|
|
Publications of Anne Lorette
Result of the query in the list of publications :
Article |
1 - Texture analysis through a Markovian modelling and fuzzy classification: Application to urban area Extraction from Satellite Images.
A. Lorette and X. Descombes and J. Zerubia. International Journal of Computer Vision, 36(3): pages 221-236, 2000.
@ARTICLE{xd00a,
|
| author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Texture analysis through a Markovian modelling and fuzzy classification: Application to urban area Extraction from Satellite Images}, |
| year |
= |
{2000}, |
| journal |
= |
{International Journal of Computer Vision}, |
| volume |
= |
{36}, |
| number |
= |
{3}, |
| pages |
= |
{221-236}, |
| url |
= |
{http://dx.doi.org/10.1023/A:1008129103384}, |
| pdf |
= |
{http://dx.doi.org/10.1023/A:1008129103384}, |
| keyword |
= |
{} |
| } |
|
 top of the page
PhD Thesis and Habilitation |
1 - Analyse de Texture par Méthodes Markoviennes et par Morphologie Mathématique : Application à l'Analyse des Zones Urbaines sur des Images Satellitales.
A. Lorette. PhD Thesis, Universite de Nice Sophia Antipolis, September 1999.
Keywords : Texture, Segmentation, Markov Fields, Mathematical morphology, Urban areas.
@PHDTHESIS{lorette99,
|
| author |
= |
{Lorette, A.}, |
| title |
= |
{Analyse de Texture par Méthodes Markoviennes et par Morphologie Mathématique : Application à l'Analyse des Zones Urbaines sur des Images Satellitales}, |
| year |
= |
{1999}, |
| month |
= |
{September}, |
| school |
= |
{Universite de Nice Sophia Antipolis}, |
| pdf |
= |
{Theses/these-lorette.pdf}, |
| keyword |
= |
{Texture, Segmentation, Markov Fields, Mathematical morphology, Urban areas} |
| } |
Résumé :
Dans cette thèse, nous nous intéressons au problème de l'analyse urbaine à partir d'images satellitales par des méthodes automatiques ou semi-automatiques issues du traitement d'image. Dans le premier chapitre, nous présentons le contexte dans lequel le travail a été effectué. Nous exposons les types de données utilisées, les approches statistiques considérées. Nous donnons également quelques exemples d'applications qui justifient une telle étude. Enfin, un état de l'art des diverses méthodes d'analyse des textures est présenté. Dans les deux chapitres suivants, nous développons une méthode automatique d'extraction d'un masque urbain à partir d'une analyse de la texture de l'image. Des méthodes d'extraction d'un masque urbain sont décrites. Ensuite, nous définissons plus précisemment les huit modèles markoviens gaussiens fondés sur des chaines. Ces modèles sont renormalisés par une méthode de renormalisation de groupe issue de la physique statistique afin de corriger le biais introduit par l'anisotropie du réseau de pixels. L'analyse de texture proposée est comparée avec deux méthodes classiques: les matrices de cooccurrence et les filtres de Gabor. L'image du paramètre de texture est ensuite classifiée avec un algorithme non supervisé de classification floue fondée sur la définition d'un critère entropique. Les paramètres estimés avec cet algorithme sont intégrés dans un modèle markovien de segmentation. Des résultats d'extraction de masques urbains sont finalement présentés sur des images satellitales optiques SPOT3, des simulations SPOT5, et des images radar ERS1. Dans le quatrième chapitre, nous présentons l'analyse granulométrique utilisée pour analyser le paysage urbain. Les outils et définitions de base de la morphologie mathématique sont exposés. Nous nous intéressons plus particulièrement à l'ouverture par reconstruction qui est utilisée comme transformation de base de la granulométrie. L'étape de quantification qui suit tout étape de transformation nous permet d'estimer en chaque pixel une distribution locale de taille qui est intégrée dans le terme d'attache aux données d'un modèle markovien de segmentation. Des tests sont effectués sur des simulations SPOT5. |
Abstract :
In this thesis, we investigate the problem of urban areas analysis from satellite images by automatic or semi-automatic methods coming from image processing. In the first chapter, we describe the context of this work, i.e. the type of used data, the statistical applied methods. We also give some examples of the applications which require such an analysis. Finally, a study of the existing methods of texture analysis is presented. In the second and third chapter, we develop a non supervised method based on texture analysis in order to extract an urban mask. First a study of the existing methods of urban mask extraction is presented. Second we precisely describe the eight chain-based Gaussian Markovian models used to characterize urban texture. These models are normalized through a renormalization group technique derived from statistical physics in order to correct the bias introduced by the anisotropy of the lattice.The above mentionned method of texture analysis is then compared with two classical ones: coocurrences matrix and Gabor filters. The image is then partitionned by an unsupervised fuzzy Cmeans algorithm based on an entropic criterion. The final segmentation is performed by the minimization of an energy derived from a Markovian model. Some results are presented that are obtained from SPOT3 images, SPOT5 simulations and radar ERS1 images. In the fourth chapter, we present the granulometric approach used to segment within the urban area itself. The basic operations and definitions of mathematical morphology are settled. We are particularly interested in opening by reconstruction operation based on geodesic dilatations. In fact this operation is used to define a granulometry. The quantification step that follows the transformation step consists in estimating a local size distribution function for each pixel. These parameters are then integrated in the data term of a Markovian model. Some results on SPOT5 simulations are presented. |
|
top of the page
3 Conference articles |
1 - Fully unsupervised fuzzy clustering with entropy criterion.
