Publications de Josiane Zerubia

Résultat de la recherche dans la liste des publications :

• 59 Articles
• 173 Articles de conférence
• 64 Rapports de recherche et Rapports techniques
• 7 Articles de collection ou Chapitres de livres
• 3 Livres

nouvelle recherche | bibtex

navigation : 1 - 2- ... - 27 - 28 - 29 - 30 - 31 affichage : 10 par page | 20 par page | 50 par page

64 Rapports de recherche et Rapports techniques

39 - Texture-adaptive mother wavelet selection for texture analysis. G.C.K. Abhayaratne et I. H. Jermyn et J. Zerubia. Research Report, INRIA, France, décembre 2003. @TECHREPORT{Abhayaratne, author = {Abhayaratne, G.C.K. and Jermyn, I. H. and Zerubia, J.}, title = {Texture-adaptive mother wavelet selection for texture analysis}, year = {2003}, month = {décembre}, institution = {INRIA}, type = {Research Report}, address = {France}, url = {https://hal.inria.fr/hal-01208017}, pdf = {Rapports/RR-8783.pdf}, keyword = {} }

40 - A Probabilistic Framework for Adaptive Texture Description. K. Brady et I. H. Jermyn et J. Zerubia. Rapport de Recherche 4920, INRIA, France, septembre 2003. Mots-clés : Segmentation, Texture, Paquet d'ondelettes. @TECHREPORT{4920, author = {Brady, K. and Jermyn, I. H. and Zerubia, J.}, title = {A Probabilistic Framework for Adaptive Texture Description}, year = {2003}, month = {septembre}, institution = {INRIA}, type = {Research Report}, number = {4920}, address = {France}, url = {https://hal.inria.fr/inria-00071659}, pdf = {https://hal.inria.fr/file/index/docid/71659/filename/RR-4920.pdf}, ps = {https://hal.inria.fr/docs/00/07/16/59/PS/RR-4920.ps}, keyword = {Segmentation, Texture, Paquet d'ondelettes} } Résumé : Ce rapport présente le développement d'un nouveau cadre probabiliste cohérent pour la description adaptative de texture. En partant d'une distribution de probabilité sur un espace d'images infinies, nous générons une distribution sur des régions finies par marginalisation. Pour une distribution gaussienne, les contraintes de calcul imposées par la diagonalisation nous conduisent naturellement à des modèles utilisant des paquets d'ondelettes adaptatifs. Ces modèles reflètent les principales périodicités présentes dans les textures et permettent également d'avoir des corrélations à longue portée tout en préservant l'indépendance des coefficients des paquets d'ondelettes. Nous avons appliqué notre méthode à la segmentation. Deux types de données figurent dans notre ensemble de test: des mosaïques synthétiques de Brodatz et des images satellitaires haute résolution. Dans le cas des textures synthétiques, nous utilisons la version non-décimée de la transformée en paquets d'ondelettes afin de diagonaliser la distribution gaussienne de manière efficace, bien qu'approximative. Cela nous permet d'effectuer une classification de la mosaique pixel par pixel. Une étape de régularisation est ensuite effectuée afin d'arriver à un résultat de segmentation final plus lisse. Afin d'obtenir les meilleurs résultats possibles dans le cas de données réelles, la moyenne de la distribution est ensuite introduite dans le modèle. L'approximation faite pour la classification des mosaiques de textures synthetiques a été testée sur des images réelles, mais les résultats obtenus n'étaient pas satisfaisants. C'est pourquoi nous avons introduit, pour ce type de données, une technique de classification heuristique basée sur la transformée en paquets d'ondelettes décimée. Les résultats de segmentation sont ensuite régularisés à l'aide de la même méthode que dans le cas synthétique. Nous présentons les résultats pour chaque type de données et concluons par une discussion. Abstract : This report details the development of a probabilistic framework for adaptive texture description. Starting with a probability distribution on the space of infinite images, we generate a distribution on finite regions by marginalisation. For a Gaussian distribution, the computational requirement of diagonalisation leads naturally to adaptive wavelet packet models which capture the principal periodicities present in the textures and allow long-range correlations while preserving the independence of the wavelet packet coefficients. These models are then applied to the task of segmentation. Two data types are included in our test bed: synthetic Brodatz mosaics and high-resolution satellite images. For the case of the synthetic textures, undecimated versions of the wavelet packet transform are used to diagonalise the Gaussian distribution efficiently, albeit approximately. This enables us to perform a pixelwise classification of the mosaics. A regularisation step is then implemented in order to arrive at a smooth final segmentation. In order to obtain the best possible results for the real dataset, the mean of the distribution is included in the model. The approximation made for the classification of the synthetic texture mosaics is tested on the remote sensing images, but it produces unsatisfactory results. Therefore we introduce a heuristic classification technique for this dataset, based on a decimated wavelet packet transform. The resulting segmentation is then regularised using the same method as in the synthetic case. Results are presented for both types of data and a discussion follows.

