SIERRA : Signal et Images en Région Rhône-Alpes

Avancées récentes autour de l'analyse d'images multivariées


Date : 6 novembre 2014
Lieu : Polytech Annecy - LISTIC (Plan d'accès)

Inscription gratuite mais obligatoire ICI


9h30-10h00 : Accueil

10h00-11h00 : Abdou Atto -- MCF Polytech Annecy - LISTIC

Titre -- Champs Aléatoires Chronologiques et Séries Temporelles d'Images

Résumé -- L'exposé portera sur l'étude des séries temporelles d'images pouvant être décrites par des champs aléatoires. La première partie de l'exposé concernera l'analyse et la synthèse de champs aléatoires chronologiques de type Brownien fractionnaires. La seconde partie de l'exposé portera sur l'analyse des séries temporelles d'images observées en présence de bruit multiplicatif et exploitera les propriétés de parcimonie des ondelettes sur un modèle d'observation de type multiplicatif.

Présentation -- [PDF]



11h00-12h00 : Jean-Philippe Ovarlez -- ONERA DEMR/TSI et E3S SONDRA, Supelec

Titre -- Estimation et Détection Robuste en contexte radar, imagerie hyperspectrale et imagerie SAR

Résumé -- La théorie de l'estimation vise à déterminer les paramètres physiques d'un système à partir de mesures effectuées sur celui-ci. Parmi les méthodes existantes, la méthode du Maximum de Vraisemblance est la plus largement utilisée pour ses performances et ses bonnes propriétés statistiques. Cette méthode s'appuie sur la connaissance a priori de la famille de densités de probabilité décrivant les observations. Dans ce contexte, la famille des densités de probabilité gaussiennes est universellement utilisée en traitement de signal : on peut citer, comme exemple d'applications, l'estimation des caractéristiques du bruit additif (bruit thermique, fouillis, etc.) dans les détecteurs radar, hyperspectraux, le traitement d'antenne. La famille gaussienne rend bien compte de la distribution des données dans de nombreux cas et permet souvent de développer des estimateurs faciles à mettre en oeuvre (cas de la Sample Covariance Matrix (SCM), covariance empirique des données). Malheureusement, elle ne permet pas la modélisation de bruits complexes à queue lourde et ne rend pas compte des variations extrêmes des mesures que l'on observe alors. Ce défaut peut conduire à de très mauvais estimateurs dans le cas de données impulsives modélisées à tort par une loi normale. Il est donc primordial de développer de nouveaux estimateurs dans le cadre de familles de densités de probabilité élargies conciliant la modélisation des données gaussiennes et des données impulsives. Une famille de densités de probabilité est connue par les statisticiens pour satisfaire à ces deux exigences : les densités de probabilité à contours elliptiques et sphériques plus communément appelées SIRV (Spherically Invariant Random Vectors). Ces processus SIRV multivariés caractérisant des processus gaussiens composés peuvent être mis sous la forme du produit d'un vecteur aléatoire gaussien (appelé speckle) centré, circulaire et de matrice de covariance et d'une variable aléatoire scalaire et positive (appelée texture) caractérisée par sa densité de probabilité régissant la fluctuation de la puissance du vecteur de mesure. Ces processus possèdent des propriétés très intéressantes pour le traitement des signaux et des images : modélisation très générale de processus non gaussiens (loi K, de Weibull, du chi2, Cauchy, alpha stable, etc., incluant également le processus gaussien), fonction caractéristique purement radiale, propriété d'invariance de la loi de la texture par filtrage linéaire, ... Dans ce contexte des SIRV, nous avons étudié des procédures d'estimation robuste de la matrice de covariance, définie comme étant l'unique solution d'une équation implicite (M-estimateurs, Point Fixe). Hormis la propriété d'être invariants à la texture, ces estimateurs ont des propriétés statistiques très intéressantes dans de nombreuses applications : élaboration de nouveaux détecteurs radar optimaux en environnement hétérogène et/ou non gaussien. Nous montrerons l'intérêt et les propriétés de ces estimateurs ainsi que leur suprématie (notamment leur robustesse aux outliers ou aux cibles potentielles présentes dans les données secondaires d'apprentissage) par rapport à l'estimateur conventionnel SCM dans les applications liées à la détection radar en environnement non-gaussien, à la détection et la classification polarimétrique dans les images SAR hautement texturées ou encore à la détection dans les images hyperspectrales.

