Centre de documentation
scientifique

Performance assessment of a recent change detection method for homogeneous and heterogeneous images / Jorge Prendes in Revue Française de Photogrammétrie et de Télédétection, n° 209 (Janvier 2015)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 209 (Janvier 2015) . - pp 23 - 29 Titre : Performance assessment of a recent change detection method for homogeneous and heterogeneous images Type de document : Article/Communication Auteurs : Jorge Prendes, Auteur ; Marie Chabert, Auteur ; Frédéric Pascal, Auteur ; et al., Auteur Année de publication : 2015 Conférence : Pleiades Days 2014 01/04/2014 03/04/2014 Toulouse France Article en page(s) : pp 23 - 29 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage automatique [Termes IGN] couple stéréoscopique [Termes IGN] détection de changement [Termes IGN] données hétérogènes [Termes IGN] image optique [Termes IGN] image Pléiades [Termes IGN] image radar moirée [Termes IGN] modèle statistique Résumé : (Auteur) Un modèle statistique pour détecter des changements dans les images de télédétection a récemment été proposé dans (Prendes et al. 2014,2015) Ce modèle étant très général, peut être utilisé pour des images homogènes acquises par le même type de capteur (par exemple, deux images optiques des satellites Pléiades, éventuellement avec des conditions d'acquisition différentes), mais aussi pour des images hétérogènes acquises par des capteurs de natures différentes (par exemple; une image optique acquise par un satellite pléiades et une image radar à synthèse d'ouverture (RSA) acquise par un satellite TerraSAR-X). Ce modèle suppose que chaque pixel est distribué selon un mélange de densités de probabilité liées aux propriétés du bruit ainsi qu'aux réponses en intensité renvoyées par la scène réelle. Les paramètres du modèle statistique sont estimés en utilisant l'algorithme classique d'expectation-maximization (EM). Ensuite, ces paramètres estimés sont utilisés afin d'inférer les relations entre les images d'intérêt, en utilisant une stratégie d'apprentissage sur des variétés. Ces relations sont pertinentes pour de nombreuses applications du traitement d'images, en particulier celles qui requièrent une mesure de similarité (par exemple, les problèmes de détection de changements dans ces images ou encore de recalage d'images). L'objectif principal de cet article est d'évaluer les performances d'une méthode de détection de changements basée sur cette stratégie d'apprentissage de variétés initialement introduite dans (Prendes et al. 2014/2015). Ces performances sont analysées grâce à des paires d’images optiques réelles et des paires d’images optiques/RSA Pléiades. Numéro de notice : A2015-074 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.52638/rfpt.2015.216 En ligne : https://doi.org/10.52638/rfpt.2015.216 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=75436 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
018-2014021	RAB	Revue	Centre de documentation	En réserve L003	Disponible