|
|
Publications about Level sets
Result of the query in the list of publications :
PhD Thesis and Habilitation |
1 - Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles.
C. Samson. PhD Thesis, Universite de Nice Sophia Antipolis, September 2000.
Keywords : Classification, Restoration, Level sets, Active contour.
@PHDTHESIS{cs,
|
| author |
= |
{Samson, C.}, |
| title |
= |
{Contribution à la classification d'images satellitaires par approche variationnelle et équations aux dérivées partielles}, |
| year |
= |
{2000}, |
| month |
= |
{September}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| url |
= |
{http://tel.archives-ouvertes.fr/index.php?action_todo=search&view_this_doc=tel-00319709&version=1&halsid=v3rp25aeit795fqhbg1ct0dbc1}, |
| pdf |
= |
{http://tel.archives-ouvertes.fr/docs/00/31/97/09/PDF/SAMSONthesis.pdf}, |
| keyword |
= |
{Classification, Restoration, Level sets, Active contour} |
| } |
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. |
|
 top of the page
2 Technical and Research Reports |
1 - Supervised Classification for Textured Images.
J.F. Aujol and G. Aubert and L. Blanc-Féraud. Research Report 4640, Inria, France, November 2002.
Keywords : Texture, Classification, Wavelets, Partial differential equation, Level sets.
@TECHREPORT{4640,
|
| author |
= |
{Aujol, J.F. and Aubert, G. and Blanc-Féraud, L.}, |
| title |
= |
{Supervised Classification for Textured Images}, |
| year |
= |
{2002}, |
| month |
= |
{November}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4640}, |
| address |
= |
{France}, |
| url |
= |
{http://www.inria.fr/rrrt/rr-4640.html}, |
| pdf |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-pdf/RR/RR-4640.pdf}, |
| ps |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-ps-gz/RR/RR-4640.ps.gz}, |
| keyword |
= |
{Texture, Classification, Wavelets, Partial differential equation, Level sets} |
| } |
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. |
|
2 - Classification d'Images Multibandes par Modèles Variationnels.
C. Samson and L. Blanc-Féraud and G. Aubert and J. Zerubia. Research Report 4010, Inria, September 2000.
Keywords : Variational methods, Classification, Active contour, Level sets, 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 |
= |
{September}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{4010}, |
| url |
= |
{http://www.inria.fr/rrrt/rr-4010.html}, |
| pdf |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-pdf/RR/RR-4010.pdf}, |
| ps |
= |
{ftp://ftp.inria.fr/INRIA/publication/publi-psgz/RR/RR-4010.ps.gz}, |
| keyword |
= |
{Variational methods, Classification, Active contour, Level sets, 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. |
|
top of the page
These pages were generated by 
|
get the bibtex
