Publications de F. Falzon

Résultat de la recherche dans la liste des publications :

• 2 Articles
• 4 Articles de conférence
• 2 Rapports de recherche et Rapports techniques

nouvelle recherche | bibtex

affichage : 10 par page | 20 par page | 50 par page

2 Articles

1 - Texture Feature Analysis Using a Gauss-Markov Model in Hyperspectral Image Classification. G. Rellier et X. Descombes et F. Falzon et J. Zerubia. IEEE Trans. Geoscience and Remote Sensing, 42(7): pages 1543--1551, 2004. @ARTICLE{DES04c, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {Texture Feature Analysis Using a Gauss-Markov Model in Hyperspectral Image Classification}, year = {2004}, journal = {IEEE Trans. Geoscience and Remote Sensing}, volume = {42}, number = {7}, pages = {1543--1551}, pdf = {http://ieeexplore.ieee.org/iel5/36/29162/01315838.pdf?tp=&arnumber=1315838&isnumber=29162}, keyword = {} }

2 - Classification de Textures Hyperspectrales Fondée sur un Modèle Markovien et Une Technique de Poursuite de Projection. G. Rellier et X. Descombes et F. Falzon et J. Zerubia. Traitement du Signal, 20(1): pages 25--42, 2003. @ARTICLE{rellierXDFFJZ, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {Classification de Textures Hyperspectrales Fondée sur un Modèle Markovien et Une Technique de Poursuite de Projection}, year = {2003}, journal = {Traitement du Signal}, volume = {20}, number = {1}, pages = {25--42}, url = {http://documents.irevues.inist.fr/handle/2042/2216}, keyword = {} }

haut de la page

4 Articles de conférence

1 - A Gauss-Markov Model for Hyperspectral Texture Analysis of Urban Areas. G. Rellier et X. Descombes et J. Zerubia et F. Falzon. Dans Proc. International Conference on Pattern Recognition (ICPR), Québec, Canada, août 2002. @INPROCEEDINGS{rellierXDfalzon, author = {Rellier, G. and Descombes, X. and Zerubia, J. and Falzon, F.}, title = {A Gauss-Markov Model for Hyperspectral Texture Analysis of Urban Areas}, year = {2002}, month = {août}, booktitle = {Proc. International Conference on Pattern Recognition (ICPR)}, address = {Québec, Canada}, url = {http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1044850}, keyword = {} }

2 - Un modèle markovien gaussien pour l'analyse de texture hyperspectrale en milieu urbain. G. Rellier et X. Descombes et J. Zerubia et F. Falzon. Dans Proc. GRETSI Symposium on Signal and Image Processing, Toulouse, France, septembre 2001. @INPROCEEDINGS{xd01g, author = {Rellier, G. and Descombes, X. and Zerubia, J. and Falzon, F.}, title = {Un modèle markovien gaussien pour l'analyse de texture hyperspectrale en milieu urbain}, year = {2001}, month = {septembre}, booktitle = {Proc. GRETSI Symposium on Signal and Image Processing}, address = {Toulouse, France}, url = {http://documents.irevues.inist.fr/handle/2042/13293}, keyword = {} }

3 - La poursuite de projection pour la classification d'images hyperspectrales texturées. G. Rellier et X. Descombes et J. Zerubia et F. Falzon. Dans Proc. Journées des jeunes chercheurs en vision par ordinateur, Cahors, France, juin 2001. @INPROCEEDINGS{xd01i, author = {Rellier, G. and Descombes, X. and Zerubia, J. and Falzon, F.}, title = {La poursuite de projection pour la classification d'images hyperspectrales texturées}, year = {2001}, month = {juin}, booktitle = {Proc. Journées des jeunes chercheurs en vision par ordinateur}, address = {Cahors, France}, url = {http://www.irit.fr/ORASIS2001/}, ps = {http://www.irit.fr/ORASIS2001/images/docs/rellier.ps.gz}, keyword = {} }

4 - Segmentation of urban areas in SPOT images using MRF. F. Richard et F. Falzon et J. Zerubia et G. Giraudon. Dans Proc. European Signal Processing Conference (EUSIPCO), Rhodes, septembre 1998. @INPROCEEDINGS{jz98, author = {Richard, F. and Falzon, F. and Zerubia, J. and Giraudon, G.}, title = {Segmentation of urban areas in SPOT images using MRF}, year = {1998}, month = {septembre}, booktitle = {Proc. European Signal Processing Conference (EUSIPCO)}, address = {Rhodes}, pdf = {http://www.eurasip.org/Proceedings/Eusipco/Eusipco1998/sessions/F%20A/FA%20P-7/2493/PAPER106.PDF}, keyword = {} }

