Caroline Lacoste
 

 Pour me joindre

INRIA - UR Sophia Antipolis
  • Téléphone : + 33 (0) 4 92 38 75 67
    		•
    2004, route des Lucioles, BP 93
  • Fax :+ 33 (0) 4 92 38 76 43
    		•
    06902  Sophia Antipolis - FRANCE 
  • E-mail : Caroline.Lacoste@sophia.inria.fr
    		•

    Recherche

    C.V.
     

    english version   English version
     

    Sujet de thèse :

                    Extraction des Réseaux Linéiques en Télédétection par Processus Markov Objet.

                Le but de ce travail est l'utilisation de données satellitaires et aériennes pour la détection d'objets linéiques dans une perspective de mise à jour cartographique. L'item cartographique recherché est constitué des différents réseaux linéiques tels que le réseau hydrographique, le réseau routier ou encore le réseau subsurfacique. Ces travaux sont réalisés  avec la  collaboration du BRGM (Nicolas Baghdadi, Chritine King). Ainsi, plusieurs sites tests pourrontêtre choisis en lien avec les grands projets  du BRGM ( SIG AFrique : sites en Afrique équatoriale comme la Guinée ou la Côte d'Ivoire, sur lesquelles l'imagerie optique ne peut seule répondre aux préoccupations cartographiques, ou le Moyen Orient où les données radar de grande longueur d'onde peuvent apporter des informations de subsurface comme en Egypte par exemple). Le BRGM détient sur ces sites de grandes bases de données images déjà constituées et des données de validation.

                Du point de vue méthodologique, nous nous plaçons dans un cadre stochastique et utilisons des processus Markov objet comme modèles a priori. Ces modèles, d'une utilisation récente en analyse d'image, permettent de bénéficier des propriétés des approches stochastiques, du type champs de Markov, tout en manipulant des contraintes géométriques fortes. Ce type de processus permet de manipuler des objets géométriques simples mais génériques car dépendant d'un certain nombre de paramètres variables. Ces modèles prennent en compte des interactions entre objets distincts, ce qui nous permet d'injecter par exemple des contraintes sur la topologie du réseau (courbure moyenne, densité des embranchements,...).   Outre les propriétés géométriques du réseau, prises en compte dans un modèle a priori, les propriétés radiométriques et de texture des données seront prise en compte dans un terme de vraisemblance. L'optimisation du modèle se fait par un algorithme de type Markov Chain Monte Carlo à sauts réversibles (RJMCMC).
     

    Publications :

    Communications:


    Démos :