Descripteur
Termes IGN > imagerie > image numérique > image optique > image multibande
image multibandeSynonyme(s)Image xs ;Image multispectrale donnees multispectralesVoir aussi |
Documents disponibles dans cette catégorie (848)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Hyperspectral image classification with canonical correlation forests / Junshi Xia in IEEE Transactions on geoscience and remote sensing, vol 55 n° 1 (January 2017)
[article]
Titre : Hyperspectral image classification with canonical correlation forests Type de document : Article/Communication Auteurs : Junshi Xia, Auteur ; Naoto Yokoya, Auteur ; Akira Iwasaki, Auteur Année de publication : 2017 Article en page(s) : pp 421 - 431 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse canonique
[Termes IGN] analyse en composantes indépendantes
[Termes IGN] champ aléatoire de Markov
[Termes IGN] classificateur
[Termes IGN] classification
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image hyperspectrale
[Termes IGN] Rotation Forest classificationRésumé : (Auteur) Multiple classifier systems or ensemble learning is an effective tool for providing accurate classification results of hyperspectral remote sensing images. Two well-known ensemble learning classifiers for hyperspectral data are random forest (RF) and rotation forest (RoF). In this paper, we proposed to use a novel decision tree (DT) ensemble method, namely, canonical correlation forest (CCF). More specifically, several individual canonical correlation trees (CCTs) that are binary DTs, which use canonical correlation components for the hyperplane splitting, are used to construct the CCF. Additionally, we adopt the projection bootstrap technique in CCF, in which the full spectral bands are retained for split selection in the projected space. The techniques aforementioned allow the CCF to improve the accuracy of member classifiers and diversity within the ensemble. Furthermore, the CCF is extended to the spectral-spatial frameworks that incorporate Markov random fields, extended multiattribute profiles (EMAPs), and the ensemble of independent component analysis and rolling guidance filter (E-ICA-RGF). Experimental results on six hyperspectral data sets are used to indicate the comparative effectiveness of the proposed method, in terms of accuracy and computational complexity, compared with RF and RoF, and it turns out that CCF is a promising approach for hyperspectral image classification not only with spectral information but also in the spectral-spatial frameworks. Numéro de notice : A2017-021 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2607755 En ligne : https://doi.org/10.1109/TGRS.2016.2607755 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83953
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 1 (January 2017) . - pp 421 - 431[article]Modeling spatial and temporal variabilities in hyperspectral image unmixing / Pierre-Antoine Thouvenin (2017)
Titre : Modeling spatial and temporal variabilities in hyperspectral image unmixing Type de document : Thèse/HDR Auteurs : Pierre-Antoine Thouvenin, Auteur ; Nicolas Dobigeon, Directeur de thèse ; Jean-Yves Tourneret, Directeur de thèse Editeur : Toulouse : Université de Toulouse Année de publication : 2017 Importance : 191 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, Spécialité Signal, Image, Acoustique et OptimisationLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] amplitude
[Termes IGN] analyse des mélanges spectraux
[Termes IGN] données multitemporelles
[Termes IGN] image hyperspectrale
[Termes IGN] méthode de Monte-Carlo par chaînes de Markov
[Termes IGN] optimisation (mathématiques)
[Termes IGN] processus stochastique
[Termes IGN] séparation aveugle de source
[Termes IGN] signature spectrale
[Termes IGN] variabilitéIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Acquired in hundreds of contiguous spectral bands, hyperspectral (HS) images have received an increasing interest due to the significant spectral information they convey about the materials present in a given scene. However, the limited spatial resolution of hyperspectral sensors implies that the observations are mixtures of multiple signatures corresponding to distinct materials. Hyperspectral unmixing is aimed at identifying the reference spectral signatures composing the data – referred to as endmembers – and their relative proportion in each pixel according to a predefined mixture model. In this context, a given material is commonly assumed to be represented by a single spectral signature. This assumption shows a first limitation, since endmembers may vary locally within a single image, or from an image to another due to varying acquisition conditions, such as declivity and possibly complex interactions between the incident light and the observed materials. Unless properly accounted for, spectral variability can have a significant impact on the shape
