|
|
Publications of Laure Blanc-Féraud
Result of the query in the list of publications :
25 Technical and Research Reports |
22 - Image Classification Using a Variational Approach.
C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. Research Report 3523, Inria, October 1998.
Keywords : Classification, Variational methods.
@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 |
= |
{October}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3523}, |
| url |
= |
{http://www.inria.fr/rrrt/rr-3523.html}, |
| pdf |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-pdf/RR/RR-3523.pdf}, |
| ps |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-psgz/RR/RR-3523.ps.gz}, |
| keyword |
= |
{Classification, Variational methods} |
| } |
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. |
|
23 - Estimation d'hyperparamètres pour la restauration d'images satellitaires par une méthode MCMCML.
A. Jalobeanu and L. Blanc-Féraud and J. Zerubia. Research Report 3469, Inria, August 1998.
Keywords : Markov Fields, Regularization, Variational methods, Likelihood maximum.
@TECHREPORT{jaloRR98,
|
| author |
= |
{Jalobeanu, A. and Blanc-Féraud, L. and Zerubia, J.}, |
| title |
= |
{Estimation d'hyperparamètres pour la restauration d'images satellitaires par une méthode MCMCML}, |
| year |
= |
{1998}, |
| month |
= |
{August}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3469}, |
| url |
= |
{http://www.inria.fr/rrrt/rr-3469.html}, |
| pdf |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-pdf/RR/RR-3469.pdf}, |
| ps |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-psgz/RR/RR-3469.ps.gz}, |
| keyword |
= |
{Markov Fields, Regularization, Variational methods, Likelihood maximum} |
| } |
Résumé :
Le problème que nous abordons ici est la déconvolution d'images satellitaires, qui sont dégradées par l'optique et l'électronique utilisées pour leur acquisition. Les dégradations sont connues : les images sont convoluées par un opérateur H, et la variance du bruit N additif, blanc et gaussien, est connue. Nous utilisons un modèle de régularisation introduisant une fonction de potentiel phi, qui interdit l'amplification du bruit lors de la restauration tout en préservant les discontinuités. Ce modèle admet deux hyperparamètres lambda et delta. Nous nous intéressons ici à l'estimation des hyperparamètres optimaux afin d'effectuer la déconvolution de manière automatique. Nous proposons pour cela d'utiliser l'estimateur du maximum de vraisemblance appliqué à l'image observée. Cet estimateur constitue le critère que nous allons optimiser. Pour évaluer ses dérivées, nous devons estimer des espérances calculées sur des échantillon- s, tenant compte des données observées et de l'a priori imposé. Cette probabilité faisant intervenir l'opérateur de convolution, il est très difficile d'utiliser un échantillonneur classique. Nous avons développé un algorithme de type Geman-Yang modifié, utilisant une variable auxiliaire, ainsi qu'une transformée en cosinus. Nous présentons à cette occasion un nouvel algorithme de déconvolution, rapide, qui est dérivé de cette méthode d'échantillonnage. Nous proposons un algorithme "MCMCML" permettant d'effectuer simultanément l'estimation des hyperparamètres lambda et delta et la restauration de l'image dégradée. Une étude des échantillonneurs (y compris ceux de Gibbs et Metropolis), portant sur la vitesse de convergence et les difficultés de calcul liées à l'attache aux données, a également été réalisée. |
Abstract :
This report deals with satellite image restoration. These images are corrupted by an optical blur and electronic noise, due to the physics of the sensors. The degradation model is known : blurring is modeled by convolution, with a linear operator H, and the noise is supposed to be additive, white and Gaussian, with a known variance. The recovery problem is ill-posed and therefore must be regularized. We use a regularization model which introduces a phi function, which avoids noise amplification while preserving image discontinuities (ie. edges) of the restored image. This model exhibits two hyperparameters (lambda and delta). Our goal is to estimate the optimal parameters in order to reconstruct images automatically. Herein, we propose to use the Maximum Likelihood estimator, applied to the observed image. To optimize this criterion, we must estimate expectations by sampling (samples are extracted from a Markov chain) to evaluate its derivatives. These samples are images whose probability takes into account the convolution operator. Thus, it is very difficult to obtain them directly by using a standard sampler. We have developped a modified Geman-Yang algorithm, using an auxiliary variable and a cosine transform. We also present a new reconstruc- tion method based on this sampling algorithm. We detail the MCMCML algorithm which ables to simultaneously estimate lambda and delta parameters, and to reconstruct the corrupted image. An experimental study of samplers (including Gibbs and Metropolis algorithms), with respect to the rate of convergence and the difficulties of dependent data sampling, is also presented in this report. |
|
24 - An elementary proof of the equivalence between 2D and 3D classical snakes and geodesic active contours.
