Centre de documentation
scientifique

Adaptive edge preserving maps in Markov random fields for hyperspectral image classification / Chao Pan in IEEE Transactions on geoscience and remote sensing, vol 59 n° 10 (October 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 10 (October 2021) . - pp 8568 - 8583 Titre : Adaptive edge preserving maps in Markov random fields for hyperspectral image classification Type de document : Article/Communication Auteurs : Chao Pan, Auteur ; Xiuping Jia, Auteur ; Jie Li, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 8568 - 8583 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] accentuation de contours [Termes IGN] algorithme Graph-Cut [Termes IGN] champ aléatoire de Markov [Termes IGN] classe d'objets [Termes IGN] détection de contours [Termes IGN] étiquette de classe [Termes IGN] image AVIRIS [Termes IGN] image hyperspectrale [Termes IGN] optimisation (mathématiques) [Termes IGN] segmentation d'image Résumé : (auteur) This article presents a novel adaptive edge preserving (aEP) scheme in Markov random fields (MRFs) for hyperspectral image (HSI) classification. MRF regularization usually suffered from over-smoothing at boundaries and insufficient refinement within class objects. This work divides and conquers this problem class-by-class, and integrates K ( K−1 )/2 ( K is the class number) aEP maps (aEPMs) in MRF model. Spatial label dependence measure (SLDM) is designed to estimate the interpixel label dependence for given spectral similarity measure. For each class pair, aEPM is optimized by maximizing the difference between intraclass and interclass SLDM. Then, aEPMs are integrated with multilevel logistic (MLL) model to regularize the raw pixelwise labeling obtained by spectral and spectral–spatial methods, respectively. The graph-cuts-based α β -swap algorithm is modified to optimize the designed energy function. Moreover, to evaluate the final refined results at edges and small details thoroughly, segmentation evaluation metrics are introduced. Experiments conducted on real HSI data denote the superiority of aEPMs in evaluation metrics and region consistency, especially in detail preservation. Numéro de notice : A2021-713 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3035642 Date de publication en ligne : 16/11/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3035642 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98618 [article]

Geometric features and their relevance for 3D point cloud classification / Martin Weinmann in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol IV-1/W1 (May 2017)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol IV-1/W1 (May 2017) . - pp 157 - 164 Titre : Geometric features and their relevance for 3D point cloud classification Type de document : Article/Communication Auteurs : Martin Weinmann, Auteur ; Boris Jutzi, Auteur ; Clément Mallet , Auteur ; Michael Weinmann, Auteur Année de publication : 2017 Projets : 1-Pas de projet / Conférence : ISPRS 2017, Workshops HRIGI – CMRT – ISA – EuroCOW 06/06/2017 09/06/2017 Hanovre Allemagne ISPRS OA Annals Article en page(s) : pp 157 - 164 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] classe d'objets [Termes IGN] classification [Termes IGN] données localisées 3D [Termes IGN] échantillonnage de données [Termes IGN] étiquette de classe [Termes IGN] extraction de traits caractéristiques [Termes IGN] interprétation automatique [Termes IGN] semis de points [Termes IGN] voisinage (relation topologique) Résumé : (auteur) In this paper, we focus on the automatic interpretation of 3D point cloud data in terms of associating a class label to each 3D point. While much effort has recently been spent on this research topic, little attention has been paid to the influencing factors that affect the quality of the derived classification results. For this reason, we investigate fundamental influencing factors making geometric features more or less relevant with respect to the classification task. We present a framework which consists of five components addressing point sampling, neighborhood recovery, feature extraction, classification and feature relevance assessment. To analyze the impact of the main influencing factors which are represented by the given point sampling and the selected neighborhood type, we present the results derived with different configurations of our framework for a commonly used benchmark dataset for which a reference labeling with respect to three structural classes (linear structures, planar structures and volumetric structures) as well as a reference labeling with respect to five semantic classes (Wire, Pole/Trunk, Façade, Ground and Vegetation) is available. Numéro de notice : A2017-860 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-IV-1-W1-157-2017 Date de publication en ligne : 30/05/2017 En ligne : https://doi.org/10.5194/isprs-annals-IV-1-W1-157-2017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89840 [article]

Cartographie de l'occupation des sols à partir de séries temporelles d'images satellitaires à hautes résolutions : identification et traitement des données mal étiquetées / Charlotte Pelletier (2017)  

