Search & Find
DiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporama
Accueil
ICube   >   Agenda : Séminaire : Analyse d'images multibandes et hyperbandes : stratégies de détection d'objets diffus

Séminaire : Analyse d'images multibandes et hyperbandes : stratégies de détection d'objets diffus

Le 19 juin 2015
À 16h00
Illkirch - pôle API - C218

Ali AHMAD, stagiaire dans l'équipe MIV, fera une présentation de ses travaux le vendredi 19 Juin 2015 à 16h00 en salle C218 du pôle API d'Illkirch.

Titre : Analyse d'images multibandes et hyperbandes : stratégies de détection d'objets diffus

Équipe : MIV

Résumé : Les méthodes de détection et de classification (supervisées et non-supervisées) d'objets sont largement utilisées en traitement d'images multi/hyperspectrale, dont le spectre de chaque pixel est considéré discret dans le cas d'image multispectrale (de 3 à 10 bandes), ou continu pour l'image hyperspectrale (au delà d'une centaine de bandes). Cependant, dans certains cadres applicatifs telles que l'analyse des galaxies en astronomie ou l'identification des cellules en biologie, l'absence d'une base d'apprentissage exige l'utilisation d'approches non-supervisées qui devront rester efficaces. Le critère de base de ces méthodes est la recherche de pixels ayant des caractéristiques spectrales différentes de celles du fond, ces pixels sont nommés des « anomalies ». Ce sont des « valeurs aberrantes qui s'écartent des autres observations au point d'éveiller les soupçons d'avoir été générées par autre mécanisme » (Hawkins, 1980).
Dans cet exposé, nous présenterons la poursuite des composantes anormales, une méthode statistique non-supervisée qui porte sur la détection et la discrimination des objets rares dans une image hyperspectrale. La méthode citée combine deux approches : le test d'hypothèses (HT) avec un taux de fausse alarme constant (TFAC) et la poursuite de projection (PP) basée sur l'algorithme ICA sous le critère de maximisation de Kurtosis.
Cette méthode est appliquée sur des images hyperspectrales synthétiques incluant des objets étendus ou quasi-ponctuels à plusieurs niveaux du bruit, ceci afin d'évaluer les performances et la robustesse de la méthode selon le niveau du bruit (SNR) et les différents catégories d'objets.

À la une

Un grand bravo à Inès Jorge qui a remporté le premier prix du jury lors de la finale régionale en...

Flux RSS

Flux RSS