G. Aubert and L. Blanc-Féraud. Research Report 3340, Inria, January 1998.
Keywords : Geodesic active contours, Partial differential equation.
@TECHREPORT{lbf98i,
|
| author |
= |
{Aubert, G. and Blanc-Féraud, L.}, |
| title |
= |
{An elementary proof of the equivalence between 2D and 3D classical snakes and geodesic active contours}, |
| year |
= |
{1998}, |
| month |
= |
{January}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3340}, |
| url |
= |
{http://www.inria.fr/rrrt/rr-3340.html}, |
| pdf |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-pdf/RR/RR-3340.pdf}, |
| ps |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-psgz/RR/RR-3340.ps.gz}, |
| keyword |
= |
{Geodesic active contours, Partial differential equation} |
| } |
Résumé :
Les équations aux dérivées partielles (EDP) définissant l'évolution de courbe plane permettent, avec une implantation par ligne de niveau, un changement de topologie par rapport à la courbe initiale et sont de ce fait un outil puissant pour la segmentation d'objet dans une image. Récemment, Caselles et al. ont montrés l'équivalence entre les modèles de contours actifs classiques de Kass et al. et de contours actifs géodésiques qui définissent une EDP particulière d'évolution de courbe. Cependant la preuve proposée par Caselles n'est valable que pour la segmentation d'objet d'une image 2D avec des courbes 1D et fait appel à des concepts de la théorie hamiltonienne, sans aucun sens physique pour les contours actifs. Ce papier propose une preuve utilisant uniquement des calculs élémentaires d'analyse mathématique, valables aussi pour la segmentation d'image 3D à l'aide de surface. |
Abstract :
Recently, Caselles et al. have shown in the equivalence between a classical snake problem of Kass et al. and a geodesic active contour model. The PDE derived from the geodesic problem gives an evolution equation for active contours which is very powerfull for image segmentation since changes of topology are allowed using the level set implementation. However in Caselles' paper the equivalence with classical snake is only shown for 2D images with 1D curves, by using concepts of Hamiltonian theory which have no meanings for active contours. This paper propose a proof using only elementary calculus of mathematical analysis. This proof is also valid in the 3D case for active surfaces. |
|
25 - Estimation-segmentation du flot optique et contours actifs.
R. Ciampini and L. Blanc-Féraud and M. Barlaud and E. Salerno. Research Report 98-11, Laboratoire I3S, 1998.
@TECHREPORT{lbf98j,
|
| author |
= |
{Ciampini, R. and Blanc-Féraud, L. and Barlaud, M. and Salerno, E.}, |
| title |
= |
{Estimation-segmentation du flot optique et contours actifs}, |
| year |
= |
{1998}, |
| institution |
= |
{Laboratoire I3S}, |
| type |
= |
{Research Report}, |
| number |
= |
{98-11}, |
| keyword |
= |
{} |
| } |
|
 top of the page
5 Collection articles or Books chapters |
1 - Blind Image Deconvolution.
L. Blanc-Féraud and Mugnier L. and A. Jalobeanu. In Inverse Problems in Vision and 3D Tomography, pages 97-121, Ed. series DSIP, Ed. ISTE, London ; John Wiley and Sons, New York, 2010.