and the amplitude of the acquired signatures, thus inducing possibly significant estimation errors during the unmixing process. A second limitation results from the significant size of HS data, which may preclude the use of batch estimation procedures commonly used in the literature, i.e., techniques exploiting all the available data at once. Such computational considerations notably become prominent to characterize endmember variability in multi-temporal HS (MTHS) images, i.e., sequences of HS images acquired over the same area at different time instants. The main objective of this thesis consists in introducing new models and unmixing procedures to account for spatial and temporal endmember variability. Endmember variability is addressed by considering an explicit variability model reminiscent of the total least squares problem, and later extended to account for time-varying signatures. The variability is first estimated using an unsupervised deterministic optimization procedure based on the Alternating Direction Method of Multipliers (ADMM). Given the sensitivity of this approach to abrupt spectral variations, a robust model formulated within a Bayesian framework is introduced. This formulation enables smooth spectral variations to be described in terms of spectral variability, and abrupt changes in terms of outliers. Finally, the computational restrictions induced by the size of the data is tackled by an online estimation algorithm. This work further investigates an asynchronous distributed estimation procedure to estimate the parameters of the proposed models.Note de contenu : Introduction
1- Hyperspectral unmixing with spectral variability using a perturbed linear mixing model
2- A Bayesian model accounting for endmember variability and abrupt spectral changes to unmix multitemporal hyperspectral images
3- Online unmixing of multitemporal hyperspectral images
4- A partially asynchronous distributed unmixing algorithm
Conclusions et perspectivesNuméro de notice : 25812 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Signal, Image, Acoustique et Optimisation : Toulouse : 2017 Organisme de stage : Institut de Recherche en Informatique de Toulouse (I.R.I.T.) nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2017INPT0068 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95075 Random-walker-based collaborative learning for hyperspectral image classification / Bin Sun in IEEE Transactions on geoscience and remote sensing, vol 55 n° 1 (January 2017)
[article]
Titre : Random-walker-based collaborative learning for hyperspectral image classification Type de document : Article/Communication Auteurs : Bin Sun, Auteur ; Xudong Kang, Auteur ; Shutao Li, Auteur ; Jon Atli Benediktsson, Auteur Année de publication : 2017 Article en page(s) : pp 212 - 222 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] champ aléatoire de Markov
[Termes IGN] classification
[Termes IGN] image hyperspectraleRésumé : (Auteur) Active learning (AL) and semisupervised learning (SSL) are both promising solutions to hyperspectral image classification. Given a few initial labeled samples, this work combines AL and SSL in a novel manner, aiming to obtain more manually labeled and pseudolabeled samples and use them together with the initial labeled samples to improve the classification performance. First, based on a comparison of the segmentation and spectral-spatial classification results obtained by random walker (RW) and extended RW (ERW) algorithms, the unlabeled samples are separated into two different sets, i.e., low- and high-confidence unlabeled data sets. For the high-confidence unlabeled data, pseudolabeling is performed, which can ensure the correctness and informativeness of the pseudolabeled samples. For the low-confidence unlabeled data, AL is used to select samples. In this way, the samples which are more effective for improvement of classification performance can be labeled in only a few iterations. Finally, with the learned training set and the original hyperspectral image as inputs, the ERW classifier is used to obtain the final classification result. Experiments performed on three real hyperspectral data sets show that the proposed method can achieve competitive classification accuracy even with a very limited number of manually labeled samples. Numéro de notice : A2017-019 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2016.2604290 En ligne : https://doi.org/10.1109/TGRS.2016.2604290 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83950
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 1 (January 2017) . - pp 212 - 222[article]Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers / Clément Dechesne (2017)
