularisé dans un cadre bayésien par l'utilisation d'un modèle a priori de la solution reconstruite. Les modèles de régularisation homogènes ne permettent pas d'obtenir des résultats parfaitement satisfaisants, car les images satellitaires ont des propriétés qui varient spatialement. Nous proposons d'utiliser un modèle inhomogène, et nous étudions différentes méthodes permettant d'estimer les paramètres adaptatifs. L'estimateur que nous avons retenu est le maximum de vraisemblance (MV). Nous montrons que cet estimateur, lorsqu'il est calculé à partir de l'image dégradée, est inutilisable pour la déconvolution d'images, car il n'est pas robuste au bruit. Nous montrons ensuite que l'estimation n'est correcte que si elle est effectuée sur l'image originale. Comme cette image est inconnue, nous devons en calculer une approximation, dont la qualité doit être suffisante pour que les résultats de l'estimation soient utiles pour la restauration. Nous détaillons finalement une méthode hybride, permettant d'estimer les paramètres adaptatifs à partir d'une image déconvoluée par un algorithme utilisant des ondelettes, afin de reconstruire l'image. Les résultats obtenus présentent à la fois des bords francs, des textures nettes, et un très bon rapport signal/bruit dans les zones homogènes, dans la mesure où la technique proposée s'adapte localement aux caractéristiques des données. Une comparaison avec des algorithmes concurrents linéaires et non linéaires est aussi effectuée, pour illustrer son efficacité. |
Abstract :
The deconvolution of blurred and noisy satellite images is an ill-posed inverse problem, which can be regularized within a Bayesian context by using an a priori model of the reconstructed solution. Homogeneous regularizat- ion models do not provide sufficiently satisfactory results, since real satellite data show spatially variant characteristics. We propose here to use an inhomogeneous model, and we study different methods to estimate its space-variant parameters. The chosen estimator is the Maximum Likelihood (ML). We show that this estimator, when computed on the corrupted image, is not suitable for image deconvolution, because it is not robust to noise. Then we show that the estimation is correct only if it is made from the original image. Since this image is unknown, we need to compute an approximati- on of sufficiently good quality to provide useful estimation results. Finally we detail an hybrid method used to estimate the space-variant parameters from an image deconvolved by a wavelet-based algorithm, in order to reconstruct the image. The obtained results simultaneously exhibit sharp edges, correctly restored textures and a high SNR in homogeneous areas, since the proposed technique adapts to the local characteristics of the data. A comparison with linear and non-linear concurrent algorithms is also presented to illustrate the efficiency of the proposed method. |
|
haut de la page
Ces pages sont générées par
|