|
|
Publications sur Imagerie hyperspectrale
Résultat de la recherche dans la liste des publications :
Thèse de Doctorat et Habilitation |
1 - 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. |
|
 haut de la page
3 Rapports de recherche et Rapports techniques |
1 - 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. |
|
2 - 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. |
|
3 - Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine.
O. Pony et X. Descombes et J. Zerubia. Rapport de Recherche 4008, Inria, septembre 2000.
Mots-clés : Imagerie hyperspectrale, Champs de Markov, Recuit Simule, Champs de Gibbs, Modele de Potts, Texture.
@TECHREPORT{pony00,
|
| author |
= |
{Pony, O. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Classification d'images satellitaires hyperspectrales en zone rurale et périurbaine}, |
| year |
= |
{2000}, |
| month |
= |
{septembre}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4008}, |
| url |
= |
{https://hal.inria.fr/inria-00072636}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/72636/filename/RR-4008.pdf}, |
| ps |
= |
{https://hal.inria.fr/docs/00/07/26/36/PS/RR-4008.ps}, |
| keyword |
= |
{Imagerie hyperspectrale, Champs de Markov, Recuit Simule, Champs de Gibbs, Modele de Potts, Texture} |
| } |
Résumé :
L'observation satellitaire en zone rurale et périurbaine fournit des images hyperspectrales exploitables en vue de réaliser une cartographie ou une analyse du paysage. Nous avons appliqué une classification par maximum de vraisemblance sur des images de zone agricole. Afin de régulariser la classification, nous considérons la modélisation d'image par champs de Markov, dont l'équivalence avec les champs de Gibbs nous permet d'utiliser plusieurs algorithmes itératifs d'optimisation : l'ICM et le recuit simulé, qui convergent respectivement vers une classification sous-optimale ou optimale pour une certaine énergie. Un modèle d'énergie est proposé : le modèle de Potts, que nous améliorons pour le rendre adaptatif aux classes présentes dans l'image. L'étude de la texture dans l'image initiale permet d'introduire des critères artificiels qui s'ajoutent à la radiométrie de l'image en vue d'améliorer la classification. Ceci permet de bien segmenter les zones périurbaines, la forêt, la campagne, dans le cadre d'un plan d'occupation des sols. Trois images hyperspectrales et une vérité terrain ont été utilisées pour réaliser des tests, afin de mettre en évidence les méthodes et le paramétrage adéquats pour obtenir les résultats les plus satisfaisants. |
Abstract :
Satellite observation in rural and semiurban areas provides hyperspectral images which enable us to make a map or an analysis of the landscape. Herein, we applied a maximum likelihood classification on agricultural images. In order to improve this procedure, it is possible in each pixel to use contextual information. Thus, we consider Markov random fields image modeling. The equivalence between Markov and Gibbs fields allows us to use some iterative algorithms of optimisation : ICM and simulated annealing, which converge respectively towards a suboptimal or an optimal classification for a given energy. An energy model is proposed : the Potts model, which can be improved to be adaptive to the classes defined in the image. Texture analysis on the initial image is used to introduce artificial criteria, added to the original image, in order to improve classification. This proves to be useful for segmenting semiurban regions, forests, and the countryside, within the framework of a land-use plan. We use three hyperspectral images and a ground truth to carry out tests, in order to highlight the best methods and parameter setting to obtain the most satisfactory results. |
|
haut de la page
Ces pages sont générées par 
|
Rapport d'activité 2011
bibtex