Titre : Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers Titre original : Semantic segmentation of multimodal remote sensing data : case study of forest stands Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2017 Conférence : ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur 12/06/2017 16/06/2017 Colleville-sur-Mer France open access proceedings Importance : 8 p. Note générale : Bibliographie Langues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] arbre (flore)
[Termes IGN] attribut géomètrique
[Termes IGN] attribut sémantique
[Termes IGN] base de données localisées IGN
[Termes IGN] classification dirigée
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] espèce végétale
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] méthode de réduction d'énergie
[Termes IGN] peuplement forestier
[Termes IGN] précision de la classification
[Termes IGN] segmentation sémantiqueRésumé : (Auteur) La délimitation des peuplements forestiers est une connaissance fondamentale pour la gestion des forêts, pour les politiques publiques, pour l’aménagement du territoire, etc. Cette tâche est encore principalement réalisée manuellement par photo-interprétation d’images géospatiales à (très) haute résolution spatiale (THR). La délimitation des peuplements a été peu abordée dans la littérature, et s’est principalement intéressée, dans des environnements forestiers, à l’extraction individuelle des arbres, qui reste imprécise, et la classification des espèces d’arbres, qui présente des résultats peu satisfaisants. Dans cet article, une méthode fondée sur la fusion des données lidar aéroportées et des images multispectrales THR est proposée pour la délimitation automatique des peuplements forestiers. Les images multispectrales donnent des informations sur les espèces d’arbres, tandis que les nuages de points lidar 3D fournissent des informations géométriques (sur la hauteur principalement). Des attributs multimodaux sont calculés, à la fois au niveau du pixel et de l’objet : les objets sont obtenus à partir d’une sur-segmentation. Une classification supervisée est ensuite effectuée au niveau de l’objet afin de discriminer grossièrement les espèces d’arbres existantes dans chaque zone d’intérêt. Les résultats de la classification sont ensuite traités pour obtenir des zones homogènes avec des frontières lisses par minimisation d’énergie. La formulation de l’énergie comporte deux parties ; une liée à la classification, et une autre dans laquelle des contraintes supplémentaires liées aux attributs précédemment calculés, sont ajoutées. Le modèle énergétique est efficace avec un gain de précision jusqu’à 15% par rapport à la classification au niveau de l’objet. Les résultats de la segmentation utilisant ce modèle ont une précision allant de 96% à 99% par rapport à la Base de Données Forêt de l’IGN. Numéro de notice : C2017-015 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://hal.archives-ouvertes.fr/hal-01866680 Format de la ressource électronique : vers HAL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=87048 Documents numériques
en open access
C2017-015-Segmentation sémantique - version auteurAdobe Acrobat PDF Segmentation sémantique de peuplements forestiers par analyse conjointe d’imagerie multispectrale très haute résolution et de données 3D Lidar aéroportées / Clément Dechesne (2017)
Titre : Segmentation sémantique de peuplements forestiers par analyse conjointe d’imagerie multispectrale très haute résolution et de données 3D Lidar aéroportées Type de document : Thèse/HDR Auteurs : Clément Dechesne , Auteur ; Valérie Gouet-Brunet , Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2017 Importance : 220 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse de doctorat pour obtenir le grade de docteur délivré par l’Université Paris-Est, spécialité doctorale Sciences et Technologies de l’Information GéographiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] attribut
[Termes IGN] chaîne de traitement
[Termes IGN] classification dirigée
[Termes IGN] classification orientée objet
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] essence d'arbre
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] méthode de réduction d'énergie
[Termes IGN] peuplement forestier
[Termes IGN] semis de points
[Termes IGN] zone homogèneIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les peuplements forestiers constituent une entité de base pour l’inventaire forestier statistique et la cartographie. Ils sont définis comme de (grandes) zones forestières (par exemple, de plus de 2 ha) et de composition homogène en termes d’essences d’arbres et d’âge. Leur délimitation précise est généralement effectuée par des opérateurs humains par une analyse visuelle d’images contenant un canal infrarouges à très haute résolution (THR). Cette tâche est fastidieuse, nécessite beaucoup de temps et doit donc être automatisée pour un suivi de l’évolution et une mise à jour plus efficace des bases de données. Une méthode fondée sur la fusion de données