|
|
Publications sur Classification
Résultat de la recherche dans la liste des publications :
3 Articles |
1 - Unsupervised amplitude and texture classification of SAR images with multinomial latent model.
K. Kayabol et J. Zerubia. IEEE Trans. on Image Processing, 22(2): pages 561-572, février 2013.
Mots-clés : COSMOSkyMed, Classification EM, High resolution SAR, Jensen-Shannon criterion, Classification, Multinomial logistic.
@ARTICLE{KorayTIP2013,
|
| author |
= |
{Kayabol, K. and Zerubia, J.}, |
| title |
= |
{Unsupervised amplitude and texture classification of SAR images with multinomial latent model}, |
| year |
= |
{2013}, |
| month |
= |
{février}, |
| journal |
= |
{IEEE Trans. on Image Processing}, |
| volume |
= |
{22}, |
| number |
= |
{2}, |
| pages |
= |
{561-572}, |
| url |
= |
{http://hal.inria.fr/hal-00745387}, |
| keyword |
= |
{COSMOSkyMed, Classification EM, High resolution SAR, Jensen-Shannon criterion, Classification, Multinomial logistic} |
| } |
|
2 - A study of Gaussian mixture models of colour and texture features for image classification and segmentation.
H. Permuter et J.M. Francos et I. H. Jermyn. Pattern Recognition, 39(4): pages 695--706, avril 2006.
Mots-clés : Classification, Segmentation, Texture, Couleur, Mixture de gaussiennes, Decison fusion.
@ARTICLE{permuter_pr06,
|
| author |
= |
{Permuter, H. and Francos, J.M. and Jermyn, I. H.}, |
| title |
= |
{A study of Gaussian mixture models of colour and texture features for image classification and segmentation}, |
| year |
= |
{2006}, |
| month |
= |
{avril}, |
| journal |
= |
{Pattern Recognition}, |
| volume |
= |
{39}, |
| number |
= |
{4}, |
| pages |
= |
{695--706}, |
| url |
= |
{http://dx.doi.org/10.1016/j.patcog.2005.10.028}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2006_permuter_pr06.pdf}, |
| keyword |
= |
{Classification, Segmentation, Texture, Couleur, Mixture de gaussiennes, Decison fusion} |
| } |
Abstract :
The aims of this paper are two-fold: to define Gaussian mixture models of coloured texture on several feature paces and to compare the performance of these models
in various classification tasks, both with each other and with other models popular in the literature. We construct Gaussian mixtures models over a variety of different colour and texture feature spaces, with a view to the retrieval of textured colour images from databases. We compare supervised classification results for different choices of colour and texture features using the Vistex database, and explore the best set of features and the best GMM configuration for this task. In addition we introduce several methods for combining the 'colour' and 'structure' information in order to improve the classification performance. We then apply the resulting models to the classification of texture databases and to the classification of man-made and natural areas in aerial images. We compare the GMM model with other models in the literature, and show an overall improvement in performance. |
|
3 - Supervised Segmentation of Remote Sensing Images Based on a Tree-Structure MRF Model.
G. Poggi et G. Scarpa et J. Zerubia. IEEE Trans. Geoscience and Remote Sensing, 43(8): pages 1901-1911, août 2005.
Mots-clés : Classification, Segmentation, Champs de Markov.
@ARTICLE{ieeetgrs_05,
|
| author |
= |
{Poggi, G. and Scarpa, G. and Zerubia, J.}, |
| title |
= |
{Supervised Segmentation of Remote Sensing Images Based on a Tree-Structure MRF Model}, |
| year |
= |
{2005}, |
| month |
= |
{août}, |
| journal |
= |
{IEEE Trans. Geoscience and Remote Sensing}, |
| volume |
= |
{43}, |
| number |
= |
{8}, |
| pages |
= |
{1901-1911}, |
| pdf |
= |
{http://ieeexplore.ieee.org/iel5/36/32001/01487647.pdf?tp=&arnumber=1487647&isnumber=32001}, |
| keyword |
= |
{Classification, Segmentation, Champs de Markov} |
| } |
|
 haut de la page
7 Thèses de Doctorat et Habilitations |
1 - Shape recognition for image scene analysis.
M. S. Kulikova. Thèse de Doctorat, Universite de Nice - Sophia-Antipolis, décembre 2009.
Mots-clés : tree crown , Classification, Forme, multiple object extraction, Processus ponctuels marques, Shape prior.
@PHDTHESIS{mkulikova_phd09,
|
| author |
= |
{Kulikova, M. S.}, |
| title |
= |
{Shape recognition for image scene analysis}, |
| year |
= |
{2009}, |
| month |
= |
{décembre}, |
| school |
= |
{Universite de Nice - Sophia-Antipolis}, |
| url |
= |
{http://tel.archives-ouvertes.fr/docs/00/48/20/19/PDF/phd_mkulikova_2009.pdf}, |
| keyword |
= |
{tree crown , Classification, Forme, multiple object extraction, Processus ponctuels marques, Shape prior} |
| } |
Résumé :
Cette thèse est composée de deux parties principales. La première partie est dédiée au problème de la classification d’espèces d’arbres en utilisant des descripteurs de forme, en combainison ou non, avec ceux de radiométrie ou de texture. Nous montrons notamment que l’information sur la forme améliore la performance d’un classifieur. Pour ce faire, dans un premier temps, une étude des formes de couronnes d’arbres extraites à partir d’images aériennes, en infrarouge couleur, est e ectuée en utilisant une méthodologie d’analyse de
formes des courbes continues fermées dans un espace de formes, en utilisant la notion de chemin géodésique sous deux métriques dans des espaces appropriés : une métrique non-élastique en utilisant la reprèsentation par la fonction d’angle de la courbe, ainsi qu’une métrique élastique induite par une représentation par la racinecarée appelée q-fonction. Une étape préliminaire nécessaire à la classification est l’extraction des couronnes d’arbre. Dans une seconde partie, nous abordons donc le problème de l’extraction d’objets de forme complexe
arbitraire, à partir d’images de télédétection à très haute résolution. Nous construisons un modèle fondé sur les processus ponctuels marqués. Son originalité tient dans sa prise en compte d’objets de forme arbitraire par rapport aux objets de forme paramétrique, e.g. ellipses ou rectangles. Les formes sélectionnées sont obtenues par la minimisation locale d’une énergie de type contours actifs avec di érents a priori sur la forme incorporé. Les objets de la configuration finale (optimale) sont ensuite sélectionnés parmi les candidats par une dynamique
de naissances et morts multiples, couplée à un schéma de recuit simulé. L’approche est validée sur des images de zones forestières à très haute résolution fournies par l’Université d’Agriculture de Suède. |
Abstract :
This thesis includes two main parts. In the first part we address the problem of tree crown classification into species using shape features, without, or in combination with, those of radiometry and texture, to demonstrate that shape information improves classification performance. For this purpose, we first study the shapes of tree crowns extracted from very high resolution colour aerial infra-red images. For our study, we choose a methodology based on the shape analysis of closed continuous curves on shape spaces using geodesic paths under the bending metric with the angle-function curve representation, and the elastic metric with the square root
q-function representation. A necessary preliminary step to classification is extraction of the tree crowns. In the second part, we address thus the problem of extraction of multiple objects with complex, arbitrary shape from remote sensing images of very high resolution. We develop a model based on marked point processes. Its originality lies in its use of arbitrarily-shaped objects as opposed to parametric shape objects, e.g. ellipses or rectangles. The shapes considered are obtained by local minimisation of an active contour energy with weak and then strong shape prior knowledge included. The objects in the final (optimal) configuration are then selected from amongst these candidates by a multiple birth-and-death dynamics embedded in an annealing scheme. The approach is validated on very high resolution images of forest provided by the Swedish University of Agriculture. |
|
2 - Détection et classification de changements sur des scènes urbaines en télédétection.
A. Fournier. Thèse de Doctorat, Institut Supérieur de l'Aéronautique et de l'Espace, octobre 2008.
Mots-clés : détection de changements, Imagerie satellitaire, lignes de niveau, Classification, Zones urbaines, statistiques directionnelles.
