Projet : ARIANA - ariana

<body bgcolor="#FFFFFF" text="#000000" link="#9944EE" vlink= "#0000FF" alink="#00FF00"> <h2><a name="SECTION000612000000000000000">Classification d'image satellitaire multispectrale par approche variationnelle et équations aux dérivées partielles</a></h2>  <a name="ARIANA_resultats_Classif"></a> <p><br /> <br /> <span class="textbf">Participants :</span> Christophe Samson, Laure Blanc-Féraud, Gilles Aubert, Josiane Zerubia.<br /> <br /></p> <p><strong>Mots clés :</strong> <i>classification, image satellitaire multispectrale, EDP, calcul des variations, Gamma convergence, ensemble de niveau .</i></p> <p>Ce travail est consacré au développement ainsi qu'à l'implantation de deux modèles variationnels pour la classification d'image satellitaire multispectrale.</p> <p>Le premier modèle que nous proposons repose sur la minimisation d'une famille de critères dont la suite de solutions converge vers une partition des données composée de classes homogènes séparées par des contours réguliers. Cette approche entre dans le cadre des problèmes à discontinuité libre et fait appel à des notions de convergence variationnelle telle que la théorie de la <span class= "MATH"><img width="11" height="11" align="bottom" border="0" src="img24.png" alt="$ \Gamma$" /></span>-convergence. La famille de fonctionnelles que nous proposons de minimiser contient un terme de régularisation, ainsi qu'un terme de classification. Lors de la convergence de cette suite de critères, le modèle change progressivement de comportement en commençant par restaurer l'image avant d'entamer le processus d'étiquetage des pixels.</p> <p>Parallèlement à cette approche, nous avons développé un second modèle de classification mettant en jeu un ensemble de régions et contours actifs. Nous utilisons une approche par ensemble de niveaux pour définir le critère à minimiser. Chaque classe, et son ensemble de régions et contours associé, est définie à travers une fonction d'ensemble de niveaux. Le critère contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours. Nous aboutissons à la résolution d'un système d'équations aux dérivées partielles couplées et plongées dans un schéma dynamique. L'évolution de chaque région est guidée par un jeu de forces permettant d'obtenir une partition de l'image composée de classes homogènes et dont les frontières sont lisses.</p> <p>Nous avons mené des expériences sur de nombreuses données synthétiques ainsi que sur des images satellitaires SPOT XS. Une comparaison avec un modèle stochastique proposé dans le projet Vista a été réalisée sur des images de la Baie de Lannion avec des vérités de terrain fournies par le Costel (pour plus de détails cf. thèse de C. Samson, 2000).</p> <p>Une partie de ce travail a été réalisée dans le cadre de notre collaboration avec le CNR de Rome.<br /></p> <div align="center"> <div align="center"> <div align="center">  <img width="114" height="113" align="bottom" border="0" src="img25.png" alt= "\includegraphics [width=4cm]{Xtof1.ps}" /> </div> <table cols="3"> <col align="center" /> <col align="center" /> <col align="center" /> <tr> <td valign="baseline" align="center" nowrap="nowrap"> </td> <td valign="baseline" align="center" nowrap="nowrap">  <img width="113" height="113" align="bottom" border= "0" src="img26.png" alt= "\includegraphics [width=4cm]{Xtof2.ps}" /></td> <td valign="baseline" align="center" nowrap="nowrap">  <img width="114" height="113" align="bottom" border= "0" src="img27.png" alt= "\includegraphics [width=4cm]{Xtof3.ps}" /></td> </tr> <tr> <td valign="baseline" align="center" nowrap="nowrap"> Image canal XS3 SPOT</td> <td valign="baseline" align="center" nowrap="nowrap"> Classif.: 1er modèle</td> <td valign="baseline" align="center" nowrap="nowrap"> Classif.: 2ème modèle</td> </tr> </table> </div> <div align="center"> Données multispectrales SPOT 2 (3 bandes: XS1, XS2 et XS3) de la baie de Lannion<br /> et résultats de classification obtenus par les deux modèles variationnels </div> </div> </body>