lidar aéroportées et d’images multispectrales THR est proposée pour la délimitation automatique de peuplements forestiers contenant une essence dominante (c’est à dire, pure à plus de 75%). Il s’agit en effet d’une tâche préliminaire importante pour la mise à jour de la base de données de la couverture forestière. La méthode est adaptable à la donnée et au paysage étudié. Elle est composée de quatre étapes qui sont analysées en profondeur qui tirent le meilleur parti des différents sources de données de télédétection, à l’aide de processus de fusion à plusieurs niveaux des images optiques VHR et du nuage de points lidar 3D aéroporté mais aussi de l’analyse de la base de données géographique (BD Forêt) décrivant la forêt Française. Des attributs multimodaux sont d’abord extraits et leur pertinence est évaluée. Ces attributs sont ensuite croisée avec une sur-segmentation afin d’obtenir des attributs au niveau de l’objet. Il peut s’agir d’arbres (obtenus à partir du nuage de points) ou de tout autre objet de taille et/ou de forme similaire. En raison du nombre élevé d’attributs, une sélection d’attributs est ensuite effectuée. Elle permet de réduire les temps de calcul, d’améliorer la discrimination ainsi que d’évaluer la pertinence des attributs extraits et la complémentarité des données de télédétection. Une classification supervisée fondée objet est ensuite effectuée avec l’algorithme supervisé des Forêts Aléatoires. Une attention spéciale est apportée à la création du jeu d’apprentissage afin de faire face aux erreurs potentielles de la base de données Forêt. Enfin, le résultat de la classification est ensuite traité afin d’obtenir des zones homogènes avec des frontières lisses. Ce lissage est effectué de manière globale sur l’image en minimisant une énergie, dans laquelle contraintes supplémentaires sont proposées en plus des formulations classiques pour former la fonction d’énergie. Ce problème est reformulé de manière graphique et résolu par une approche de type coupe de graphe. Une étude détaillée des différentes parties de la chaîne de traitement proposée à été réalisée. Les résultats expérimentaux montrent que la méthode proposée fournit des résultats très satisfaisants en termes d’étiquetage et de délimitation des peuplements, même pour des régions spatialement éloignées et présentant des paysages différents. La méthode proposée permet également d’évaluer la complémentarité des sources de données de télédétection (à savoir le lidar et les images optiques THR). Plusieurs schémas de fusion sont par ailleurs proposés en fonction du niveau de détail souhaité et des éventuelles contraintes opérationnelles (temps de calculs, données). Note de contenu : 1- Introduction
2- State of the art
3- Proposed framework
4- Flowchart assessment
5- Regularization: how to obtain smooth relevant stands?
6- Data fusion
7- Conclusions and perspectivesNuméro de notice : 17504 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE/INFORMATIQUE/MATHEMATIQUE Nature : Thèse française Note de thèse : thèse de doctorat : Sciences et Technologies de l’Information Géographique : Paris-Est : 2017 Organisme de stage : MATIS (IGN) nature-HAL : Thèse DOI : sans En ligne : https://hal.science/tel-01760483 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90390 Télédétection pour l'observation des surfaces continentales, ch. 1. Application de l'optique aux milieux urbains / Xavier Briottet (2017)PermalinkTélédétection pour l'observation des surfaces continentales, Volume 1. Observation des surfaces continentales par télédétection optique / Nicolas Baghdadi (2017)PermalinkA two-step decision fusion strategy: application to hyperspectral and multispectral images for urban classification / Walid Ouerghemmi (2017)PermalinkUrban objects classification by spectral library: Feasibility and applications / Walid Ouerghemmi (2017)PermalinkClass-specific sparse multiple kernel learning for spectral–spatial hyperspectral image classification / Tianzhu Liu in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)PermalinkDictionary learning for promoting structured sparsity in hyperspectral compressive sensing / Lei Zhang in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)PermalinkHyperspectral feature extraction using total variation component analysis / Behnood Rasti in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)PermalinkMultiband image fusion based on spectral unmixing / Qi Wei in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)PermalinkA robust background regression based score estimation algorithm for hyperspectral anomaly detection / Zhao Rui in ISPRS Journal of photogrammetry and remote sensing, vol 122 (December 2016)PermalinkBlind hyperspectral unmixing using total variation and ℓq sparse regularization / Jakob Sigurdsson in IEEE Transactions on geoscience and remote sensing, vol 54 n° 11 (November 2016)Permalink