1 / 25

R duction et segmentation d images hyperspectrales

Grd Isis - action Imagerie Multivari?e. 2. Plan. Contexte hyperspectralR?duction des donn?esM?thode des MeanshiftSegmentation du cube r?duitR?sultatsConclusion. Grd Isis - action Imagerie Multivari?e. 3. Contexte hyperspectral astronomique. Donn?es hyperspectrales grandissantes (survey, simulat

eitan
Télécharger la présentation

R duction et segmentation d images hyperspectrales

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

    1. Grd Isis - action Imagerie Multivarie 1 Rduction et segmentation dimages hyperspectrales M. Petremand, C. Collet, F. Gnova

    2. Grd Isis - action Imagerie Multivarie 2 Plan Contexte hyperspectral Rduction des donnes Mthode des Meanshift Segmentation du cube rduit Rsultats Conclusion

    3. Grd Isis - action Imagerie Multivarie 3 Contexte hyperspectral astronomique Donnes hyperspectrales grandissantes (survey, simulation) Echantillonnage du spectre fin ? tude spectrale pousse (raies dmission/absorption) Chaque pixel du cube de donnes est caractris par son comportement spectral

    4. Grd Isis - action Imagerie Multivarie 4 Ncessit de proposer des outils facilitant linterprtation de telles donnes : segmentation, rduction, fusion La segmentation dgage les principaux comportements spectraux dun cube sous la forme dune image discrte Contexte hyperspectral

    5. Grd Isis - action Imagerie Multivarie 5 Maldiction de la dimensionnalit ? Rduction (Poursuite de projection, mthode par projection) But : effectuer une rduction-segmentation des donnes hyperspectrales en fonction de critres spectraux Contexte hyperspectral

    6. Grd Isis - action Imagerie Multivarie 6 Plan Contexte hyperspectral Rduction des donnes Mthode des Meanshift Segmentation du cube rduit Rsultats Conclusion

    7. Grd Isis - action Imagerie Multivarie 7 Chaque spectre Ys de limage est projet sur une base initiale B de n spectres Rduction des donnes - Principe

    8. Grd Isis - action Imagerie Multivarie 8 Base de spectres initiale : Signatures spectrales connues Spectres alatoires dans limage ? ncessit de mettre jour la base de spectres Aprs projection ? ensemble de points dans un espace n dimension Rduction des donnes - Base

    9. Grd Isis - action Imagerie Multivarie 9 Plan Contexte hyperspectral Rduction des donnes Mthode des Meanshift Segmentation du cube rduit Rsultats Conclusion

    10. Grd Isis - action Imagerie Multivarie 10 MeanShift ? mthode itrative et non paramtrique afin de trouver les modes dune distribution de points. Mthode des Meanshift

    11. Grd Isis - action Imagerie Multivarie 11 Thorie des Meanshift Bas sur une estimation de densit par les noyaux de Parzen:

    12. Grd Isis - action Imagerie Multivarie 12 Noyaux de Parzen Chaque point x produit une impulsion autour de lui de forme K (noyau) : hypercube de cot h et de dimension d. Nombre de points dans lhypercube :

    13. Grd Isis - action Imagerie Multivarie 13 Lien avec la mthode des meanshift

    14. Grd Isis - action Imagerie Multivarie 14 Les meanshift

    15. Grd Isis - action Imagerie Multivarie 15 Projection La mthode de projection nest pas invariante en intensit ? apparition de modes dintensit Utilisation dune mesure dangle spectral invariante en intensit :

    16. Grd Isis - action Imagerie Multivarie 16 Rduction - Meanshift Ces deux tapes : Rduisent le cube de donnes ; Extraient les comportements spectraux caractristiques ; Prparent les donnes pour la dernire tape de segmentation.

    17. Grd Isis - action Imagerie Multivarie 17 Plan Contexte hyperspectral Rduction des donnes Mthode des Meanshift Segmentation du cube rduit Rsultats Conclusion

    18. Grd Isis - action Imagerie Multivarie 18 Segmentation des images de poids de projections (ou de mesures dangles spectraux) : K-Means : >10 bandes Segmentation markovienne (ajout dune contrainte spatiale) : < 10 bandes Nombre de classes : fix par lutilisateur et obtention des spectres moyens de chaque classe Segmentation

    19. Grd Isis - action Imagerie Multivarie 19 Schma rcapitulatif

    20. Grd Isis - action Imagerie Multivarie 20 Plan Contexte hyperspectral Rduction des donnes Mthode des Meanshift Segmentation du cube rduit Rsultats Conclusion

    21. Grd Isis - action Imagerie Multivarie 21 Rsultats

    22. Grd Isis - action Imagerie Multivarie 22 Rsultat

    23. Grd Isis - action Imagerie Multivarie 23 Rsultats

    24. Grd Isis - action Imagerie Multivarie 24 Conclusion Mthode spectrale pour la segmentation de cubes de donnes hyperspectraux Mthode applicable tous types de donnes (astronomie, tldtection) Pas de limitation du nombre de bandes Extraction des comportements spectraux caractristiques partir de la carte de segmentation

    25. Grd Isis - action Imagerie Multivarie 25 Perspectives Estimation de h (largeur de bande) Rgularisation spatiale quand le nombre dimages de projection est suprieur 10 Optimisation des meanshift : 70% du temps de calcul : utilisation de fams, recherche de voisins dans un trs grand espace Temps de calcul pour une itration : image de 256x256x262 bandes : 6 min. Taille des images responsable du temps de calcul (trs peu dpendant du nombre de bandes)

More Related