Centre dedocumentation
scientifique

Spatial machine learning applied to multivariate and multimodal images / Gianni Franchi (2016)  

Public Titre : Spatial machine learning applied to multivariate and multimodal images Type de document : Thèse/HDR Auteurs : Gianni Franchi, Auteur ; Jesus Angulo lopez, Directeur de thèse Editeur : Paris : Université Paris Sciences et Lettres Année de publication : 2016 Importance : 197 p. Format : 21 x 30 cm Note générale : bibliographie Thèse de Doctorat de l'Université de Recherche Paris Sciences et Lettres, préparée à MINES ParisTech, Spécialité : Morphologie Mathématique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse en composantes principales [Termes IGN] analyse linéaire des mélanges spectraux [Termes IGN] apprentissage automatique [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] fusion d'images [Termes IGN] image hyperspectrale [Termes IGN] krigeage [Termes IGN] méthode fondée sur le noyau [Termes IGN] microscope électronique [Termes IGN] morphologie mathématique [Termes IGN] régression linéaire Index. décimale : THESE Thèses et HDR Résumé : (auteur) This thesis focuses on multivariate spatial statistics and machine learning applied to hyperspectral and multimodal and images in remote sensing and scanning electron microscopy (SEM). In this thesis the following topics are considered: Fusion of images: SEM allows us to acquire images from a given sample using different modalities. The purpose of these studies is to analyze the interest of fusion of information to improve the multimodal SEM images acquisition. We have modeled and implemented various techniques of image fusion of information, based in particular on spatial regression theory. They have been assessed on various datasets. Spatial classification of multivariate image pixels: We have proposed a novel approach for pixel classification in multi/hyperspectral images. The aim of this technique is to represent and efficiently describe the spatial/spectral features of multivariate images. These multi-scale deep descriptors aim at representing the content of the image while considering invariances related to the texture and to its geometric transformations. Spatial dimensionality reduction: We have developed a technique to extract a feature space using morphological principal component analysis. Indeed, in order to take into account the spatial and structural information we used mathematical morphology operators Note de contenu : I- Introduction II- Feature representation and classification for hyperspectral images III- Fusion of information for multimodal SEM images IV Conclusion Numéro de notice : 25828 Affiliation des auteurs : non IGN Thématique : IMAGERIE/MATHEMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Spécialité : Morphologie Mathématique : Paris, 2016 nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-01483980v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95124