@PHDTHESIS{Fournier08,
|
| author |
= |
{Fournier, A.}, |
| title |
= |
{Détection et classification de changements sur des scènes urbaines en télédétection}, |
| year |
= |
{2008}, |
| month |
= |
{octobre}, |
| school |
= |
{Institut Supérieur de l'Aéronautique et de l'Espace}, |
| url |
= |
{http://tel.archives-ouvertes.fr/tel-00463593/fr/}, |
| keyword |
= |
{détection de changements, Imagerie satellitaire, lignes de niveau, Classification, Zones urbaines, statistiques directionnelles} |
| } |
Résumé :
Cette thèse aborde le problème de la détection de changements sur des images de scènes urbaines en télédétection. Les expériences ont été menées sur des couples d'images satellitaires panchromatiques haute résolution (< 1 m). À travers ce thème général, plusieurs problématiques, correspondant aux divers niveaux d'une chaîne de traitement, sont abordés, depuis la création d'un masque de changements jusqu'au raisonnement à un niveau objet. Dans ce manuscrit, nous abordons premièrement le problème de la détermination d'un masque de changements. Après avoir étudié les limites d'un algorithme de détection de changements, fondé sur l'analyse en composantes principales, nous proposons un algorithme tirant parti de l'invariance des lignes de niveau, fondé sur un modèle d'illumination et des hypothèses sur la régularité de la scène. Par la suite, nous abordons la classification des zones détectées comme changées au cours de l'étape précédente. D'abord, nous nous fondons uniquement sur les radiométries des couples de pixels. Enfin, nous étudions l'intérêt d'une composante géométrique dans la classification. Plus précisément, nous appliquons un algorithme d'approximation polygonale sur les zones connexes issues de la classification précédentes, puis nous classifions les formes obtenues compte tenu des orientations des côtés des polygones obtenus. |
Abstract :
This thesis addresses the problem of change detection on remotely sensed urban scenes. experiences were run on couples of high resolution (<1m) panchromatic satellite images. Through this general theme, different problems, corresponding to different levels of a processing chain were addressed, from the determination of a change mask to an object level reasoning. In this work, we first address the problem of determining a change mask. We study the assets and limits of a change detection algorithm based on a Principal Component Analysis. We then propose a new algorithm that relies on the invariance of the level lines. It is based on a simple illumination model and some hypotheses on the scene regularity. Then we address the classification of the zones detected as changed during our first step. This is done by only considering the radiometries of each pixel couple. Finally, we study the interest of a geometric component in our classification. More precisely, we apply a polygonal approximation algorithm on the connected zones generated by the first classification, then we classify the obtained shapes according to the orientations of the polygon edges. |
|
3 - Détection de zones brûlées après un feu de forêt à partir d'une seule image satellitaire SPOT 5 par techniques SVM.
O. Zammit. Thèse de Doctorat, Universite de Nice Sophia Antipolis, septembre 2008.
Mots-clés : Classification, Imagerie satellitaire, Zones brûlées, Feux de foret, Support Vector Machines, Croissance de Region.
Copyright :
@PHDTHESIS{zammit_these_08,
|
| author |
= |
{Zammit, O.}, |
| title |
= |
{Détection de zones brûlées après un feu de forêt à partir d'une seule image satellitaire SPOT 5 par techniques SVM}, |
| year |
= |
{2008}, |
| month |
= |
{septembre}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| url |
= |
{http://tel.archives-ouvertes.fr/tel-00345683/fr/}, |
| keyword |
= |
{Classification, Imagerie satellitaire, Zones brûlées, Feux de foret, Support Vector Machines, Croissance de Region} |
| } |
Résumé :
Cette thèse aborde le problème de cartographie de zones brûlées à partir d'images satellitaires haute résolution. Nos modèles reposent sur le traitement d'une seule image SPOT 5, acquise après le feu afin de détecter automatiquement les zones brûlées.
Le modèle est fondé sur les Séparateurs à Vaste Marge (SVM), une technique de classification supervisée qui a démontré une meilleure précision et une meilleure capacité de généralisation que les algorithmes de classification plus traditionnels. Concernant notre problème de détection, les différentes zones brûlées possèdent des caractéristiques spectrales assez similaires, au contraire des zones non brûlées (végétation, routes, eau, zones urbaines, nuage, ombre...) dont les caractéristiques spectrales varient énormément. Nous proposons donc d'utiliser les One-Class SVM, une technique qui dérive des SVM mais qui n'utilise que des exemples de pixels brûlés pour les phases d'apprentissage et de classification.
Afin de prendre en compte l'information spatiale de l'image, l'algorithme OC-SVM est utilisé comme une technique de croissance de régions, ce qui permet de diminuer les fausses alarmes et d'améliorer les contours des zones brûlées.
De plus, la base d'exemple de pixels brûlés nécessaire à l'apprentissage des techniques SVM est déterminée automatiquement à partir de l'histogramme de l'image.
Finalement, la méthode de classification proposée est testée sur plusieurs images satellitaires afin de valider son efficacité selon le type de végétation et la surface des zones brûlées. Les zones brûlées obtenues sont comparées aux vérités de terrain fournies par le CNES, Infoterra France, le SERTIT, les Services Départementaux d'Incendies et de Secours ou l'Office National des Forêts. |
|
4 - Indexing of satellite images using structural information.
A. Bhattacharya. Thèse de Doctorat, Ecole Nationale Supérieure des Télécommunications, 2007.
Mots-clés : Landscape, Segmentation, Features, Extraction, Classification, Data mining.
@PHDTHESIS{bhattacharya_these,
|
| author |
= |
{Bhattacharya, A.}, |
| title |
= |
{Indexing of satellite images using structural information}, |
| year |
= |
{2007}, |
| school |
= |
{Ecole Nationale Supérieure des Télécommunications}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2007_bhattacharya_these.pdf}, |
| keyword |
= |
{Landscape, Segmentation, Features, Extraction, Classification, Data mining} |
| } |
|
5 - Contribution à l'Analyse de Textures en Traitement d'Images par Méthodes Variationnelles et Equations aux Dérivées Partielles.
J.F. Aujol. Thèse de Doctorat, Universite de Nice Sophia Antipolis, juin 2004.
Mots-clés : Decomposition d'images, Classification, Restauration, Analyse fonctionnelle, Espace Variations Bornees, Espaces de Sobolev.
@PHDTHESIS{JFAujol,
|
| author |
= |
{Aujol, J.F.}, |
| title |
= |
{Contribution à l'Analyse de Textures en Traitement d'Images par Méthodes Variationnelles et Equations aux Dérivées Partielles}, |
| year |
= |
{2004}, |
| month |
= |
{juin}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| url |
= |
{https://hal.inria.fr/tel-00006303}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/04/68/89/PDF/tel-00006303.pdf}, |
| keyword |
= |
{Decomposition d'images, Classification, Restauration, Analyse fonctionnelle, Espace Variations Bornees, Espaces de Sobolev} |
| } |
Résumé :
Cette thèse est un travail en mathématiques appliquées. Elle aborde quelques problèmes en analyse d'images et utilise des outils mathématiques spécifiques.
L'objectif des deux premières parties de cette thèse est de proposer un modèle pour décomposer une image f'en trois composantes : f=u+v+w. Notre approche repose sur l'utilisation d'espaces mathématiques adaptés à chaque composante: l'espace BV des fonctions à variations bornées pour u, un espace G'proche du dual de BV pour les textures, et un espace de Besov d'exposant négatif E'pour le bruit. Nous effectuons l'étude mathématique complète des différents modèles que nous proposons. Nous illustrons notre approche par de nombreux exemples.Dans la troisième et dernière partie de cette thèse, nous nous intéressons spécifiquement à la composante texturée. Nous proposons un algorithme de classification supervisée pour les images texturées. |
Abstract :
This Ph.D. thesis is a work in applied mathematics. It deals with image processing problems, and uses specific mathematical tools.
The aim of the two first parts is to propose a model for decomposing an image f'into three components : f=u+v+w. Our approach relies on the use of mathematical spaces adapted to each component : the space BV of functions with bounded variations for u, a space G'close to the dual space of BV for v, and a negative Besov space E'for w. We carry out the complete mathematical analysis of the different models we propose. We illustrate our approach with many numerical examples. In the third and last part, we only deal with the texture component of an image. We propose a supervised classification algorithm for textured images. |
|
6 - Analyse de texture dans l'espace hyperspectral par des méthodes probabilistes.
G. Rellier. Thèse de Doctorat, Universite de Nice Sophia Antipolis, novembre 2002.
Mots-clés : Imagerie hyperspectrale, Texture, Classification, Champs de Markov.
