Machine learning spatial appliquée aux images multivariées et multimodales

Spatial machine learning applied to multivariate and multimodal images

• Auteur / Autrice : Gianni Franchi
• Direction : Jesús Angulo López
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance le 21/09/2016
• Etablissement(s) : Paris Sciences et Lettres (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Partenaire(s) de recherche : Laboratoire : Centre de morphologie mathématique (Fontainebleau, Seine et Marne)
• Jury : Président / Présidente : Isabelle Bloch
• Jury : Examinateurs / Examinatrices : Jesús Angulo López, Stéphane Mallat, Maxime Moreaud
• Jury : Rapporteurs / Rapporteuses : Gustau Camps-Valls, Ludovic Macaire

Mots clés

Mots clés contrôlés

Analyse en composantes principales

Morphologie mathématique

Apprentissage automatique

Machines à vecteurs de support

Traitement d'images

Mots clés libres

Traitement de l'image

Machine Learning

Méthodes à noyaux

Morphologie mathématique

Analyse en composantes principales

Support vector machine

Apprentissage profond

Transformée de scattering

Krigeage

Image processing

Machine learning

Kernel methods

Mathematical morphology

Principal component analysis

Support vector machine

Deep learning

Scattering transform

Kriging

Résumé

Cette thèse porte sur la statistique spatiale multivariée et l’apprentissage appliqués aux images hyperspectrales et multimodales. Les thèmes suivants sont abordés :Fusion d'images :Le microscope électronique à balayage (MEB) permet d'acquérir des images à partir d'un échantillon donné en utilisant différentes modalités. Le but de ces études est d'analyser l’intérêt de la fusion de l'information pour améliorer les images acquises par MEB. Nous avons mis en œuvre différentes techniques de fusion de l'information des images, basées en particulier sur la théorie de la régression spatiale. Ces solutions ont été testées sur quelques jeux de données réelles et simulées.Classification spatiale des pixels d’images multivariées :Nous avons proposé une nouvelle approche pour la classification de pixels d’images multi/hyper-spectrales. Le but de cette technique est de représenter et de décrire de façon efficace les caractéristiques spatiales / spectrales de ces images. Ces descripteurs multi-échelle profond visent à représenter le contenu de l'image tout en tenant compte des invariances liées à la texture et à ses transformations géométriques.Réduction spatiale de dimensionnalité :Nous proposons une technique pour extraire l'espace des fonctions en utilisant l'analyse en composante morphologiques. Ainsi, pour ajouter de l'information spatiale et structurelle, nous avons utilisé les opérateurs de morphologie mathématique.

This thesis focuses on multivariate spatial statistics and machine learning applied to hyperspectral and multimodal and images in remote sensing and scanning electron microscopy (SEM). In this thesis the following topics are considered:Fusion of images:SEM allows us to acquire images from a given sample using different modalities. The purpose of these studies is to analyze the interest of fusion of information to improve the multimodal SEM images acquisition. We have modeled and implemented various techniques of image fusion of information, based in particular on spatial regression theory. They have been assessed on various datasets.Spatial classification of multivariate image pixels:We have proposed a novel approach for pixel classification in multi/hyper-spectral images. The aim of this technique is to represent and efficiently describe the spatial/spectral features of multivariate images. These multi-scale deep descriptors aim at representing the content of the image while considering invariances related to the texture and to its geometric transformations.Spatial dimensionality reduction:We have developed a technique to extract a feature space using morphological principal component analysis. Indeed, in order to take into account the spatial and structural information we used mathematical morphology operators