41 - Automatic 3D Land Register Extraction from Altimetric Data in Dense Urban Areas. M. Ortner et X. Descombes et J. Zerubia. Rapport de Recherche 4919, INRIA, France, septembre 2003. Mots-clés : Extraction d'objets, Batiments, RJMCMC, Geometrie stochastique, Modele numerique d'elevation (MNE), Processus ponctuels marques. @TECHREPORT{4919, author = {Ortner, M. and Descombes, X. and Zerubia, J.}, title = {Automatic 3D Land Register Extraction from Altimetric Data in Dense Urban Areas}, year = {2003}, month = {septembre}, institution = {INRIA}, type = {Research Report}, number = {4919}, address = {France}, url = {https://hal.inria.fr/inria-00071660}, pdf = {https://hal.inria.fr/file/index/docid/71660/filename/RR-4919.pdf}, ps = {https://hal.inria.fr/docs/00/07/16/60/PS/RR-4919.ps}, keyword = {Extraction d'objets, Batiments, RJMCMC, Geometrie stochastique, Modele numerique d'elevation (MNE), Processus ponctuels marques} } Résumé : Ce travail présente un algorithme qui extrait automatiquement un plan cadastral de la description altimétrique (relief) d'une zone urbaine dense. L'altimétrie d'une ville est une donnée qui est maintenant facilement accessible. Dans ce rapport, nous présentons par exemple des résultats sur deux types de données altimétriques : le premier consiste en un Modèle Numérique d'Elévation (MNE) obtenu par corrélation d'images optiques, le second correspond à un MNE obtenu par mesure LASER.Notre objectif principal est de définir un algorithme entièrement automatique capable d'extraire un grand nombre de bâtiments dans des zones urbaines denses.Nous nous intéressons donc plus particulièrement à l'extraction de formes élémentaires et proposons un algorithme qui modélise les bâtiments par des formes rectangulaires. Le résultat obtenu consiste en une carte cadastrale qui peut être utilisée pour faire une estimation précise des formes de toits, par exemple.L'algorithme proposé ici repose sur nos travaux précédents. Nous modélisons des villes par des configurations de rectangles auxquelles nous associons une énergie définie de manière à tenir compte aussi bien d'une information de bas niveau provenant des données utilisées que d'une connaissance géometrique de l'agencement des bâtiments dans les zones urbaines.L'estimation est ensuite faite en minimisant l'énergie définie grace à un recuit-simulé.Nous utilisons un échantilloneur MCMC qui est une combinaison de techniques générales de type Metropolis Hastings Green et de l'algorithme de simulation de processus ponctuel proposé par Geyer et Møller. Nous utilisons en particulier des noyaux de proposition originaux comme la naissance ou mort dans un voisinage, et nous définissons l'énergie par rapport à un processus ponctuel de Poisson non-homogène, ce qui permet d'améliorer le comportement dynamique de l'algorithme.Les resultats que nous présentons sont obtenus sur des donnée réelles fournies par l'IGN. Nous extrayons automatiquement des configurations composées d'une centaine de bâtiments sur des zones dont la taille est en moyenne de 200m sur 200m. L'erreur commise est en moyenne de 15. Abstract : This work present an automatic algorithm that extract 3D land register from altimetric data in dense urban areas. Altimetry of a town is a data which is easily available yet difficult to exploit. For instance, we present here results on two kind of measurements : the first one consists in a Digital Elevation Model (DEM) built using a correlation algorithm and some optical data, while the second one consists in a DEM obtained by Laser measurments.Our main objective is to design an entirely automatic method that is able to deal with this kind of data in very dense urban areas.We thus focus on elementary shape extraction and propose an algorithm that extracts rectangular buildings. The result provided consists in a kind of vectorial land register map that can be used, for instance, to perform precise roof shape estimation.The proposed algorithm uses our previous work. Using a point process framework, we model towns as configuration of rectangles. An energy is defined, that takes into account both a low level information provided by the altimetry of the scene, and some geometric knowledge of the disposition of buildings in towns.The estimation is done by minimizing the energy using a simulated annealing. We use a MCMC sampler that is a combination of general Metropolis Hastings Green techniques and Geyer and Møller algorithm of sampling of point processes. We use some original proposition kernels, such as birth or death in a neighborhood and define the energy with respect to an inhomogeneous Poisson point process.We present results on real data provided by IGN (French Mapping Institute). Results were automatically obtained, on areas that are 200m by 200m large. These results consist in configurations of around 100 rectangles describing considered areas with an error of 15 missclassification.