@PHDTHESIS{rellier,
|
| author |
= |
{Rellier, G.}, |
| title |
= |
{Analyse de texture dans l'espace hyperspectral par des méthodes probabilistes}, |
| year |
= |
{2002}, |
| month |
= |
{novembre}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| url |
= |
{https://hal.inria.fr/tel-00505898}, |
| keyword |
= |
{Imagerie hyperspectrale, Texture, Classification, Champs de Markov} |
| } |
Résumé :
Dans cette thèse, on aborde le problème de l'analyse de texture pour l'étude des zones urbaines. La texture est une notion spatiale désignant ce qui, en dehors de la couleur ou du niveau de gris, caractérise l'homogénéité visuelle d'une zone donnée d'une image. Le but de cette étude est d'établir un modèle qui permette une analyse de texture prenant en compte conjointement l'aspect spatial et l'aspect spectral, à partir d'images hyperspectrales. Ces images sont caractérisées par un nombre de canaux largement supérieur à celui des images multispectrales classiques. On désire tirer parti de l'information spectrale pour améliorer l'analyse spatiale. Les textures sont modélisées par un champ de Markov gaussien vectoriel, qui permet de prendre en compte les relations spatiales entre pixels, mais aussi les relations inter-bandes à l'intérieur d'un même pixel. Ce champ est adapté aux images hyperspectrales par une simplification évitant l'apparition de problèmes d'estimation statistique dans des espaces de grande dimension. Dans le but d'éviter ces problèmes, on effectue également une réduction de dimension des données grâce à un algorithme de poursuite de projection. Cet algorithme permet de déterminer un sous-espace de projection dans lequel une grandeur appelée indice de projection est optimisée. L'indice de projection est défini par rapport à la modélisation de texture proposée, de manière à ce que le sous-espace optimal maximise la distance entre les classes prédéfinies, dans le cadre de la classification. La méthode d'analyse de texture est testée dans le cadre d'une classification supervisée. Pour ce faire, on met au point deux algorithmes que l'on compare avec des algorithmes classiques utilisant ou non l'information de texture. Des tests sont réalisés sur des images hyperspectrales AVIRIS. |
Abstract :
In this work, we investigate the problem of texture analysis of urban areas. Texture is a spatial concept that refers to the visual homogeneity characteristics of an image, not taking into account color or grey level. The aim of this research is to define a model which allows a joint spectral and spatial analysis of texture, and then to apply this model to hyperspectral images. These images many more bands than classical multispectral images. We intend to make use of spectral information and improve simple spatial analysis. Textures are modeled by a vectorial Gauss-Markov random field, which allows us to take into account the spatial interactions between pixels as well as inter-band relationships for a single pixel. This field has been adapted to hyperspectral images by a simplification which avoids statistical estimation problems common to high dimensional spaces. In order to avoid these problems, we also reduce the dimensionality of the data, using a projection pursuit algorithm. This algorithm determines a projection subspace in which an index, called projection index, is optimized. This index is defined in relation to the proposed texture model so that, when a classification is being carried out, the optimal subspace maximizes the distance between predefined training samples. This texture analysis method is tested within a supervised classification framework. For this purpose, we propose two classification algorithms that we compare to two classical algorithms, one which uses texture information and one which does not. Tests are carried out on AVIRIS hyperspectral images. |
|
7 - Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles.
C. Samson. Thèse de Doctorat, Universite de Nice Sophia Antipolis, septembre 2000.
Mots-clés : Classification, Restauration, Courbes de niveaux, Contour actif.
@PHDTHESIS{cs,
|
| author |
= |
{Samson, C.}, |
| title |
= |
{Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles}, |
| year |
= |
{2000}, |
| month |
= |
{septembre}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| url |
= |
{https://tel.archives-ouvertes.fr/tel-00319709}, |
| pdf |
= |
{http://tel.archives-ouvertes.fr/docs/00/31/97/09/PDF/SAMSONthesis.pdf}, |
| keyword |
= |
{Classification, Restauration, Courbes de niveaux, Contour actif} |
| } |
Résumé :
Ce travail est consacré au développement ainsi qu'à l'implantation de deux modèles variationnels pour la classification d'images. La classification d'images, consistant à attribuer une étiquette à chaque pixel d'une image, concerne de nombreuses applications à partir du moment où cette opération intervient très souvent à la base des chaînes de traitement et d'interprétation d'images. De nombreux modèles de classification ont déjà été développés dans un cadre stochastique ou à travers des approches structurales, mais rarement dans un contexte variationnel qui a déjà montré son efficacité dans divers domaines tels que la reconstruction ou la restauration d'images. Le premier modèle que nous proposons 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. Cette approche entre dans le cadre des problèmes à discontinuité libre (it free discontinuity problems) et fait appel à des notions de convergence variationnelle telle que la théorie de la Gamma-convergence. La famille de fonctionnelles que nous proposons de minimiser contient un terme de régularisation, ainsi qu'un terme de classification. Lors de la convergence de cette suite de critères, le modèle change progressivement de comportement en commençant par restaurer l'image avant d'entamer le processus d'étiquetage des pixels. 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, cette approche ayant déjà suscité de nombreux travaux dans le cadre de la segmentation d'images. Chaque classe, et son ensemble de régions et contours associé, est défini à travers une fonction d'ensemble de niveaux. Le critère contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours. Nous aboutissons à la résolution d'un système d'équations aux dérivées partielles couplées et plongées dans un schéma dynamique. L'évolution de chaque région est guidée par un jeu de forces permettant d'obtenir une partition de l'image composée de classes homogènes et dont les frontières sont lisses. Nous avons mené des expériences sur de nombreuses données synthétiques ainsi que sur des images satellitaires SPOT. Nous avons également étendu ces deux modèles au cas de données multispectrales et obtenu des résultats sur des données SPOT XS que nous avons comparé à ceux obtenus par différents modèles. |
Abstract :
This work is devoted to the development and the implementation of variational models for image classification.\ Image classification, which consists in assiging a label to each pixel of a given image, concerns many applications since it is often the basic processing for many image interpretation systems. Many models have been developed within a stochastic framework or using structural approaches, but rarely within a variational framework whose efficiency has largely been proved for a wide variety of problems such as image reconstruction or restoration. The first model we propose herein is based on the minimization of a criterion family whose set of solutions in converging to a partition of the data set composed of homogeneous regions with regularized boundaries. This approach takes place within the context of free boundary problems and we use the Gamma-convergence theory for the theoretical study. The set of functionals we minimize contains a regularization term and a classification one. As the set of functionals is converging, the behavior of the model is progressively changing: the restoration process is vanishing while the labeling one is rising. 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, this formulation allows a change of topology of the evolving sets. Each class and its associated set of regions and boundaries is defined thanks to a level set function. From the Euler equations, we solve a system of coupled partial differential equations through a dynamical scheme. The evolution of each region is governed by forces constraining the partition to be composed of homogeneous classes with smooth boundaries.\ We have conducted many experiments on both synthetic and real images. We have extended these models to the multispectral case for which the data are a set of images, and we show some results and comparisons on SPOT XS images. |
|
haut de la page
12 Articles de conférence |
1 - Synthetic Aperture Radar Image Classification via Mixture Approaches.
V. Krylov et J. Zerubia. Dans Proc. IEEE International Conference on Microwaves, Communications, Antennas and Electronic Systems (COMCAS), Tel Aviv, Israel, novembre 2011.
Mots-clés : Radar a Ouverture Synthetique (SAR), remote sensing, high resolution, Classification, finite mixture models, generalized gamma distribution.
Copyright : IEEE
@INPROCEEDINGS{krylovCOMCAS11,
|
| author |
= |
{Krylov, V. and Zerubia, J.}, |
| title |
= |
{Synthetic Aperture Radar Image Classification via Mixture Approaches}, |
| year |
= |
{2011}, |
| month |
= |
{novembre}, |
| booktitle |
= |
{Proc. IEEE International Conference on Microwaves, Communications, Antennas and Electronic Systems (COMCAS)}, |
| address |
= |
{Tel Aviv, Israel}, |
| url |
= |
{http://www.ortra.biz/comcas/}, |
| pdf |
= |
{http://hal.archives-ouvertes.fr/inria-00625551/en/}, |
| keyword |
= |
{Radar a Ouverture Synthetique (SAR), remote sensing, high resolution, Classification, finite mixture models, generalized gamma distribution} |
| } |
Abstract :
In this paper we focus on the fundamental synthetic aperture radars (SAR) image processing problem of supervised classification. To address it we consider a statistical finite mixture approach to probability density function estimation. We develop a generalized approach to address the problem of mixture estimation and consider the use of several different classes of distributions as the base for mixture approaches. This allows performing the maximum likelihood classification which is then refined by Markov random field approach, and optimized by graph cuts. The developed method is experimentally validated on high resolution SAR imagery acquired by Cosmo-SkyMed and TerraSAR-X satellite sensors. |
|
2 - SAR image classification with non- stationary multinomial logistic mixture of amplitude and texture densities.