haut de la page

2 Rapports de recherche et Rapports techniques

1 - Analyse de Texture Hyperspectrale par Modélisation Markovienne. G. Rellier et X. Descombes et F. Falzon et J. Zerubia. Rapport de Recherche 4479, INRIA, France, juin 2002. Mots-clés : Classification, Champs de Markov, Texture, Imagerie hyperspectrale. @TECHREPORT{4479, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {Analyse de Texture Hyperspectrale par Modélisation Markovienne}, year = {2002}, month = {juin}, institution = {INRIA}, type = {Research Report}, number = {4479}, address = {France}, url = {https://hal.inria.fr/inria-00072109}, pdf = {https://hal.inria.fr/file/index/docid/72109/filename/RR-4479.pdf}, ps = {https://hal.inria.fr/docs/00/07/21/09/PS/RR-4479.ps}, keyword = {Classification, Champs de Markov, Texture, Imagerie hyperspectrale} } Résumé : L'analyse de texture est l'objet de nombreuses recherches dans le domaine de l'imagerie mono et multispectrale. En parallèle, sont apparus ces dernières années de nouveaux instruments spectro-imageurs ayant un grand nombre de canaux (supérieur à 10), fournissant des images appelées hyperspectrales qui sont une représentation du paysage échantillonnée à la fois spatialement et spectralement. Le but de ce travail est de réaliser une analyse de texture qui se déroule conjointement dans ces deux espaces discrets. Pour ce faire, on utilise une modélisation probabiliste vectorielle de la texture via un champ de Markov gaussien. Les paramètres de ce champ permettent la caractérisation de différentes textures présentes dans les images hyperspec- trales. L'application visée dans cette étude étant la classification du tissu urbain, qui est mal caractérisée par la seule radiométrie, on utilise ces paramètres comme de nouvelles bandes afin d'effectuer la classification par le critère du Maximum de Vraisemblance. Les résultats sur des images AVIRIS montrent une nette amélioration de la classification due à l'utilisatio- n de l'information de texture. Abstract : Texture analysis has been widely investigated in monospectral and multispectr- al imagery domain. In the same time, new image sensors with a large number of bands (more than 10) have been designed. They are able to provide images with both fine spectral and spatial sampling, called hyperspectral images. The aim of this work is to perform a joint texture analysis in both discrete spaces. To achieve this goal, we have a probabilistic vectorial texture modeling, with Gauss-Markov Random Field. The MRF parameters allow for the characterisation of different hyperspectral textures. A likely application of this work being the classification of urban areas, which are not well characterized by radiometry alone, we use these parameters as new features is a Maximum Likelihood classification algorithm. The results obtain on AVIRIS hyperspectral images show better classifications when using texture information.

2 - La poursuite de projection pour la classification d'image hyperspectrale texturée. G. Rellier et X. Descombes et F. Falzon et J. Zerubia. Rapport de Recherche 4152, Inria, France, mars 2001. Mots-clés : Classification, Texture, Imagerie hyperspectrale, Champs de Markov. @TECHREPORT{xd01, author = {Rellier, G. and Descombes, X. and Falzon, F. and Zerubia, J.}, title = {La poursuite de projection pour la classification d'image hyperspectrale texturée}, year = {2001}, month = {mars}, institution = {Inria}, type = {Research Report}, number = {4152}, address = {France}, url = {https://hal.inria.fr/inria-00072472}, pdf = {https://hal.inria.fr/file/index/docid/72472/filename/RR-4152.pdf}, ps = {https://hal.inria.fr/docs/00/07/24/72/PS/RR-4152.ps}, keyword = {Classification, Texture, Imagerie hyperspectrale, Champs de Markov} } Résumé : Dans ce travail, nous considérons le problème de la classification supervisée de texture à partir d'images multi-composante de télédetection, dites hyperspectrales. Ces images, le plus souvent acquises par des instruments spectro-imageurs dont le nombre de canaux est en général supérieur à 10, fournissent ainsi une représentation du paysage échantillonnée à la fois spatialement et spectralement. Le but de ce travail est de réaliser une analyse de texture qui se déroule conjointement dans ces deux espaces discrets. On recherche ainsi à enrichir la représentation "habituelle" de texture fondée sur la prise en compte des variations locales de contraste, par l'adjonction d'une connaissance sur ses variations spectrales. L'applicati- on qui est susceptible de bénéficier directement des résultats de cette étude est la classification du tissu urbain. En effet, la réponse spectrale (radiométrique) des zones urbaines est en général ambiguë du fait de la similitude de réponse spectrale de certains matériaux constitutifs du paysage urbain avec certains éléments naturels tels que l'eau, le sol nu, la végétation. La multiplication des bandes spectrales a pour conséquence de rendre plus complexes les mesures et demande également la prise en considération d'un nombre d'échantillons d'apprentissage très important. Quand le nombre de ces échantillons n'est pas suffisant, il faut passer par une étape de réduction de la dimension de l'espace d'observation. Pour prendre en compte le problème de la dimension et celui de l'analyse de texture conjointement dans le domaine spatial et spectral, on se propose ici de faire coopérer un algorithme de poursuite de projection paramétrique, déjà utilisé pour la réduction d'espace dans un cadre non-contextuel, à un modèle de texture par champ markovien, dit modèle markovien gaussien. Abstract : In this work we develop a supervised texture classification algorithm for application to the class of multi-component images called hyperspectral. These images, usually recorded by spectrometers with a number of bands greater than 10, give both a spatially and spectrally sampled representation of a remote scene. The aim of this work is to perform a joint texture analysis in both discrete spaces. The use of spectral variations in this joint texture analysis scheme enables us to improve on the standard representa- tion of textures which only takes into account the local contrast variations. A likely application of this work is urban area classification. Indeed, the spectral response of urban areas is in general ambiguous because some of its constitutive elements have the same reflectance as natural elements such as water, vegetation or bare soil. The greater number of spectral bands makes the measures more complex and so creates the need for a greater number of training samples. When the number of training samples is not sufficient, a necessary step in the analysis is to reduce the dimension of the observation space. To take into account both the problem of dimensional- ity and the jointly spectral and spatial texture analysis, we propose to use in cooperation a projection pursuit algorithm and a Gauss-Markov random field texture model.

haut de la page

affichage : 10 par page | 20 par page | 50 par page

Ces pages sont générées par