Loading...
Please wait, while we are loading the content...
Similar Documents
Un modèle bayésien pour le démélange, la segmentation et la classification robuste d'images hyperspectrales
| Content Provider | Semantic Scholar |
|---|---|
| Author | Lagrange, Adrien Fauvel, Mathieu May, Stéphane Dobigeon, Nicolas |
| Copyright Year | 2017 |
| Abstract | La classification supervisee et le demelange spectral sont deux techniques permettant d’extraire de l’information d’images hyperspectrales. Cependant, malgre la complementarite de ces techniques, il est rare de trouver des travaux les exploitant conjointement. Nous proposons donc un nouveau modele bayesien hierarchique pour mener de facon conjointes ces deux types d’analyse, de sorte a ce que chacune soit facilitee par l’autre. Pour cela, un modele de melange lineaire de spectres purs est utilise pour decrire le melange spectral puis l’image est segmentee en plusieurs groupes caracterises par des pixels dont les abondances sont statistiquement proches. Une loi a priori est definie sur ces etiquettes de groupe sous la forme d’un champ aleatoire de Markov. Ce champ inclut classiquement un potentiel de Potts-Markov promouvant la coherence spatiale de ces etiquettes. Il est complete par un potentiel local de site induit par la classification. Cette classification exploite la presence de donnees deja labellisees par l’utilisateur. Les estimateurs bayesiens des parametres du modele (abondances, etiquettes de groupes, etiquettes de classes) sont approches a l’aide d’un algorithme de Monte Carlo par chaine de Markov. L’interet du modele est illustre a l’aide d’experiences menees sur des donnees synthetiques et reelles. |
| File Format | PDF HTM / HTML |
| Alternate Webpage(s) | http://oatao.univ-toulouse.fr/19124/1/lagrange_19124.pdf |
| Alternate Webpage(s) | http://dobigeon.perso.enseeiht.fr/papers/Lagrange_GRETSI_2017.pdf |
| Alternate Webpage(s) | https://prodinra.inra.fr/ft?id=%7B8F73CB2F-ACC5-4F50-B02C-D27C49E3D872%7D |
| Language | English |
| Access Restriction | Open |
| Content Type | Text |
| Resource Type | Article |