K. Kayabol et A. Voisin et J. Zerubia. Dans Proc. IEEE International Conference on Image Processing (ICIP), pages 173-176, Brussels, Belgium, septembre 2011.
Mots-clés : High resolution SAR images, Classification, Texture, Multinomial logistic, Classification EM algorithm.
@INPROCEEDINGS{inria-00592252,
|
| author |
= |
{Kayabol, K. and Voisin, A. and Zerubia, J.}, |
| title |
= |
{SAR image classification with non- stationary multinomial logistic mixture of amplitude and texture densities}, |
| year |
= |
{2011}, |
| month |
= |
{septembre}, |
| booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
| pages |
= |
{173-176}, |
| address |
= |
{Brussels, Belgium}, |
| url |
= |
{http://hal.inria.fr/inria-00592252/en/}, |
| keyword |
= |
{High resolution SAR images, Classification, Texture, Multinomial logistic, Classification EM algorithm} |
| } |
Abstract :
We combine both amplitude and texture statistics of the Synthetic Aperture Radar (SAR) images using Products of Experts (PoE) approach for classification purpose. We use Nakagami density to model the class amplitudes. To model the textures of the classes, we exploit a non-Gaussian Markov Random Field (MRF) texture model with t-distributed regression error. Non-stationary Multinomial Logistic (MnL) latent class label model is used as a mixture density to obtain spatially smooth class segments. We perform the classification Expectation-Maximization (CEM) algorithm to estimate the class parameters and classify the pixels. We obtained some classification results of water, land and urban areas in both supervised and semi-supervised cases on TerraSAR-X data. |
|
3 - Classification bayésienne supervisée d’images RSO de zones urbaines à très haute résolution.
A. Voisin et V. Krylov et J. Zerubia. Dans Proc. GRETSI Symposium on Signal and Image Processing, Bordeaux, septembre 2011.
Mots-clés : Images SAR, Classification, Zones urbaines, Champs de Markov, Modeles hierarchiques.
@INPROCEEDINGS{VoisinGretsi2011,
|
| author |
= |
{Voisin, A. and Krylov, V. and Zerubia, J.}, |
| title |
= |
{Classification bayésienne supervisée d’images RSO de zones urbaines à très haute résolution}, |
| year |
= |
{2011}, |
| month |
= |
{septembre}, |
| booktitle |
= |
{Proc. GRETSI Symposium on Signal and Image Processing}, |
| address |
= |
{Bordeaux}, |
| url |
= |
{http://hal.inria.fr/inria-00623003/fr/}, |
| keyword |
= |
{Images SAR, Classification, Zones urbaines, Champs de Markov, Modeles hierarchiques} |
| } |
Résumé :
Ce papier présente un modèle de classification bayésienne supervisée d’images acquises par Radar à Synthèse d’Ouverture (RSO) très haute résolution en polarisation simple contenant des zones urbaines, particulièrement affectées par le bruit de chatoiement. Ce modèle prend en compte à la fois une représentation statistique des images RSO par modèle de mélanges finis et de copules, et une modélisation contextuelle
à partir de champs de Markov hiérarchiques. |
Abstract :
This paper deals with the Bayesian classification of single-polarized very high resolution synthetic aperture radar (SAR) images
that depict urban areas. The difficulty of such a classification relies in the significant effects of speckle noise. The model considered here takes into account both statistical modeling of images via finite mixture models and copulas, and contextual modeling thanks to hierarchical Markov random fields |
|
4 - Morphological road segmentation in urban areas from high resolution satellite images.
R. Gaetano et J. Zerubia et G. Scarpa et G. Poggi. Dans International Conference on Digital Signal Processing, Corfu, Greece, juillet 2011.
Mots-clés : Segmentation, Classification, skeletonization , pattern recognition, shape analysis.
@INPROCEEDINGS{GaetanoDSP,
|
| author |
= |
{Gaetano, R. and Zerubia, J. and Scarpa, G. and Poggi, G.}, |
| title |
= |
{Morphological road segmentation in urban areas from high resolution satellite images}, |
| year |
= |
{2011}, |
| month |
= |
{juillet}, |
| booktitle |
= |
{International Conference on Digital Signal Processing}, |
| address |
= |
{Corfu, Greece}, |
| url |
= |
{http://hal.inria.fr/inria-00618222/fr/}, |
| keyword |
= |
{Segmentation, Classification, skeletonization , pattern recognition, shape analysis} |
| } |
Abstract :
High resolution satellite images provided by the last generation
sensors significantly increased the potential of almost
all the image information mining (IIM) applications related
to earth observation. This is especially true for the extraction
of road information, task of primary interest for many remote
sensing applications, which scope is more and more extended
to complex urban scenarios thanks to the availability of highly
detailed images. This context is particularly challenging due
to such factors as the variability of road visual appearence
and the occlusions from entities like trees, cars and shadows.
On the other hand, the peculiar geometry and morphology of
man-made structures, particularly relevant in urban areas, is
enhanced in high resolution images, making this kind of information
especially useful for road detection.
In this work, we provide a new insight on the use of morphological
image analysis for road extraction in complex urban
scenarios, and propose a technique for road segmentation
that only relies on this domain. The keypoint of the technique
is the use of skeletons as powerful descriptors for road objects:
the proposed method is based on an ad-hoc skeletonization
procedure that enhances the linear structure of road segments,
and extracts road objects by first detecting their skeletons
and then associating each of them with a region of the
image. Experimental results are presented on two different
high resolution satellite images of urban areas. |
|
5 - Multichannel SAR Image Classification by Finite Mixtures, Copula Theory and Markov Random Fields.
V. Krylov et G. Moser et S.B. Serpico et J. Zerubia. Dans Proc. of Bayesian Inference and Maximum Entropy Methods in Science and Engineering (MaxEnt 2010), Vol. 1305, pages 319-326, Chamonix, France, juillet 2010.
Mots-clés : multichannel SAR, Classification, probability density function estimation, Markov random field, copula.
Copyright : AIP
@INPROCEEDINGS{krylovMaxEnt10,
|
| author |
= |
{Krylov, V. and Moser, G. and Serpico, S.B. and Zerubia, J.}, |
| title |
= |
{Multichannel SAR Image Classification by Finite Mixtures, Copula Theory and Markov Random Fields}, |
| year |
= |
{2010}, |
| month |
= |
{juillet}, |
| booktitle |
= |
{Proc. of Bayesian Inference and Maximum Entropy Methods in Science and Engineering (MaxEnt 2010)}, |
| volume |
= |
{1305}, |
| pages |
= |
{319-326}, |
| address |
= |
{Chamonix, France}, |
| url |
= |
{http://hal.archives-ouvertes.fr/inria-00495557/en/}, |
| pdf |
= |
{http://hal.archives-ouvertes.fr/docs/00/49/55/57/PDF/krylov_MaxEnt2010.pdf}, |
| keyword |
= |
{multichannel SAR, Classification, probability density function estimation, Markov random field, copula} |
| } |
Abstract :
The last decades have witnessed an intensive development and a significant increase of interest to remote sensing, and, in particular, to synthetic aperture radar (SAR) imagery. In this paper we develop a supervised classification approach for medium and high resolution multichannel SAR amplitude images. The proposed technique combines finite mixture modeling for probability density function estimation, copulas for multivariate distribution modeling and the Markov random field approach to Bayesian image classification. The finite mixture modeling is done via a recently proposed SAR-specific dictionary-based stochastic expectation maximization approach to class-conditional amplitude probability density function estimation, which is applied separately to all the SAR channels. For modeling the class-conditional joint distributions of multichannel data the statistical concept of copulas is employed, and a dictionary-based copula selection method is proposed. Finally, the Markov random field approach enables to take into account the contextual information and to gain robustness against the inherent noise-like phenomenon of SAR known as speckle. The designed method is an extension and a generalization to multichannel SAR of a recently developed single-channel and Dual-pol SAR image classification technique. The accuracy of the developed multichannel SAR classification approach is validated on several multichannel Quad-pol RADARSAT-2 images and compared to benchmark classification techniques. |
|
6 - Unsupervised One-Class SVM Using a Watershed Algorithm and Hysteresis Thresholding to Detect Burnt Areas.
