5 - Segmentation Markovienne vectorielle non supervisée d'images radar polarimétriques

Show full item record

Files in this item

PDF 005.PDF TEXTE.pdf 1.861Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/2011
Title: 5 - Segmentation Markovienne vectorielle non supervisée d'images radar polarimétriques
Author: EL ASSAD (S.); SAAD (A.); BARBA (D.)
Abstract: La segmentation des images ROS (Radar à Ouverture Synthétique) consiste à produire une partition de l'image initiale en classes possédant certaines caractéristiques d'homogénéité au sens de la rétrodiffusion. Elle se pose en préalable à la plupart des schémas d'interprétation et de décision. Parmi les différentes techniques de segmentation possibles, nous avons privilégié celles basées sur une modélisation markovienne. A cet effet, un modèle statistique des images ROS polarimétriques est utilisé pour les segmenter en classes homogènes ayant chacune des caractéristiques de rétrodiffusion similaires. Cette segmentation utilise l'estimateur MAP (Maximum A Posteriori) que nous avons implémenté soit par l'algorithme déterministe ICM Modifié (Iterative Conditional Modes), soit par l'algorithme stochastique RS (Recuit Simulé). L'estimateur MAP correspond à la maximisation de la probabilité a posteriori de l'image d'un champ d'étiquettes de segmentation conditionnellement à la mesure faite. Pour cela un champ aléatoire de Markov représentant la distribution des étiquettes des classes est combiné avec un modèle (distribution Gaussienne ou distribution-K) représentant la distribution des données polarimétriques pour chacune des classes données. L'estimation des paramètres du modèle est non supervisée. Elle est basée sur une partition non contextuelle de l'image initiale obtenue par un groupement multidimentionnel des vecteurs caractéristiques soit par les algorithmes CMFMAP-NSO (Centres Mobiles Flous Non Supervisée et Optimale) et CMF-NS, soit par la méthode MV (Maximum de Vraisemblance) implémentée par l'algorithme SEM (Stochastic Estimation Maximisation). Les résultats de partition initiale et de segmentation obtenus sur une image mono-vue polarimétrique de la forêt des Landes, démontrent l'aptitude de l'algorithme proposé CMFMLAP-NSO à fournir une partition de bonne qualité d'une part et la capacité de l'algorithme ICM à affiner cette partition et à produire une segmentation de meilleure qualité d'autre part.
Description: statistical image model is used for segmenting polarimetric synthetic aperture radar (SAR) data into regions of homogeneous polarimetric backscatter characteristics . A model for the conditional distribution of the polarimetric complex data is combined with a Markov random field representation for the distribution of the region labels, to obtain the a posteriori distribution. Optimal region labels of the data are those which maximize the a posteriori distribution of the region labels given the polarimetric complex data . Implementation of the MAP (Maximun A Posteriori) technique is accomplished either by the modified deterministic ICM (Iterative Conditional Modes) algorithm or by the stochastic SA (Simulated Annealing) algorithm . Unsupervised parameter estimation procedures are obtained either by the CMFMAP-NSO (unsupervised fuzzy partition - optimal number of classes) and CMF-NS or by SEM (Stochastic Estimation Maximization) algorithm . The CMFMAP-NSO algorithm performs well in situations of large variability of cluster shapes, and densities . Results, using fully polarimetric SAR forest data, obtained by the CMFMAP-NSO following by the ICM algorithm with a K_ distribution model are quite satisfactory .
Subject: Traitement image; Segmentation; Radar ouverture synthétique; Modèle Markov; Estimation a posteriori; Estimation paramètre; Classification; Maximum vraisemblance
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 1997

This item appears in the following Collection(s)

Show full item record





Advanced Search