Analyse de textures dans l'espace hyperspectral par des méthodes probabilistes

par Guillaume Rellier

Thèse de doctorat en Traitement des images

Sous la direction de Josiane Zerubia.


  • Résumé

    Dans cette thèse, on aborde le problème de l'analyse de texture pour l'étude des zones urbaines. La texture est une notion spatiale désignant ce qui, en dehors de la couleur, caractérise l'homogénéité visuelle d'une zone donnée d'une image. Le but de cette étude est d'établir un modèle conjointement spectral et spatial de texture hyperspectrales, images caractérisées par un grand nombre de canaux. Les textures sont modélisées par un champ de Markov gaussien vectoriel. Ce champ est adapté aux images hyperspectrales par une simplification évitant l'apparition de problèmes d'estimation statistique dans des espaces de grande dimension. On effectue également une réduction de dimension des données par poursuite de projection, qui permet de déterminer un sous-espace de projection dans lequel un indice de projection est optimise. La méthode d'analyse de texture est testée dans le cadre d'une classification supervisée, grâce a 2 algorithmes que l'on applique a des images AVIRIS.

  • Titre traduit

    Texture analysis in the hyperspectral space probabilistic methods


  • Résumé

    In this work, we investigate the problem of texture analysis of urban areas. Texture is a spatial concept that refers to the visual homogeneity characteristics of an image. The aim of this research is to define a joint specctral and spatial texture model for hyperspectral images which have a large number of bands. Textures are modeled by a vectorial Gauss-Markov random field. This field has been adapted to hyperspectral images by a simplification which avoids statistical estimation problems common to high dimensional spaces. We also reduce the dimensionality of the data, using a projection pursuit algorithm, which determines a projection subspace in which a projection index is optimized. This texture analysis method is tested within a supervised classification framework, using two classification algorithms we apply to AVIRIS hyperspectral images.

Autre version

Cette thèse a donné lieu à une publication en 2010 par [CCSD] à Villeurbanne

Analyse de textures dans l'espace hyperspectral par des méthodes probabilistes

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 144 p.
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 137-142. Résumés en français et en anglais

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Côte d’Azur. Service commun de la documentation. Bibliothèque Sciences.
  • Non disponible pour le PEB
  • Cote : 02NICE5771bis
  • Bibliothèque : Université Côte d’Azur. Service commun de la documentation. Bibliothèque Sciences.
  • Disponible pour le PEB
  • Cote : 02NICE5771
  • Bibliothèque : Centre de recherche INRIA Sophia Antipolis - Méditerranée (Sophia ANtipolis). Service IST.
  • Disponible pour le PEB
  • Cote : TU317
  • Bibliothèque : Centre de recherche Inria Paris. IES.
  • Disponible pour le PEB
  • Cote : U2926

Cette version existe également sous forme de microfiche :

  • Bibliothèque : Université de Lille. Service commun de la documentation. Bibliothèque universitaire de Sciences Humaines et Sociales.
  • Non disponible pour le PEB
  • Cote : 2002NICE5771
  • Bibliothèque : Université Paris-Est Créteil Val de Marne. Service commun de la documentation. Section multidisciplinaire.
  • PEB soumis à condition
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.