O. Zammit et X. Descombes et J. Zerubia. Dans Proc. International Conference on Pattern Recognition and Image Analysis (PRIA), Nizhny Novgorod, Russia, septembre 2008.
Mots-clés : Classification, Segmentation, Support Vector Machines, Zones brûlées, Feux de foret, Imagerie satellitaire.
Copyright :
@INPROCEEDINGS{zammit_pria_08,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Unsupervised One-Class SVM Using a Watershed Algorithm and Hysteresis Thresholding to Detect Burnt Areas}, |
| year |
= |
{2008}, |
| month |
= |
{septembre}, |
| booktitle |
= |
{Proc. International Conference on Pattern Recognition and Image Analysis (PRIA)}, |
| address |
= |
{Nizhny Novgorod, Russia}, |
| pdf |
= |
{http://hal.inria.fr/inria-00316297/fr/}, |
| keyword |
= |
{Classification, Segmentation, Support Vector Machines, Zones brûlées, Feux de foret, Imagerie satellitaire} |
| } |
|
7 - Combining One-Class Support Vector Machines and hysteresis thresholding: application to burnt area mapping.
O. Zammit et X. Descombes et J. Zerubia. Dans Proc. European Signal Processing Conference (EUSIPCO), Lausanne, Switzerland, août 2008.
Note : à paraître.
Mots-clés : Classification, Imagerie satellitaire, Support Vector Machines, Zones brûlées, Feux de foret, Clustering.
Copyright :
@INPROCEEDINGS{zammit_eusipco_08,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Combining One-Class Support Vector Machines and hysteresis thresholding: application to burnt area mapping}, |
| year |
= |
{2008}, |
| month |
= |
{août}, |
| booktitle |
= |
{Proc. European Signal Processing Conference (EUSIPCO)}, |
| address |
= |
{Lausanne, Switzerland}, |
| url |
= |
{http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7080254}, |
| keyword |
= |
{Classification, Imagerie satellitaire, Support Vector Machines, Zones brûlées, Feux de foret, Clustering} |
| } |
|
8 - Indexing of mid-resolution satellite images with structural attributes.
A. Bhattacharya et M. Roux et H. Maitre et I. H. Jermyn et X. Descombes et J. Zerubia. Dans The International Society for Photogrammetry and Remote Sensing, Beijing, China, juillet 2008.
Mots-clés : Landscape, Segmentation, Features, Extraction, Classification, Modelling.
@INPROCEEDINGS{Bhattacharya08,
|
| author |
= |
{Bhattacharya, A. and Roux, M. and Maitre, H. and Jermyn, I. H. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Indexing of mid-resolution satellite images with structural attributes}, |
| year |
= |
{2008}, |
| month |
= |
{juillet}, |
| booktitle |
= |
{The International Society for Photogrammetry and Remote Sensing}, |
| address |
= |
{Beijing, China}, |
| pdf |
= |
{http://www-sop.inria.fr/members/Ian.Jermyn/publications/Bhattacharya08isprs.pdf}, |
| keyword |
= |
{Landscape, Segmentation, Features, Extraction, Classification, Modelling} |
| } |
Abstract :
Indexing and retrieval of satellite images relies on the extraction of appropriate information from the data about the entity of interest
(e.g. land cover type) and on the robustness of this extraction to nuisance variables. Entities in an image may be strongly correlated
with each other and can therefore be used to characterize geographical environments on the Earth’s surface.
The properties of road networks vary considerably from one geographical environment to another. The networks pertaining in a
satellite image can therefore be used to classify and retrieve such environments. In the work presented in this paper we have defined
7 such classes. These classes can be categorized as follows: 2 urban classes consisting of “Urban USA” and “Urban Europe”; 3
rural classes consisting of “Villages”, “Mountains” and “Fields”; an “Airports” class and a “Common” class (this can be considered
as a rejection class). These classes were then classified with the aid of geometrical and topological features computed from the road
networks occurring in them. In our work we have used two extraction methods simultaneously on an image to extract the road networks
pertaining in it. A set of 16 network features were computed from one extraction method and were categorized into 6 groups as follows:
6 measures of ‘density’, 4 measures of ‘curviness’, 2 measures of ‘homogeneity’, 1 measure of ‘length’, 2 measures of ‘distribution’
and 1 measure of ‘entropy’.
Due to certain limitations of these extraction methods there was a relative failure of network extraction in certain urban regions con-
taining narrow and dense road structures. This loss of information was circumvented by segmenting the urban regions and computing
a second set of geometrical and topological features from them. A set of 4 urban region features were computed and were categorized
into 3 groups as follows: 2 measures of ‘density’, 1 measure of ‘labels’ and 1 measure of ‘compactness’.
The 500 images (each of size 512x512 pixels) forming our database were selected from SPOT5 scenes with 5m resolution. From each
image a set of geometrical and topological features were computed from the road networks and urban regions. These features were
then used to classify the pre-defined geographical classes. Feature selection was done to avoid the burden of feature dimensionality
and increase the classification performance. A set of 20 features was selected from 36 features by Fisher Linear Discriminant (FLD)
analysis which gave the least classification error with an one-vs-rest linear Support Vector Machine (SVM).
The impact of spatial resolution and size of images on the feature set have been explored in this work. We took a closer look at the effect
of spatial resolution and size of images on the discriminative power of the feature set to classify the images belonging to the pre-defined
geographical classes. Tests were performed with feature selection by FLD and one-vs-rest linear SVM classification on a database with
images of 10m resolution. Another test was performed with feature selection by FLD and one-vs-rest linear SVM classification on a
database with 5m resolution images (each of size 256x256 pixels).
With the above mentioned approaches, we developed a novel method to classify large satellite images acquired by SPOT5 satellite (5m
resolution) with patches of images each of size 512x512 pixels extracted from them. There has been a large amount of work dedicated
to the classification of large satellite images at pixel level rather than considering image patches of different sizes. Classification of
image patches of different sizes from a large satellite image is a novel idea in the sense that the patches considered contain significant
coverage of a particular type of geographical environment.
Road networks and urban region features were computed from these image patches extracted from the large image. A one-vs-rest
Gaussian kernel SVM classification method was used to classify this large image. The classification results show that the image
patches were labeled with the class having the maximum geographical coverage of the area associated in the large image. The large
image was mapped into a “region matrix”, where each element of the matrix corresponds to a geographical class. This is a ‘hard’
classification and no inference can be drawn about the classification confidence.
In certain cases, this produces some anomalies, as a single patch may contain two or more different geographical coverages. In order
to have an estimate of these partial coverages, the output of the SVM was mapped into probabilities. These probability measures were
then studied to have a closer look at the classification accuracies. The results confirm that our method is able to classify a large image
into various geographical classes with a mean error of less than 10%.
Future studies can use operators to detect not only man-made structures like roads and urban areas, but also natural entities like rivers,
forests, etc. In this work we have restricted ourselves to a single resolution, but our methodology can be adapted to consider images
of higher resolutions from QuickBird and the future Pleiade satellite. At a better resolution it may be possible to extract different
structures like buildings, gardens, cross-roads, etc. This in turn will allow us to incorporate more classes to appropriately classify any
geographical environment. At an image resolution of 1m, we may imagine to have sub-classes of an existing class, e.g., classes like
urban Europe and urban USA can de divided into downtown, residential and industrial classes. |
|
9 - Mixing Geometric and Radiometric Features for Change Classification.
A. Fournier et X. Descombes et J. Zerubia. Dans Proc. SPIE Symposium on Electronic Imaging, San Jose, USA, janvier 2008.
Mots-clés : Change detection, directional Statistics, polygonal approximation, Classification.