42 - Improved RJMCMC Point Process Sampler for Object Detection by Simulated Annealing. M. Ortner et X. Descombes et J. Zerubia. Rapport de Recherche 4900, INRIA, France, août 2003. Mots-clés : Batiments, Extraction d'objets, RJMCMC, Processus ponctuels marques. @TECHREPORT{4900, author = {Ortner, M. and Descombes, X. and Zerubia, J.}, title = {Improved RJMCMC Point Process Sampler for Object Detection by Simulated Annealing}, year = {2003}, month = {août}, institution = {INRIA}, type = {Research Report}, number = {4900}, address = {France}, url = {https://hal.inria.fr/inria-00071683}, pdf = {https://hal.inria.fr/file/index/docid/71683/filename/RR-4900.pdf}, ps = {https://hal.inria.fr/docs/00/07/16/83/PS/RR-4900.ps}, keyword = {Batiments, Extraction d'objets, RJMCMC, Processus ponctuels marques} } Résumé : Nous commen ons par résumer l'algorithme de Geyer et Møller qui permet, en utilisant une chaîne de Markov, d'échantillonner des lois de processus ponctuels. Nous rappelons également le cadre théorique proposé par Green qui permet d'imposer la réversibilité d'une chaîne de Markov sous une loi désirée.Dans le cadre de nos applications en traitement d'image, nous sommes intéressés par la simulation de processus ponctuels dont la loi dépend fortement de la localisation géographique des points. Nous présentons donc ici des noyaux de proposition qui améliorent la capacité de l'algorithme de Geyer et Meyer à explorer les bons endroits de l'espace d'état. En particulier, nous proposons une transformation qui permet de faire apparaître ou disparaître des points dans un voisinage quelconque d'un autre point. Nous gardons également la possibilité de générer des points suivant une loi non uniforme.Nous construisons donc de tels noyaux de perturbations grâce au travail de Green de manière à garder la-(.) réversibilité de la chaîne de Markov construite. Nous démontrons ensuite les bonnes propriétés de stabilité qui assurent le bon comportement asymptotique de la chaîne. En particulier, grâce à une condition de «drift», nous montrons l'ergodicité géométrique et la récurrence de la chaîne au sens de Harris.Nous concluons en validant par l'expérience nos résultats théoriques, et en montrons leur utilité sur un exemple concret.Nous proposons d'ultimes améliorations pour conclure. Abstract : We first recall Geyer and Møller algorithm that allows to sample point processes using a Markov chain. We also recall Green's framework that allows to build samplers on general state spaces by imposing reversibility of the designed Markov chain.Since in our image processing applications, we are interested by sampling highly spatially correlated and non-invariant point processes, we adapt these ideas to improve the exploration ability of the algorithm. In particular, we keep the ability of generating points with non-uniform distributions, and design an updating scheme that allows to generate points in some neighborhood of other points. We first design updating schemes under Green's framework to keep (.) reversibility of the Markov chain and then show that stability properties are not loosed. Using a drift condition we prove that the Markov chain is geometrically ergodic and Harris recurrent.We finally show on experimental results that these kinds of updates are usefull and propose other improvements.