A. Lorette and X. Descombes and J. Zerubia. In Proc. International Conference on Pattern Recognition (ICPR), Barcelone, Espagne, September 2000.
@INPROCEEDINGS{xd00c,
|
| author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Fully unsupervised fuzzy clustering with entropy criterion}, |
| year |
= |
{2000}, |
| month |
= |
{September}, |
| booktitle |
= |
{Proc. International Conference on Pattern Recognition (ICPR)}, |
| address |
= |
{Barcelone, Espagne}, |
| url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=903710}, |
| keyword |
= |
{} |
| } |
|
2 - Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines.
A. Lorette and X. Descombes and J. Zerubia. In Proc. Reconnaissance des formes et Intelligence Artificielle, Paris, France, February 2000.
Note : papier
@INPROCEEDINGS{xd00d,
|
| author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Modélisation markovienne multi-directionnelle: Application à l'extraction des zones urbaines}, |
| year |
= |
{2000}, |
| month |
= |
{February}, |
| booktitle |
= |
{Proc. Reconnaissance des formes et Intelligence Artificielle}, |
| address |
= |
{Paris, France}, |
| note |
= |
{papier}, |
| url |
= |
{http://opac.inria.fr/record=b1114970*frf}, |
| keyword |
= |
{} |
| } |
|
3 - Texture Analysis through Markov Random Fields: Urban Areas Extractions.
A. Lorette and X. Descombes and J. Zerubia. In Proc. IEEE International Conference on Image Processing (ICIP), Kobe, Japon, October 1999.
@INPROCEEDINGS{xd99j,
|
| author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Texture Analysis through Markov Random Fields: Urban Areas Extractions}, |
| year |
= |
{1999}, |
| month |
= |
{October}, |
| booktitle |
= |
{Proc. IEEE International Conference on Image Processing (ICIP)}, |
| address |
= |
{Kobe, Japon}, |
| url |
= |
{http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=819629}, |
| keyword |
= |
{} |
| } |
|
top of the page
Technical and Research Report |
1 - Extraction des zones urbaines fondée sur une analyse de la texture par modélisation markovienne.
A. Lorette and X. Descombes and J. Zerubia. Research Report 3423, Inria, May 1998.
Keywords : Texture, Markov Fields, Urban areas, Entropy.
@TECHREPORT{loretteRR98,
|
| author |
= |
{Lorette, A. and Descombes, X. and Zerubia, J.}, |
| title |
= |
{Extraction des zones urbaines fondée sur une analyse de la texture par modélisation markovienne}, |
| year |
= |
{1998}, |
| month |
= |
{May}, |
| institution |
= |
{Inria}, |
| type |
= |
{Research Report}, |
| number |
= |
{3423}, |
| url |
= |
{http://hal.inria.fr/inria-00073267}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/07/32/67/PDF/RR-3423.pdf}, |
| ps |
= |
{http://hal.inria.fr/docs/00/07/32/67/PS/RR-3423.ps}, |
| keyword |
= |
{Texture, Markov Fields, Urban areas, Entropy} |
| } |
Résumé :
Pour délimiter un masque urbain précis à partir d'une image satellitaire la seule information du niveau de gris est insuffisante. Laplupart des méthodes font donc appel à une analyse de la texture de l'image. Nous nous sommes placés dans ce cadre. Dans une première étape, nous avons défini un nouveau paramètre de texture à partir d'un modèle markovien gaussien. Nous obtenons ce nouveau paramètre en calculant la variance conditionnelle de l'image dans huit directions. Ainsi, nous éliminons la mauvaise classification d'objets ayant une orientation privilégiée tels que les vignes et les serres par exemple. Dans une seconde étape, nous proposons un algorithme de emphfuzzy Cmeans modifié incluant un terme d'entropie et pour lequel le nombre de classes n'est pas fixé a priori. Cet algorithme nous permet d'obtenir une première classification de l'image. Enfin, nous régularisons l'image ainsi obtenue grâce à une modélisation par champs de Markov. Des résultats obtenus sur des simulations d'images SPOT5 fournies par le CNES sont présentés. |
Abstract :
Urban areas cannot be extracted from satellite images through only grey level information. Hence most methods analyze the texture of the image to discriminate between urban areas and non urban areas. We define a new texture parameter derived from a Markovian Gaussian model. This new parameter takes into account the variance of the image in eight directions- . Consequently it copes with the misclassification of objects with a privileged orientation like vineyards or greenhouses for instance. Afterwards we develop a modified fuzzy Cmeans algorithm including an entropy term. The advantage of such an algorithm is that the number of classes does not need to be known a priori. By applying this modified fuzzy Cmeans algorithm on the parameter image we obtain a first classification. Finally we regularize the segmented image by using a Markov random field modelling. Some results on SPOT5 simulated images are presented. These images are provided by the CNES (French Space Agency). |
|
top of the page
These pages were generated by 
|
New demo webpage
get the bibtex