Copyright : Copyright 2008 SPIE and IS&T. This paper was published in the proceedings of IS&T/SPIE 20th Annual Symposium on Electronic Imaging and is made available as an electronic reprint (preprint) with permission of SPIE and IS&T. One print or electronic copy may be made for personal use only. Systematic or multiple reproduction, distribution to multiple locations via electronic or other means, duplication of any material in this paper for a fee or for commercial purposes, or modification of the content of the paper are prohibited.
@INPROCEEDINGS{fournier_spie08,
|
| author |
= |
{Fournier, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Mixing Geometric and Radiometric Features for Change Classification}, |
| year |
= |
{2008}, |
| month |
= |
{janvier}, |
| booktitle |
= |
{Proc. SPIE Symposium on Electronic Imaging}, |
| address |
= |
{San Jose, USA}, |
| url |
= |
{http://hal.inria.fr/inria-00269853/fr/}, |
| keyword |
= |
{Change detection, directional Statistics, polygonal approximation, Classification} |
| } |
Abstract :
Most basic change detection algorithms use a pixel-based approach. Whereas such approach is quite well defined for monitoring important area changes (such as urban growth monitoring) in low resolution images, an object based approach seems more relevant when the change detection is specifically aimed toward targets (such as small buildings and vehicles). In this paper, we present an approach that mixes radiometric and geometric features to qualify the changed zones. The goal is to establish bounds (appearance, disappearance, substitution ...) between the detected changes and the underlying objects. We proceed by first clustering the change map (containing each pixel bitemporal radiosity) in different classes using the entropy-kmeans algorithm. Assuming that most man-made objects have a polygonal shape, a polygonal approximation algorithm is then used in order to characterize the resulting zone shapes. Hence allowing us to refine the primary rough classification, by integrating the polygon orientations in the state space. Tests are currently conducted on Quickbird data. |
|
10 - Apprentissage non supervisé des SVM par un algorithme des K-moyennes entropique pour la détection de zones brûlées.
O. Zammit et X. Descombes et J. Zerubia. Dans Proc. GRETSI Symposium on Signal and Image Processing, Troyes, France, septembre 2007.
Mots-clés : Imagerie satellitaire, Feux de foret, Zones brûlées, Classification, Support Vector Machines, Base d'apprentissage.
@INPROCEEDINGS{zammit_gretsi_07,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Apprentissage non supervisé des SVM par un algorithme des K-moyennes entropique pour la détection de zones brûlées}, |
| year |
= |
{2007}, |
| month |
= |
{septembre}, |
| booktitle |
= |
{Proc. GRETSI Symposium on Signal and Image Processing}, |
| address |
= |
{Troyes, France}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2007_zammit_gretsi_07.pdf}, |
| keyword |
= |
{Imagerie satellitaire, Feux de foret, Zones brûlées, Classification, Support Vector Machines, Base d'apprentissage} |
| } |
|
11 - Assessment of different classification algorithms for burnt land discrimination.
O. Zammit et X. Descombes et J. Zerubia. Dans Proc. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), pages 3000-3003, Barcelone, Spain, juillet 2007.
Mots-clés : Imagerie satellitaire, Zones brûlées, Support Vector Machines, Feux de foret, Classification.
Copyright : IEEE
|
12 - Gaussian Mixture Models of Texture and Colour for Image Database Retrieval.
H. Permuter et J.M. Francos et I. H. Jermyn. Dans Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Hong Kong, avril 2003.
Mots-clés : Texture, Mixture de gaussiennes, Classification, Aerial images.
@INPROCEEDINGS{Permuter03,
|
| author |
= |
{Permuter, H. and Francos, J.M. and Jermyn, I. H.}, |
| title |
= |
{Gaussian Mixture Models of Texture and Colour for Image Database Retrieval}, |
| year |
= |
{2003}, |
| month |
= |
{avril}, |
| booktitle |
= |
{Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, |
| address |
= |
{Hong Kong}, |
| pdf |
= |
{http://www-sop.inria.fr/members/Ian.Jermyn/publications/Permuter03icassp.pdf}, |
| keyword |
= |
{Texture, Mixture de gaussiennes, Classification, Aerial images} |
| } |
Abstract :
We introduce Gaussian mixture models of ‘structure’ and
colour features in order to classify coloured textures in images,
with a view to the retrieval of textured colour images
from databases. Classifications are performed separately
using structure and colour and then combined using
a confidence criterion. We apply the models to the VisTex
database and to the classification of man-made and natural
areas in aerial images. We compare these models with others
in the literature, and show an overall improvement in
performance. |
|
haut de la page
12 Rapports de recherche et Rapports techniques |
1 - On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation.
V. Krylov et G. Moser et S.B. Serpico et J. Zerubia. Rapport de Recherche 7666, INRIA, juillet 2011.
Mots-clés : Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Radar a Ouverture Synthetique (SAR), Classification.
Copyright : INRIA/ARIANA
@TECHREPORT{RR-7666,
|
| author |
= |
{Krylov, V. and Moser, G. and Serpico, S.B. and Zerubia, J.}, |
| title |
= |
{On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation}, |
| year |
= |
{2011}, |
| month |
= |
{juillet}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{7666}, |
| url |
= |
{http://hal.archives-ouvertes.fr/inria-00605274/en/}, |
| keyword |
= |
{Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Radar a Ouverture Synthetique (SAR), Classification} |
| } |
Résumé :
L'estimation de paramètres de fonctions de densité de probabilité est une étape majeure dans le domaine du traitement statistique du signal et des images. Dans ce rapport, nous étudions les propriétés et les limites de l'estimation de paramètres par la méthode des cumulants logarithmiques (MoLC), qui est une alternative à la fois au maximum de vraisemblance (MV) classique et à la méthode des moments. Nous dérivons la condition générale suffisante de consistance forte de l'estimation par la méthode MoLC, qui représente une propriété asymptotique importante de tout estimateur statistique. Grâce à cela, nous démontrons la consistance forte de l'estimation par la méthode MoLC pour une sélection de familles de distributions particulièrement adaptées (mais non restreintes) au traitement d'images acquises par radar à synthèse d'ouverture (RSO). Nous dérivons ensuite les conditions analytiques d'applicabilité de la méthode MoLC à des échantillons générés qui suivent les lois des différentes familles de distribution de notre sélection. Enfin, nous testons la méthode MoLC sur des données synthétiques et réelles afin de comparer les différentes propriétés inhérentes aux différents types d'images, l'applicabilité de la méthode et les effets d'un nombre restreint d'échantillons. Nous avons, en particulier, considéré les distributions gamma généralisée et K. Comme exemple d'application, nous avons réalisé des classifications supervisées d'images médicales à ultrason ainsi que d'images de télédétection acquises par des capteurs RSO. Les résultats obtenus montrent que la méthode MoLC est une bonne alternative à la méthode des moments, bien qu'elle contienne certaines limitations. Elle est particulièrement utile lorsqu'une approche directe par MV n'est pas possible. |
Abstract :
Parameter estimation of probability density functions is one of the major steps in the mainframe of statistical image and signal processing. In this report we explore the properties and limitations of the recently proposed method of logarithmic cumulants (MoLC) parameter estimation approach which is an alternative to the classical maximum likelihood (ML) and method of moments (MoM) approaches. We derive the general sufficient condition of strong consistency of MoLC estimates which represents an important asymptotic property of any statistical estimator. With its help we demonstrate the strong consistency of MoLC estimates for a selection of widely used distribution families originating (but not restricted to) synthetic aperture radar (SAR) image processing. We then derive the analytical conditions of applicability of MoLC to samples generated from several distribution families in our selection. Finally, we conduct various synthetic and real data experiments to assess the comparative properties, applicability and small sample performance of MoLC notably for the generalized gamma and K family of distributions. Supervised image classification experiments are considered for medical ultrasound and remote sensing SAR imagery. The obtained results suggest MoLC to be a feasible yet not universally applicable alternative to MoM that can be considered when the direct ML approach turns out to be unfeasible. |
|
2 - Unsupervised amplitude and texture based classification of SAR images with multinomial latent model.
K. Kayabol et J. Zerubia. Rapport de Recherche 7700, INRIA, juillet 2011.
Mots-clés : High resolution SAR, Classification, Texture.
