Extensions de champs browniens fractionnaires et analyse spectrale morphologique pour la discrimination de datalyseurs
Auteur / Autrice : | Zhangyun Tan |
Direction : | Abdourrahmane Mahamane Atto |
Type : | Projet de thèse |
Discipline(s) : | STIC Traitement de l'Information |
Date : | Inscription en doctorat le 03/09/2013 Soutenance le 19/12/2016 |
Etablissement(s) : | Université Grenoble Alpes (ComUE) |
Ecole(s) doctorale(s) : | École doctorale sciences et ingénierie des systèmes, de l'environnement et des organisations (Chambéry ; 2007-2021) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique, systèmes, traitement de l'information et de la connaissance (Annecy) |
Mots clés
Mots clés libres
Résumé
La thèse propose deux familles de modèles stochastiques pour l’analyse des images à Hautes Résolutions acquises par Microscopie Electronique en Transmission (HRMET). La première famille de modèles est construite à partir d’opérations de convolutions sur des champs Browniens fractionnaires. Cette famille permet de simuler les structures de franges observables dans les images HRMET par synthèse numérique exploitant des générateurs de nombres aléatoires. La seconde famille de modèles stochastiques est construite par convolution d’un modèle autorégressif et d’un modèle Brownien fractionnaire. Dans cette famille de modèles, la contribution du champ Brownien fractionnaire permet de décrire le fond des images HRMET tandis que celle du modèle autorégressif permet de caractériser les structures spatiales locales de leurs franges. Pour cette deuxième catégorie de modélisation stochastique, nous montrons qu’il est possible de discriminer efficacement, différents types de catalyseurs à partir d’une analyse morphologique des densités spectrales associées à leurs modèles respectifs.