Public Titre : Cartographie de l'occupation des sols à partir de séries temporelles d'images satellitaires à hautes résolutions : identification et traitement des données mal étiquetées Type de document : Thèse/HDR Auteurs : Charlotte Pelletier, Auteur ; Gérard Dedieu, Directeur de thèse ; Silvia Valero, Directeur de thèse ; Nicolas Champion , Encadrant Editeur : Toulouse : Université de Toulouse 3 Paul Sabatier Année de publication : 2017 Importance : 289 p. Format : 21 x 30 cm Note générale : bibliographie Thèse en vue de l'obtention du Doctorat de l'Université Paul Sabatier de Toulouse Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage automatique [Termes IGN] carte d'occupation du sol [Termes IGN] classification dirigée [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] échantillonnage [Termes IGN] erreur de classification [Termes IGN] étiquette de classe [Termes IGN] filtrage du bruit [Termes IGN] image à haute résolution [Termes IGN] image satellite [Termes IGN] image Sentinel-MSI [Termes IGN] image SPOT [Termes IGN] série temporelle [Termes IGN] télédétection spatiale Index. décimale : THESE Thèses et HDR Résumé : (auteur) L'étude des surfaces continentales est devenue ces dernières années un enjeu majeur à l'échelle mondiale pour la gestion et le suivi des territoires, notamment en matière de consommation des terres agricoles et d'étalement urbain. Dans ce contexte, les cartes d'occupation du sol caractérisant la couverture biophysique des terres émergées jouent un rôle essentiel pour la cartographie des surfaces continentales. La production de ces cartes sur de grandes étendues s'appuie sur des données satellitaires qui permettent de photographier les surfaces continentales fréquemment et à faible coût. Le lancement de nouvelles constellations satellitaires - Landsat-8 et Sentinel-2 - permet depuis quelques années l'acquisition de séries temporelles à hautes résolutions. Ces dernières sont utilisées dans des processus de classification supervisée afin de produire les cartes d'occupation du sol. L'arrivée de ces nouvelles données ouvre de nouvelles perspectives, mais questionne sur le choix des algorithmes de classification et des données à fournir en entrée du système de classification. Outre les données satellitaires, les algorithmes de classification supervisée utilisent des échantillons d'apprentissage pour définir leur règle de décision. Dans notre cas, ces échantillons sont étiquetés, \ie{} la classe associée à une occupation des sols est connue. Ainsi, la qualité de la carte d'occupation des sols est directement liée à la qualité des étiquettes des échantillons d'apprentissage. Or, la classification sur de grandes étendues nécessite un grand nombre d'échantillons, qui caractérise la diversité des paysages. Cependant, la collecte de données de référence est une tâche longue et fastidieuse. Ainsi, les échantillons d'apprentissage sont bien souvent extraits d'anciennes bases de données pour obtenir un nombre conséquent d'échantillons sur l'ensemble de la surface à cartographier. Cependant, l'utilisation de ces anciennes données pour classer des images satellitaires plus récentes conduit à la présence de nombreuses données mal étiquetées parmi les échantillons d'apprentissage. Malheureusement, l'utilisation de ces échantillons mal étiquetés dans le processus de classification peut engendrer des erreurs de classification, et donc une détérioration de la qualité de la carte produite. L'objectif général de la thèse vise à améliorer la classification des nouvelles séries temporelles d'images satellitaires à hautes résolutions. Le premier objectif consiste à déterminer la stabilité et la robustesse des méthodes de classification sur de grandes étendues. Plus particulièrement, les travaux portent sur l'analyse d'algorithmes de classification et la sensibilité de ces algorithmes vis-à-vis de leurs paramètres et des données en entrée du système de classification. De plus, la robustesse de ces algorithmes à la présence des données imparfaites est étudiée. Le second objectif s'intéresse aux erreurs présentes dans les données d'apprentissage, connues sous le nom de données mal étiquetées. Dans un premier temps, des méthodes de détection de données mal étiquetées sont proposées et étudiées. Dans un second temps, un cadre méthodologique est proposé afin de prendre en compte les données mal étiquetées dans le processus de classification. L'objectif est de réduire l'influence des données mal étiquetées sur les performances de l'algorithme de classification, et donc d'améliorer la carte d'occupation des sols produite. Note de contenu : 1- Introduction 2- Méthodes et données 3- Stabilité et robustesse des algorithmes de classification 4- Détection des données mal étiquetées 5- Conclusion Numéro de notice : 25734 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Surfaces et interfaces continentales, Hydrologie : Toulouse 3 : 2017 Organisme de stage : Centre d’Études Spatiales de la Biosphère (CESBIO) nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2017TOU30241 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94923