@TECHREPORT{Kayabol11,
|
| author |
= |
{Kayabol, K. and Zerubia, J.}, |
| title |
= |
{Unsupervised amplitude and texture based classification of SAR images with multinomial latent model}, |
| year |
= |
{2011}, |
| month |
= |
{juillet}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{7700}, |
| url |
= |
{http://hal.archives-ouvertes.fr/hal-00612491/fr/}, |
| keyword |
= |
{High resolution SAR, Classification, Texture} |
| } |
Abstract :
We combine both amplitude and texture statistics of the Synthetic Aperture Radar (SAR) images using Products of Experts (PoE) approach for classification purpose. We use Nakagami density to model the class amplitudes and a non-Gaussian Markov Random Field (MRF) texture model with t-distributed regression error to model the textures of the classes. A non-stationary Multinomial Logistic (MnL) latent class label model is used as a mixture density to obtain spatially smooth class segments. The Classification Expectation-Maximization (CEM) algorithm is performed to estimate the class parameters and to classify the pixels. We resort to Integrated Classification Likelihood (ICL) criterion to determine the number of classes in the model. We obtained some classification results of water, land and urban areas in both supervised and unsupervised cases on TerraSAR-X, as well as COSMO-SkyMed data.
|
|
3 - Support Vector Machines for burnt area discrimination.
O. Zammit et X. Descombes et J. Zerubia. Rapport de Recherche 6343, INRIA, novembre 2007.
Mots-clés : Feux de foret, Zones brûlées, Imagerie satellitaire, Support Vector Machines, Classification.
@TECHREPORT{zammit_RR_07,
|
| author |
= |
{Zammit, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Support Vector Machines for burnt area discrimination}, |
| year |
= |
{2007}, |
| month |
= |
{novembre}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{6343}, |
| url |
= |
{http://hal.inria.fr/inria-00185101/fr/}, |
| pdf |
= |
{http://hal.inria.fr/inria-00185101/fr/}, |
| keyword |
= |
{Feux de foret, Zones brûlées, Imagerie satellitaire, Support Vector Machines, Classification} |
| } |
Résumé :
Ce rapport aborde le problème de l'évaluation des dégâts après un feux de forêt. La détection est effectuée à partir d'une seule image satellite (SPOT 5) acquise après le feu. Afin de détecter les zones brûlées, nous utilisons une approche récente de classification nommée SVM (Séparateurs à Vaste Marge). Cette méthode est comparée aux algorithmes de classification plus conventionnels comme les K-moyennes ou les K-plus proches voisins, qui sont régulièrement utilisés en traitement d'image. Nous proposons également une méthode de classification non supervisée combinant les K-moyennes et les SVM. Les résultats fournis par les différentes techniques sont comparés à des vérités de terrain sur diverses zones brûlées. |
Abstract :
This report addresses the problem of burnt area discrimination using remote sensing images. The detection is based on a single post-fire image acquired by SPOT 5 satellite. To delineate the burnt areas, we use a recent classification method called Support Vectors Machines (SVM). This approach is compared to more conventional classifiers such as K-means or K-nearest neighbours which are widely used in image processing. We also proposed a new automatic classification approach combining K-means and SVM. The results given by the different methods are finally compared to ground truths on various burnt areas |
|
4 - Noyaux Texturaux pour les Problèmes de Classification par SVM en Télédétection.
F. Lafarge et X. Descombes et J. Zerubia. Rapport de Recherche 5370, INRIA, France, décembre 2004.
Mots-clés : Support Vector Machines, Classification, Feux de foret, Zones urbaines, Base d'apprentissage, Champs de Markov.
@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 |
= |
{décembre}, |
| 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, Feux de foret, Zones urbaines, Base d'apprentissage, Champs de Markov} |
| } |
Résumé :
Nous détaillons dans ce rapport la construction de deux noyaux texturaux s'utilisant dans les problèmes de classification par «Support Vector Machines» en télédétection. Les SVM constituent une méthode de classification supervisée particulièrement bien adaptée pour traiter des données de grande dimension telles que les images satellitaires. Par cette méthode, nous souhaitons réaliser l'apprentissage de paramètres qui permettent la différenciation entre deux ensembles de pixels connexes non-identiques. Nous travaillons pour cela sur des fonctions noyaux, fonctions caractérisant une certaine similarité entre deux données. Dans notre cas, cette similarité sera fondée à la fois sur une notion radiométrique et sur une notion texturale. La principale difficulté rencontrée dans cette étude réside dans l'élaboration de paramètres texturaux pertinents qui modélisent au mieux l'homogénéité d'un ensemble de pixels connexes. Nous appliquons les noyaux proposés à deux problèmes de télédétection: la détection de feux de forêt et la détection de zones urbaines à partir d'images satellitaires haute résolusion. |
Abstract :
We present in this report two textural kernels for «Support Vector Machines» classification applied to remote sensing problems. SVMs constitute a method of supervised classification well adapted to deal with data of high dimension, such as images. We would like to learn parameters which allow the differentiation between two sets of connected pixels. We also introduce kernel functions which characterize a notion of similarity between two pieces of data. In our case this similarity is based on a radiometric charateristic and a textural characteristic. The main difficulty is to elaborate textural parameters which are pertinent and characterize as well as possible the homogeneity of a set of connected pixels. We apply this method to remote sensing problems : the detection of forest fires and the extraction of urban areas in high resolution satellite images. |
|
5 - A Binary Tree-Structured MRF Model for Multispectral Satellite Image Segmentation.
G. Scarpa et G. Poggi et J. Zerubia. Rapport de Recherche 5062, INRIA, France, décembre 2003.
Mots-clés : Estimation bayesienne, Classification, Champs de Markov, Modeles hierarchiques.
@TECHREPORT{Scarpa03,
|
| author |
= |
{Scarpa, G. and Poggi, G. and Zerubia, J.}, |
| title |
= |
{A Binary Tree-Structured MRF Model for Multispectral Satellite Image Segmentation}, |
| year |
= |
{2003}, |
| month |
= |
{décembre}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5062}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00071522}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/71522/filename/RR-5062.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/15/22/PS/RR-5062.ps}, |
| keyword |
= |
{Estimation bayesienne, Classification, Champs de Markov, Modeles hierarchiques} |
| } |
Résumé :
Dans ce rapport, nous proposons un modèle markovien a priori structuré à arbre binaire (le TS-MRF) pour la segmentation d'images satellitaires multispectrales. Ce modèle permet de représenter un champ bidimensionnel par une séquence de champs de Markov binaires, chacun correspondant à un noeud de l'arbre. Pour avoir une bonne classification, on peut adapter le modèle TS-MRF à la structure intrinsèque des données, en définissant un MRF, à plusieurs paramètres, très flexible. Bien que l'on définisse le modèle global sur tout l'arbre, l'optimisation et l'estimation peuvent être poursuivis en considérant un noeud à la fois, à partir de la racine jusqu'aux feuilles, avec une réduction significative de la complexité. En effet, on a montré expérimentalement que l'algorithme global est beaucoup plus rapide qu'un algorithme conventionnel fondé sur le modèle markovien d'Ising, en particulier quand le nombre des bandes spectrales est très grand. Grâce à la procédure d'optimisation séquentielle, ce modèle permet aussi de déterminer le nombre des classes présentes dans l'image satellitaire, dans le cadre d'une classification non supervisée, à travers une condition d'arrêt définie localement pour chaque noeud. Nous avons effectué des expériences sur une image SPOT de la baie de Lannion, pour laquelle nous disposons d'une vérité terrain, et nous avons trouvé que le modèle proposé fournit de meilleurs résultats que certains autres modèles de Markov et que d'autres méthodes variationnelles. |
Abstract :
In this work we detail a tree-structured MRF (TS-MRF) prior model useful for segmentation of multispectral satellite images. This model allows a hierarchical representation of a 2-D field by the use of a sequence of binary MRFs, each corresponding to a node in the tree. In order to get good performances, one can fit the intrinsic structure of the data to the TS-MRF model, thereby defining a multi-parameter, flexible, MRF. Although a global MRF model is defined on the whole tree, optimization as well estimation can be carried out by working on a single node at a time, from the root down to the leaves, with a significant reduction in complexity. Indeed the overall algorithm is proved experimentally to be much faster than a comparable algorithm based on a conventional Ising MRF model, especially when the number of bands becomes very large. Thanks to the sequential optimization procedure, this model also addresses the cluster validation problem of unsupervised segmentation, through the use of a stopping condition local to each node. Experiments on a SPOT image of the Lannion Bay, a ground-truth of which is available, prove the superior performance of the algorithm w.r.t. some other MRF based algorithms for supervised segmentation, as well as w.r.t. some variational methods. |
|
6 - Image Decomposition : Application to Textured Images and SAR Images.