@INCOLLECTION{BlindIP2010,
|
| author |
= |
{Blanc-Féraud, L. and L., Mugnier and Jalobeanu, A.}, |
| title |
= |
{Blind Image Deconvolution}, |
| year |
= |
{2010}, |
| booktitle |
= |
{Inverse Problems in Vision and 3D Tomography}, |
| pages |
= |
{97-121}, |
| editor |
= |
{series DSIP, Ed. ISTE, London ; John Wiley and Sons, New York}, |
| keyword |
= |
{} |
| } |
|
2 - Deconvolution aveugle d'une image.
L. Blanc-Féraud and Mugnier L. and A. Jalobeanu. In Problemes inverses en imagerie et en vision, pages 107-132, series Tr. IC2, Ed. Ali Mohammad-Djafari, Publ. Ed. Hermes, 2009.
Copyright : Ed. Hermes
@INCOLLECTION{BLANC_FERAUD_DECAVEUGLE,
|
| author |
= |
{Blanc-Féraud, L. and L., Mugnier and Jalobeanu, A.}, |
| title |
= |
{Deconvolution aveugle d'une image}, |
| year |
= |
{2009}, |
| booktitle |
= |
{Problemes inverses en imagerie et en vision}, |
| pages |
= |
{107-132}, |
| series |
= |
{Tr. IC2}, |
| editor |
= |
{Ali Mohammad-Djafari}, |
| publisher |
= |
{Ed. Hermes}, |
| keyword |
= |
{} |
| } |
|
3 - Deconvolution of images.
J. Idier and L. Blanc-Féraud. In Bayesian approach to inverse problems, Ed. J. Idier, Publ. ISTE and John Wiley & Sons, 2008.
Keywords : Inverse Problems, Bayesian approach, Image procressing.
Copyright : ISTE Ltd
@INCOLLECTION{blancferaud08,
|
| author |
= |
{Idier, J. and Blanc-Féraud, L.}, |
| title |
= |
{Deconvolution of images}, |
| year |
= |
{2008}, |
| booktitle |
= |
{Bayesian approach to inverse problems}, |
| editor |
= |
{J. Idier}, |
| publisher |
= |
{ISTE and John Wiley & Sons}, |
| keyword |
= |
{Inverse Problems, Bayesian approach, Image procressing} |
| } |
|
4 - Bayesian estimation of blur and noise in remote sensing imaging.
A. Jalobeanu and J. Zerubia and L. Blanc-Féraud. In Blind image deconvolution: theory and applications, Ed. P. Campisi and K. Egiazarian, Publ. CRC Press, 2007.
@INCOLLECTION{jalo2006,
|
| author |
= |
{Jalobeanu, A. and Zerubia, J. and Blanc-Féraud, L.}, |
| title |
= |
{Bayesian estimation of blur and noise in remote sensing imaging}, |
| year |
= |
{2007}, |
| booktitle |
= |
{Blind image deconvolution: theory and applications}, |
| editor |
= |
{P. Campisi and K. Egiazarian}, |
| publisher |
= |
{CRC Press}, |
| url |
= |
{http://www.crcpress.com/shopping_cart/products/product_detail.asp?id=&parent_id=&sku=7367&pc=}, |
| pdf |
= |
{ftp://ftp-sop.inria.fr/ariana/Articles/2007_jalo2006.pdf}, |
| keyword |
= |
{} |
| } |
|
5 - Déconvolution en imagerie.
J. Idier and L. Blanc-Féraud. In Approche bayésienne pour les problèmes inverses, Ed. J. Idier, Publ. Hermes, 2001.
@INCOLLECTION{lbflivre,
|
| author |
= |
{Idier, J. and Blanc-Féraud, L.}, |
| title |
= |
{Déconvolution en imagerie}, |
| year |
= |
{2001}, |
| booktitle |
= |
{Approche bayésienne pour les problèmes inverses}, |
| editor |
= |
{J. Idier}, |
| publisher |
= |
{Hermes}, |
| keyword |
= |
{} |
| } |
|
top of the page
These pages were generated by 
|
get the bibtex
