Extensions de champs browniens fractionnaires et analyse spectrale morphologique pour la discrimination de datalyseurs

Extensions of Fractional Brownian Fields and Morphological Spectral Analysis for Discrimination of Catalysts

• 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

Statistiques

Information

Traitements d'images

Texture

Statistics

Information

Texture

Image processing

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.

The thesis proposes two families of stochastic models for analyzing High Resolution Transmission Electron Microscopy (HRTEM) images. The first family of models is constructed from convolution operations on fractional Brownian fields. This family allows to simulate the fringe structures observable in HRTEM imagery by using numerical random number generators. The second family of stochastic models is built by means of convolution operation between an autoregressive model and a fractional Brownian field. In this model, the contribution of fractional Brownian field aims at describing HRTEM image background whereas that of the autoregressive model aims at characterizing local spatial structures of HRTEM fringes. For this second class of stochastic models, we show that it is possible to discriminate with high performance, different types of catalysts from a morphological analysis of spectral densities associated with their respective models.