43 - Analyse Intra-urbaine à partir d'Images Satellitaires par une Approche de Fusion de Données sur la Ville de Mexico. O. Viveros-Cancino et X. Descombes et J. Zerubia. Rapport de Recherche 4578, Inria, France, octobre 2002. Mots-clés : Fusion de donnees, Champs de Markov, Texture, Zones urbaines, Matrice de confusion. @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 = {octobre}, 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 = {Fusion de donnees, Champs de Markov, Texture, Zones urbaines, Matrice de confusion} } 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.

44 - Building Extraction from Digital Elevation Model. M. Ortner et X. Descombes et J. Zerubia. Rapport de Recherche 4517, Inria, France, juillet 2002. Mots-clés : Batiments, Modele numerique d'elevation (MNE), RJMCMC. @TECHREPORT{4517, author = {Ortner, M. and Descombes, X. and Zerubia, J.}, title = {Building Extraction from Digital Elevation Model}, year = {2002}, month = {juillet}, institution = {Inria}, type = {Research Report}, number = {4517}, address = {France}, url = {https://hal.inria.fr/inria-00072071}, pdf = {https://hal.inria.fr/file/index/docid/72071/filename/RR-4517.pdf}, ps = {https://hal.inria.fr/docs/00/07/20/71/PS/RR-4517.ps}, keyword = {Batiments, Modele numerique d'elevation (MNE), RJMCMC} } Résumé : L'objectif de ce travail est de d'extraire des bâtiments sur des Modèles Numériques d'Elévation (MNE).Pour ce faire, nous introduisons un processus ponctuel dont les points représentent les bâtiments. La densité de ce processus ponctuel se divise en deux parties : la première est un modèle a priori utilisant des interactions entre les points pour introduire la connaissance que l'on a de la structure des bâtiments en zone urbaine, la seconde est un terme d'attache aux données pour assurer la cohérence entre les réalisations du processus ponctuel et le Modèle Numérique d'Elévation. Nous calculons ensuite une estimée de la zone urbaine à partir de cette densité en utilisant une simulation de Monte Carlo par Chaine de Markov et, en particulier, un algorithme de Metropolis Hastings Green, qui est une extension de l'algorithme de simulation de processus ponctuels proposé par Geyer et Møller.Nous proposons des résultats sur des données réelles fournies par l'IGN. Abstract : We aim to extract buildings from Digital Elevation Models. To achieve this goal, we define a point process whose points represent buildings. We then define a density for this point process which is split into two parts. When written as an energy this density consists of two fields : an internal field that allows us to model the prior knowledge we have on patterns of buildings in urban areas, and an external field that makes the point process fit the data, ie. the Digital Elevation Model. Once we have defined this artificial likehood, we use a Metropolis Hastings Green sampler, which is an extension of Geyer and Møller algorithm to sample point processes. This gives an estimate of the observed urban area.We present results on real data provided by the French Mapping Institute (IGN).

