|
|
Olivier Pony
Ancien Stagiaire Master, Centrale Paris, DEA
 Contact :
|
| Dernières publications dans le projet Ariana :
Classification d'image satellitaire superspectrale en zone rurale et périurbaine.
O. Pony et U. Polverini et L. Gautret et J. Zerubia et X. Descombes. Dans Proc. GRETSI Symposium on Signal and Image Processing, Toulouse, France, septembre 2001.
@INPROCEEDINGS{xd01f,
|
| author |
= |
{Pony, O. and Polverini, U. and Gautret, L. and Zerubia, J. and Descombes, X.}, |
| title |
= |
{Classification d'image satellitaire superspectrale en zone rurale et périurbaine}, |
| year |
= |
{2001}, |
| month |
= |
{septembre}, |
| booktitle |
= |
{Proc. GRETSI Symposium on Signal and Image Processing}, |
| address |
= |
{Toulouse, France}, |
| url |
= |
{http://documents.irevues.inist.fr/handle/2042/13236}, |
| keyword |
= |
{} |
| } |
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. |
|
Liste complète des publications dans le projet Ariana
|
|
Nouvelle page de démos
