1 - Modèles de Potts et relaxation d'images de labels par champs de Markov

Show simple item record

dc.contributor.author SIGELLE (M.) en_US
dc.contributor.author RONFARD (R.) en_US
dc.date.accessioned 2005-07-22T08:56:12Z
dc.date.available 2005-07-22T08:56:12Z
dc.date.issued 1992 en_US
dc.identifier.citation Traitement du Signal [Trait. Signal], 1992, Vol. 9, N° 6-NS, p. 449-458 en_US
dc.identifier.issn 0765-0019 en_US
dc.identifier.uri http://hdl.handle.net/2042/1809
dc.description We show in this paper the deep relationship between classic models from Statistical Physics and Markovian Random Fields models used in image labelling. We present as an application a markovian relaxation method for enhancement and relaxation of previously classified images . An energy function is defined, which depends only on the labels and on their initial value . The main a priori pixel knowledge results from the confusion matrix of the reference samples used for initial classification . The energy to be minimized includes also terms ensuring simultaneous spatial label regularty, growth of some classes and disparition of some others. The method allows for example to reclassify previous rejection class pixels in their spatial environment . Last we present some results on Remote Sensing multispectral and geological ore images, comparing the performances of Iterated Conditional Modes (ICM) and Simulated Annealing (SA) . Very low CPU time was obtained due to the principle of the method, working on labels instead of gray levels .
dc.description.abstract Nous montrons dans cet article la relation profonde entre certains modèles d'énergie provenant de la Physique Statistique utilisés et les modèles utilisés en champ de Markov pour l'étiquetage d'images. Nous présentons comme application une méthode markovienne de relaxation et d'amélioration d'images préclassifiées. On définit pour cela une fonction énergie ne dépendant que des labels et de leur valeur initiale, la connaissance a priori sur l'image provenant de la matrice de confusion déduite des échantillons de référence utilisés pour la classification initiale. La fonction à minimiser inclut divers termes assurant la régularité spatiale des labels, la croissance ou la disparition de certaines classes en_US
dc.format.extent 52628 bytes
dc.format.mimetype application/pdf
dc.language.iso en_US
dc.publisher GRETSI, Saint Martin d'Hères, France en_US
dc.relation.ispartofseries Traitement du Signal
dc.rights http://irevues.inist.fr/utilisation en_US
dc.source Traitement du Signal [Trait. Signal], ISSN 0765-0019, 1992, Vol. 9, N° 6-NS, p. 449-458 en_US
dc.subject.cnrs Chaîne Markov en_US
dc.subject.cnrs Méthode calcul en_US
dc.subject.cnrs Méthode statistique en_US
dc.subject.cnrs Performance en_US
dc.subject.cnrs Etude théorique en_US
dc.subject.cnrs Modèle Potts en_US
dc.title 1 - Modèles de Potts et relaxation d'images de labels par champs de Markov en_US
dc.title.alternative Potts models and image labelling relaxation by random Markov fields
dc.type Article en_US
dc.contributor.affiliation ENST, 75634 Paris en_US
dc.contributor.affiliation DASSAULT, 92150 Suresnes en_US


Files in this item

PDF 001.PDF TEXTE.pdf 1.098Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search