45 - A Comparative Study of Point Processes for Line Network Extraction in Remote Sensing. C. Lacoste et X. Descombes et J. Zerubia. Rapport de Recherche 4516, Inria, France, juillet 2002. Mots-clés : Geometrie stochastique, Processus ponctuels marques, Reseaux routiers, Reseaux lineiques, RJMCMC. @TECHREPORT{4516, author = {Lacoste, C. and Descombes, X. and Zerubia, J.}, title = {A Comparative Study of Point Processes for Line Network Extraction in Remote Sensing}, year = {2002}, month = {juillet}, institution = {Inria}, type = {Research Report}, number = {4516}, address = {France}, url = {http://hal.inria.fr/inria-00072072}, pdf = {http://hal.inria.fr/docs/00/07/20/72/PDF/RR-4516.pdf}, ps = {http://hal.inria.fr/docs/00/07/20/72/PS/RR-4516.ps}, keyword = {Geometrie stochastique, Processus ponctuels marques, Reseaux routiers, Reseaux lineiques, RJMCMC} } Résumé : Nous présentons, dans ce rapport, une étude comparative entre plusieurs modèles d'extraction de réseaux linéiques, issus de la géométrie stochastique. Nous nous pla ons dans le cadre des processus ponctuels marqués spécifiés par une densité par rapport au processus de Poisson homogène. L'objectif de cette étude est de déterminer quelle type de densité a priori est la plus adaptée à cette probématique de détection de réseaux linéiques, et plus particulièrement de réseaux routiers. Nous reprenons le Candy modèle, introduit dans [21] pour l'extraction de réseaux routiers, et nous l'utilisons comme modèle de référence. Ce modèle est basé sur l'idée qu'un réseau routier peut être assimilé à une réalisation d'un processus Markov objet, où les objets correspondent à des segments en interaction. Nous proposons deux variantes de ce modèle qui font intervenir des coefficients mesurant la qualité des interactions entre objets. La première est une généralisation du Candy modèle et la seconde correspond à une adaptation du modèle IDQ, proposé dans [13] pour l'extraction de bâtiments dans les modèles numériques d'élévation. Nous réalisons l'optimisation de chaque modèle par un recuit simulé sur un algorithme MCMC à sauts réversibles. Les résultats expérimentaux obtenus pour les trois modèles, sur des images satellitaires ou aériennes, permettent de vérifier l'intérêt de l'intégration de la qualité des interactions dans la densité a priori. Abstract : We present in this report a comparative study between models of line network extraction, within a stochastic geometry framework. We rely on the theory of marked point processes specified by a density with respect to the uniform Poisson process. We aim to determine which prior density is the most relevant for road network detection. The Candy model, introduced in [21] for the extraction of road networks, is used as a reference model. This model is based on the idea that a road network can be thought of as a realization of a Markov object process, where the objects correspond to interacting line segments. We have developed two variants of this model which use quality coefficients for interactions. The first of these two variants is a generalization of the Candy model and the second one is an adaptation of the IDQ model proposed in [13] for the problem of building extraction from digital elevation models. The optimization is achieved by a simulated annealing with a RJMCMC algorithm. The experimental results, obtained for each model on aerial or satellite images, show the interest of adding quality coefficients for interactions in the prior density.

46 - Analyse de Texture Hyperspectrale par Modélisation Markovienne. G. Rellier et X. Descombes et F. Falzon et J. Zerubia. Rapport de Recherche 4479, INRIA, France, juin 2002. Mots-clés : Classification, Champs de Markov, Texture, Imagerie hyperspectrale. @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 = {juin}, 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, Champs de Markov, Texture, Imagerie hyperspectrale} } 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.

