Centre de documentation
scientifique

Caractérisation neuronale des propriétés texturales des images radar à synthèse d'ouverture ERS1 et JERS1 / Philippe Mainguenaud in Bulletin [Société Française de Photogrammétrie et Télédétection], n° 140 (Octobre 1995)

Public [article]  inBulletin [Société Française de Photogrammétrie et Télédétection] > n° 140 (Octobre 1995) . - pp 26 - 35 Titre : Caractérisation neuronale des propriétés texturales des images radar à synthèse d'ouverture ERS1 et JERS1 Type de document : Article/Communication Auteurs : Philippe Mainguenaud, Auteur ; Robert Jeansoulin, Auteur ; Jean-Paul Rudant , Auteur Année de publication : 1995 Article en page(s) : pp 26 - 35 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] classification par réseau neuronal [Termes IGN] image ERS-SAR [Termes IGN] image JERS [Termes IGN] texture d'image Résumé : (Auteur) Le travail de classification d'images RSO est rendu difficile par la nature même du signal reçu puisque la représentation d'un pixel-sol est obtenue comme la somme des échos électromagnétiques d'un grand nombre de constituants élémentaires. Il en résulte pour l'image une granularité (speckle) qui rend délicate voire impossible l'utilisation des algorithmes classiques du traitement d'images. Ces images nécessitent un codage préalable de l'information afin de tenter une reconnaissance texturale des zones. Nous utilisons les méthodes neuronales pour construire des règles de classement à partir de zones exemples. Notre réflexion s'est donc portée sur le type de codage le plus approprié pour rendre compte au mieux des différences de nature physique entre les différents états de surface que nous analysons. Nous avons cherché la meilleure configuration de ces données et de l'architecture neuronale pour améliorer les caractéristiques de l'image apprises par le réseau. Certaines méthodes de filtrage peuvent modifier la distribution spatiale des pixels. Appliquer ces types de filtres sur l'image brute permet de créer "artificiellement" un grand nombre d'information de texture pour caractériser ses modifications sous l'effet des filtres utilisés. Nous développons l'approche "hiérarchique" de l'apprentissage afin de faciliter le travail de discrimination du réseau. Enfin, nous cherchons à généraliser ces travaux à l'image entière afin de tester l'efficacité de ces techniques de classification sur des images radar. Numéro de notice : A1995-023 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89491 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
018-95041	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Caractérisation des textures d'images radar par réseaux de neurones / Philippe Mainguenaud (1995)

Public Titre : Caractérisation des textures d'images radar par réseaux de neurones Type de document : Thèse/HDR Auteurs : Philippe Mainguenaud, Auteur ; Jean Devars, Directeur de thèse ; Robert Jeansoulin, Directeur de thèse Editeur : Paris : Université de Paris 6 Pierre et Marie Curie Année de publication : 1995 Importance : 208 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse présentée à l'Université Pierre et Marie Curie spécialité Informatique Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] analyse texturale [Termes IGN] apprentissage automatique [Termes IGN] base de règles [Termes IGN] caractérisation [Termes IGN] classification barycentrique [Termes IGN] classification par réseau neuronal [Termes IGN] filtrage du bruit [Termes IGN] filtre de déchatoiement [Termes IGN] fréquence [Termes IGN] Guyane (département français) [Termes IGN] image radar [Termes IGN] texture d'image Index. décimale : THESE Thèses et HDR Résumé : (auteur) Ce travail a pour but de caractériser les propriétés texturales présentes dans les images radar SAR afin de réaliser une classification efficace des différentes zones. Les images traitées concernent des zones de Guyane dans le cadre du projet pilote PPF12 de l'environnement fluvial et côtier en Guyane française. Ce type d'image interdit toute hypothèse sur les distributions statistiques des niveaux de gris de chacune des classes. Notre travail a consisté à sélectionner les méthodes neuronales afin de construire des règles d'apprentissage des propriétés texturales des niveaux de gris. Nous avons tout d'abord étudié l'étalement spatial de la texture. Pour cette taille de fenêtre d'analyse, nous avons évalué le codage qui fournissait les meilleurs taux d'apprentissage au sens neuronal. Notre choix s'est porté sur le classique spectre de Fourier. Apres avoir vérifié l'amélioration apportée par le couplage des données multi-temporelles, nous cherchons le moyen d'atteindre des résultats similaires à partir d'une seule image source. Pour ce faire, nous filtrons l'image brute pour extraire certaines propriétés texturales au détriment de certaines autres. Le couplage des informations des images brutes et filtrées permet d'approcher les résultats obtenus par des données multi-temporelles lorsque celle-ci existe. Nous introduisons l’approche hiérarchique dans les méthodes neuronales pour accélérer et améliorer la qualité de l'apprentissage. Cette décomposition permet d'obtenir de très nettes améliorations qui se concrétisent par une classification automatique et assez détaillée des différentes images testées. Nous avons comparé notre approche avec la méthode des (k) plus proches voisins. Cette comparaison fait apparaitre une plus grande homogénéité dans la classification pour les méthodes neuronales. Malgré les résultats satisfaisants que nous avons obtenus, nous avons étudié plus en détail l'influence des différentes fréquences sélectionnées sur la rapidité et la qualité de l'apprentissage. Note de contenu : 1. Introduction 2. Méthodes de reconnaissance en imagerie 2.1. Codage et classification 2.2. Les réseaux connexionnistes 3. Codage de l'information 3.1. Moments, contours, Textures 3.2. Codage de l'information texturale 3.3. Modifications des textures 3.4. Architecture neuronale du couplage des informations 3.5. Classification neuronale des textures de Brodatz 4. Introduction à l'imagerie radar 4.1. Principe et fonctionnement du radar 4.2. Formation des images radar 4.3. Propriétés diélectriques des cibles 4.4. Caractéristiques des images radar de Guyane 4.5. Présentation des zones de test de texture 5. Apprentissage des textures radar 5.1.Dimensions spatiales de la texture 5.2. Codage de l'information texturale 5.3. Apprentissage "multi-source" 5.4. Apprentissage hiérarchique 5.5. Influence de la taille du vecteur de texture 6. Généralisation des apprentissages 6.1. Technique de généralisation 6.2. Comparaison des différentes méthodes de classification 7. Conclusion 8. Annexe concernant la signification physique de la texture Numéro de notice : 19350 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de doctorat : Informatique : Paris 6 : 1995 nature-HAL : Thèse DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=81971

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
19350-01	THESE	Livre	Centre de documentation	Thèses	Disponible