Présentation -- [PDF]



12h00-14h00 : Déjeuner

14h00-15h00 : Jean Marie Nicolas -- Telecom ParisTech

Titre -- Piles temporelles d'images RSO et statistiques associées des opérateurs moyenne

Résumé -- La fin des années 2000 a vu l'Europe se doter de 6 satellites civils/duaux RSO en bande X, de résolution métrique et de cycle relativement brefs (11 jours à 16 jours). Aussi il est possible de disposer sur des sites tests de piles d'images de taille conséquente. De plus les satellites embarquant de tels capteurs disposent de senseurs permettant de reconstituer avec une très grande précision les orbites, dont la connaissance est requise si l'on souhaite effectuer des recalages sub-pixelliques. Aussi un nouveau regard peut être porté sur les méthodes de filtrage multitemporel a priori bien connues. Les méthodes les plus fondamentales sont définies à partir des opérateurs moyenne : dès lors que l'on dispose d'un nombre suffisant d'images sur la pile temporelle, ces moyennes peuvent opérer simplement sur le temps, et non sur un voisinage spatio-temporel. Si le recalage est suffisament performant (de l'ordre du 1/10 de pixel), on construit ainsi des "super-images" dont la résolution est celle des images nominales et qui présente comme caractéristique essentielle de voir le speckle d'autant plus "gommé" que le nombre d'images dans la pile est grand. Il est scientifiquement intéressant de se pencher alors sur les statistiques de telles images, qui dépendent alors des moyennes utilisées. La plus habituelle est la moyenne arithmétique : on sais que si l'on traite des images radar en intensité, les super images résultant d'une moyenne arithmétique suivent une loi Gamma dont un des paramètre est le nombre d'images. Cette propriété est assez surprenante car la moyenne arithmétique est un opérateur bien adapté au bruit additif, et que le buit de speckle est multiplicatif : il est donc curieux de trouver une expression analytique explicite pas trop compliquée pour la densité de probabilité dans ce contexte. Le cas du bruit multiplicatif est a priori bien analysé par la moyenne géométrique. Les super images résultant d'une moyenne géométrique suivent d'ailleurs un modèle facilement descriptible par les fonctions de Meijer : le seul écueil apparent à cette description est que les fonctions de Meijer s'expriment sous forme intégrale et non sous un formalisme explicite. Cependant, si leur formalisme n'est qu'implicite, il se trouve que ses log-moments et log-cumulants sont triviaux à établir et s'expriment par des sommes de fonctions Polygamma, ceci parce que les fonctions de Meijer sont des extensions naturelles aux lois Gamma rencontrées à cause du bruit de speckle. L'objectif de cet exposé est de montrer le potentiel des piles multitemporelles à la lumière de ces deux opérateurs moyennes. Deux grand axes d'applications seront analysés et illustrés : celui de l'amélioration de la lisibilité des images ("super-images") et celui de la détection de changement (à partir des travaux de Guillaume Quin).

Présentation -- [PDF]



15h00-16h00 : Jocelyn Chanussot -- Grenoble-INP, Gipsa-lab

Titre -- Hierarchical analysis of hyperspectral images

Résumé -- After decades of use of multispectral remote sensing, most of the major space agencies now have new programs to launch hyperspectral sensors, recording the reflectance information of each point on the ground in hundreds of narrow and contiguous spectral bands. The spectral information is instrumental for the accurate analysis of the physical component present in one scene. But, every rose has its thorns: most of the traditional signal and image processing algorithms fail when confronted to such high dimensional data (each pixel is represented by a vector with several hundereds of dimensions). In this talk, we will start by a general presentation of the challenges and opportunities offered by hyperspectral imaging systems in a number of applications.We will then explore these issues with a hierarchical approach, briefly illustrating the problem of spectral unmixing and of super-resolution, then moving on to pixel-wise classification (purely spectral classification and then including contextual features). Eventually, we will focus on the extension to hyperspectral data of a very powerful image processing analysis tool: the Binary Partition Tree (BPT). It provides a generic hierarchical representation of images and consists of the two following steps: - construction of the tree : one starts from the pixel level and merge pixels/regions progressively until the top of the hierarchy (the whole image is considered as one single region) is reached. To proceed, one needs to define a model to represent the regions (for instance: the average spectrum - but this is not a good idea) and one also needs to define a similarity measure between neighbouring regions to decide which ones should be merged first (for instance the euclidean distance between the model of each region - but this is not a good idea either). This step (construction of the tree) is very much related to the data. - the second step is the pruning of the tree: this is very much related to the considered application. The pruning of the tree leads to one segmentation. The resulting segmentation might not be any of the result obtained during the iterative construction of the tree. This is where this representation outperforms the standard approaches. But one may also perform classification, or objet detection (assuming an object of interest will appear somewhere as one noode of the tree, the game is to define a suitable criterion, related to the application, to find this node). Results are presented on various hyperspectral images.

Présentation -- [PDF]