47 - Segmentation of textured satellite and aerial images by Bayesian inference and Markov Random Fields. S. Wilson et J. Zerubia. Rapport de Recherche 4336, INRIA, France, décembre 2001. @TECHREPORT{wilsonJZ01, author = {Wilson, S. and Zerubia, J.}, title = {Segmentation of textured satellite and aerial images by Bayesian inference and Markov Random Fields}, year = {2001}, month = {décembre}, institution = {INRIA}, type = {Research Report}, number = {4336}, address = {France}, url = {https://hal.inria.fr/inria-00072251}, pdf = {https://hal.inria.fr/file/index/docid/72251/filename/RR-4336.pdf}, ps = {https://hal.inria.fr/docs/00/07/22/51/PS/RR-4336.ps}, keyword = {} } Résumé : Nous étudions un modèle markovien double, initialement proposé par Melas et Wilson, pour la segmentation d'image. Le nombre de classes de l'image est obtenu par inférence bayésienne via un algorithme de Metropolis à saut réversible. Les mouvements habituellement utilisés dans une telle dynamique consistent en la fission ou la fusion de classes. Mais cela peut nécessiter beaucoup de temps de calcul, en particulier sur des images de grande taille. Ici, nous étudions des mouvements plus simples qui sont rapides à mettre en oeuvre, mais dont la mélangeance peut être longue. Nous proposons alors un schéma de fission/fusion plus complexe et comparons les performances obtenues. Nous effectuons des tests sur des images satellitai- res et aériennes. Abstract : We investigate Bayesian solutions to image segmentation based on the double Markov random field model, originally proposed by Melas and Wilson. Inference on the number of classes in the image is done via reversible jump Metropolis moves. These moves, usually implemented by splitting and merging classes, can be very slow, making them impractical for large images. We investigate simpler reversible jump moves that are quick to implement but show that they may mix very slowly. We propose a more complex split and merge scheme and compare its performance. Tests are conducted on satellite and aerial images.

48 - Building detection by markov object processes and a MCMC algorithm. L. Garcin et X. Descombes et J. Zerubia et H. Le Men. Rapport de Recherche 4206, Inria, France, juin 2001. Mots-clés : Geometrie stochastique, Processus ponctuels marques, Batiments, RJMCMC. @TECHREPORT{xd01a, author = {Garcin, L. and Descombes, X. and Zerubia, J. and Le Men, H.}, title = {Building detection by markov object processes and a MCMC algorithm}, year = {2001}, month = {juin}, institution = {Inria}, type = {Research Report}, number = {4206}, address = {France}, url = {https://hal.inria.fr/inria-00072416}, pdf = {https://hal.inria.fr/file/index/docid/72416/filename/RR-4206.pdf}, ps = {https://hal.inria.fr/docs/00/07/24/16/PS/RR-4206.ps}, keyword = {Geometrie stochastique, Processus ponctuels marques, Batiments, RJMCMC} } Résumé : Le but de ce travail est de détecter les bâtiments à partir de photographies aeriennes numériques. Nous modélisons un ensemble de bâtiments par une configuration d'objets. Nous définissons un processus ponctuel sur l'ensemble des configurations qui se décompose en deux parties : * La première est un modèle a priori sur les configurations qui considère des interactions entre les objets, * la seconde est un modèle d'attache aux données qui induit la cohérence du résultat avec l'image traitée. Nous avons ainsi une distribution a posteriori dont nous recherchons la configuration maximale. Pour obtenir ce maximum, nous utilisons une simulatio- n de type MCMC - un algorithme de Metropolis-Hasting-Green- couplée avec un schéma de recuit simulé. Nous testons la méthode décrite à la fois sur des données synthétiques et des images stéréoscopiques réelles. Abstract : This work aims at detecting buildings in digital a­erial photographs. Here we model a set of buildings by a configuration of objects. We define a point process on the set of configurations, which splits into two parts : * the first one is a prior model on the configurations which use interactions between objects, * the second one is a data model which enforces the coherence with the image. Thus we have a posterior distribution whose maximum has to be found. In order to achieve this maximum, we use a MCMC simulation - a Metropolis-Hasting- s-Green algorithm - mixed with a simulated annealing. Then we test this method on both synthetic and real stereo-images.

haut de la page

navigation : 1 - 2- ... - 27 - 28 - 29 - 30 - 31 affichage : 10 par page | 20 par page | 50 par page

Ces pages sont générées par