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
Download Presentation

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 Multivariée 1 Réduction et segmentation d’images hyperspectrales M. Petremand, C. Collet, F. Génova

    2. Grd Isis - action Imagerie Multivariée 2 Plan Contexte hyperspectral Réduction des données Méthode des Meanshift Segmentation du cube réduit Résultats Conclusion

    3. Grd Isis - action Imagerie Multivariée 3 Contexte hyperspectral astronomique Données hyperspectrales grandissantes (survey, simulation…) Echantillonnage du spectre fin ? étude spectrale poussée (raies d’émission/absorption) Chaque pixel du cube de données est caractérisé par son comportement spectral

    4. Grd Isis - action Imagerie Multivariée 4 Nécessité de proposer des outils facilitant l’interprétation de telles données : segmentation, réduction, fusion… La segmentation dégage les principaux comportements spectraux d’un cube sous la forme d’une image discrète Contexte hyperspectral

    5. Grd Isis - action Imagerie Multivariée 5 Malédiction de la dimensionnalité ? Réduction (Poursuite de projection, méthode par projection…) But : effectuer une réduction-segmentation des données hyperspectrales en fonction de critères spectraux Contexte hyperspectral

    6. Grd Isis - action Imagerie Multivariée 6 Plan Contexte hyperspectral Réduction des données Méthode des Meanshift Segmentation du cube réduit Résultats Conclusion

    7. Grd Isis - action Imagerie Multivariée 7 Chaque spectre Ys de l’image est projeté sur une base initiale B de n spectres Réduction des données - Principe

    8. Grd Isis - action Imagerie Multivariée 8 Base de spectres initiale : Signatures spectrales connues Spectres aléatoires dans l’image ? nécessité de mettre à jour la base de spectres Après projection ? ensemble de points dans un espace à n dimension Réduction des données - Base

    9. Grd Isis - action Imagerie Multivariée 9 Plan Contexte hyperspectral Réduction des données Méthode des Meanshift Segmentation du cube réduit Résultats Conclusion

    10. Grd Isis - action Imagerie Multivariée 10 MeanShift ? méthode itérative et non paramétrique afin de trouver les modes d’une distribution de points. Méthode des Meanshift

    11. Grd Isis - action Imagerie Multivariée 11 Théorie des Meanshift Basé sur une estimation de densité par les noyaux de Parzen:

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

    13. Grd Isis - action Imagerie Multivariée 13 Lien avec la méthode des meanshift

    14. Grd Isis - action Imagerie Multivariée 14 Les meanshift

    15. Grd Isis - action Imagerie Multivariée 15 Projection La méthode de projection n’est pas invariante en intensité ? apparition de modes d’intensité Utilisation d’une mesure d’angle spectral invariante en intensité :

    16. Grd Isis - action Imagerie Multivariée 16 Réduction - Meanshift Ces deux étapes : Réduisent le cube de données ; Extraient les comportements spectraux caractéristiques ; Préparent les données pour la dernière étape de segmentation.

    17. Grd Isis - action Imagerie Multivariée 17 Plan Contexte hyperspectral Réduction des données Méthode des Meanshift Segmentation du cube réduit Résultats Conclusion

    18. Grd Isis - action Imagerie Multivariée 18 Segmentation des images de poids de projections (ou de mesures d’angles spectraux) : K-Means : >10 bandes Segmentation markovienne (ajout d’une contrainte spatiale) : < 10 bandes Nombre de classes : fixé par l’utilisateur et obtention des spectres moyens de chaque classe Segmentation

    19. Grd Isis - action Imagerie Multivariée 19 Schéma récapitulatif

    20. Grd Isis - action Imagerie Multivariée 20 Plan Contexte hyperspectral Réduction des données Méthode des Meanshift Segmentation du cube réduit Résultats Conclusion

    21. Grd Isis - action Imagerie Multivariée 21 Résultats

    22. Grd Isis - action Imagerie Multivariée 22 Résultat

    23. Grd Isis - action Imagerie Multivariée 23 Résultats

    24. Grd Isis - action Imagerie Multivariée 24 Conclusion Méthode spectrale pour la segmentation de cubes de données hyperspectraux Méthode applicable à tous types de données (astronomie, télédétection…) Pas de limitation du nombre de bandes Extraction des comportements spectraux caractéristiques à partir de la carte de segmentation

    25. Grd Isis - action Imagerie Multivariée 25 Perspectives Estimation de h (largeur de bande) Régularisation spatiale quand le nombre d’images de projection est supérieur à 10 Optimisation des meanshift : 70% du temps de calcul : utilisation de fams, recherche de voisins dans un très grand espace… Temps de calcul pour une itération : image de 256x256x262 bandes : 6 min. Taille des images responsable du temps de calcul (très peu dépendant du nombre de bandes)

More Related