|
|
Publications sur generalized gamma distribution
Résultat de la recherche dans la liste des publications :
Article 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. |
|
 haut de la page
Rapport de recherche et Rapport technique |
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. |
|
haut de la page
Ces pages sont générées par 
|
Rapport d'activité 2011
bibtex