J.F. Aujol et G. Aubert et L. Blanc-Féraud et A. Chambolle. Rapport de Recherche 4704, INRIA, France, janvier 2003.
Mots-clés : Variation totale, Espace Variations Bornees, Texture, Classification, Restauration, Radar a Ouverture Synthetique (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 |
= |
{janvier}, |
| 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 |
= |
{Variation totale, Espace Variations Bornees, Texture, Classification, Restauration, Radar a Ouverture Synthetique (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 et G. Aubert et L. Blanc-Féraud. Rapport de Recherche 4640, Inria, France, novembre 2002.
Mots-clés : Texture, Classification, Ondelettes, Equation aux derivees partielles, Courbes de niveaux.
@TECHREPORT{4640,
|
| author |
= |
{Aujol, J.F. and Aubert, G. and Blanc-Féraud, L.}, |
| title |
= |
{Supervised Classification for Textured Images}, |
| year |
= |
{2002}, |
| month |
= |
{novembre}, |
| 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, Ondelettes, Equation aux derivees partielles, Courbes de niveaux} |
| } |
Résumé :
Dans ce rapport, nous présentons un modèle de classification supervisée basé sur une approche variationnelle. Ce modèle s'applique spécifiquement aux images texturées. Nous souhaitons obtenir une partition optimale de l'image constituée de textures séparées par des interfaces régulières. Pour cela, nous représentons les régions définies par les classes ainsi que leurs interfaces par des fonctions d'ensemble de niveaux. Nous définissons une fonctionnelle sur ces ensembles de niveaux dont le minimum est une partition optimale. Cette fonctionnelle comporte en particulier un terme d'attache aux données spécifique aux textures. Nous utilisons une transformée en paquets d'ondelettes pour analyser les textures, ces dernières étant caractérisées par la distribution de leur énergie dans chaque sous-bande de la décompositon. Les équations aux dérivées partielles (EDP) relatives à la minimisation de la fonctionnelle sont couplées et plongées dans un schéma dynamique. En fixant un ensemble de niveaux initial, les différents termes des EDP guident l'évolution des interfaces (ensemble de niveau zéro) vers les frontières de la partion optimale, par le biais de forces externes (régularité de l'interface) et internes (attache aux données et contraintes partition). Nous avons effectué des tests sur des images synthétiques et sur des images réelles. |
Abstract :
In this report, we present a supervised classification model based on a variational approach. This model is specifically devoted to textured images. We want to get an optimal partition of an image which is composed of textures separated by regular interfaces. To reach this goal, we represent the regions defined by the classes as well as their interfaces by level set functions. We define a functional on these level sets whose minimizers define an optimal partition. In particular, this functional owns a data term specific to textures. We use a packet wavelet transform to analyze the textures, these ones being characterized by their energy distribution in each sub-band of the decomposition. The partial differential equations (PDE) related to the minimization of the functional are embeded in a dynamical scheme. Given an initial interface set (zero level set), the different terms of the PDE's govern the motion of interfaces such that, at convergence, we get an optimal partition as defined above. Each interface is guided by external forces (regularity of the interface), and internal ones (data term and partition constraints). We have conducted several experiments on both synthetic and real images. |
|
8 - Gamma-Convergence of Discrete Functionals with non Convex Perturbation for Image Classification.
G. Aubert et L. Blanc-Féraud et R. March. Rapport de Recherche 4560, Inria, France, septembre 2002.
Mots-clés : Gaussiennes generalisees, Classification, Regularisation.
@TECHREPORT{4560,
|
| author |
= |
{Aubert, G. and Blanc-Féraud, L. and March, R.}, |
| title |
= |
{Gamma-Convergence of Discrete Functionals with non Convex Perturbation for Image Classification}, |
| year |
= |
{2002}, |
| month |
= |
{septembre}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4560}, |
| address |
= |
{France}, |
| url |
= |
{https://hal.inria.fr/inria-00072028}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/72028/filename/RR-4560.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/20/28/PS/RR-4560.ps}, |
| keyword |
= |
{Gaussiennes generalisees, Classification, Regularisation} |
| } |
Résumé :
Ce rapport contient la justification mathématique du modèle variationnel proposé en traitement d'image pour la classification supervisée. A partir des travaux effectués en mécanique des fluides pour les transitions de phase, nous avons développé un modèle de classification par minimisation d'une suite de fonctionnelles. Le résultat est une image de classes formée de régions homogènes séparées par des contours réguliers. Ce modèle diffère de ceux utilisés en mécanique des fluides car la perturbation utilisée n'est pas quadratique mais correspond à une fonction de régularisation d'image préservant les contours. La gamma-convergence de cette nouvelle suite de fonctionnelles est prouvée. |
Abstract :
The purpose of this report is to show the theoretical soundness of a variation- al method proposed in image processing for supervised classification. Based on works developed for phase transitions in fluid mechanics, the classification is obtained by minimizing a sequence of functionals. The method provides an image composed of homogeneous regions with regular boundaries, a region being defined as a set of pixels belonging to the same class. In this paper, we show the gamma-convergence of the sequence of functionals which differ from the ones proposed in fluid mechanics in the sense that the perturbation term is not quadratic but has a finite asymptote at infinity, corresponding to an edge preserving regularization term in image processing. |
|
9 - 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. |
|
10 - La poursuite de projection pour la classification d'image hyperspectrale texturée.
G. Rellier et X. Descombes et F. Falzon et J. Zerubia. Rapport de Recherche 4152, Inria, France, mars 2001.
Mots-clés : Classification, Texture, Imagerie hyperspectrale, Champs de Markov.
@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 |
= |
{mars}, |
| 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, Imagerie hyperspectrale, Champs de Markov} |
| } |
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 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. |
|
12 - Image Classification Using a Variational Approach.
C. Samson et L. Blanc-Féraud et G. Aubert et J. Zerubia. Rapport de Recherche 3523, Inria, octobre 1998.
Mots-clés : Classification, Methodes variationnelles.
@TECHREPORT{samsonRR98,
|
| author |
= |
{Samson, C. and Blanc-Féraud, L. and Aubert, G. and Zerubia, J.}, |
| title |
= |
{Image Classification Using a Variational Approach}, |
| year |
= |
{1998}, |
| month |
= |
{octobre}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3523}, |
| url |
= |
{https://hal.inria.fr/inria-00073161}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/73161/filename/RR-3523.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/31/61/PS/RR-3523.ps}, |
| keyword |
= |
{Classification, Methodes variationnelles} |
| } |
Résumé :
Dans ce rapport nous présentons un modèle variationnel destiné à la classification d'images avec processus de régularisation préservant les contours. La notion de classification étant par nature discrète (i.e. attribuer un label à chaque pixel de l'image), il existe de nombreux modèles de classification par approche probabiliste, mais les modèles variationnels abordant ce sujet sont rares. Ces dernières années, l'approche variationnelle a montré sont efficacité dans le cadre de la restauration d'images avec prise en compte des discontinuités. Dans ce travail, nous ajoutons un processus de classification permettant d'obtenir une solution formée de régions homogènes dont les frontières sont régulières (une région étant définie par l'ensemble des pixels appartenant à la même classe). La justification théorique de notre modèle repose sur les travaux effectués dans le cadre des problèmes de transitions de phases en mécanique. L'algorithme que nous proposons est relativement rapide et facile à mettre en oeuvre. Nous comparons les résultats obtenus sur des images synthétiques et satellitaires avec ceux produits par un modèle stochastique avec régularisation de Potts. |
Abstract :
Herein, we present a variational model devoted to image classification coupled with an edge-preserving regularization process. The discrete nature of classification (i.e. to attribute a label to each pixel) has ledto the development of many probabilistic image classification models, but rarely to variational ones. In the last decade, the variational approach has proven its efficiency in the field of edge-preserving restoration. In this paper we add a classification capability which contributes to provide images compound of homogeneous regions with regularized boundaries, a region being defined as a set of pixels belonging to the same class. The soundness of our model is based on the works developed on the phase transitions theory in mechanics. The proposed algorithm is fast, easy to implement, and efficient. We compare our results on both synthetic and satellite images with the ones obtained by a stochastic model using a Potts regularization. |
|
haut de la page
Ces pages sont générées par 
|
Rapport d'activité 2011
bibtex
