For a stationary two dimensional random field, we utilize the classical Kolmogorov-Wiener theory to develop prediction methodology which requires minimal assumptions on the dependence structure of the random field. We also provide solutions for several non-standard prediction problems which deals with the "modified past," in which a finite number of observations are added to the past. These non-standard prediction problems are motivated by the network site selection in the environmental and geostatistical applications. Unlike the time series situation, the prediction results for random fields seem to be expressible only in terms of the moving average parameters, and attempts to express them in terms of the autoregressive parameters lead to a new and mysterious projection operator which captures the nature of edge-effects. We put forward an approach for estimating the predictor coefficients by carrying out an extension of the exponential models. Through simulation studies and real data example, we demonstrate the impressive performance of our prediction method. To the best of our knowledge, the proposed method is the first to deliver a unified framework for forecasting random fields both in the time and spectral domain without making a subjective choice of the covariance structure. Finally, we focus on the estimation of the hurst parameter for long range dependence stationary random fields, which draws its motivation from applications in the environmental and atmospheric processes. Current methods for estimation of the Hurst parameter include parametric models like fractional autoregressive integrated moving average models, and semiparametric estimators which are either inefficient or inconsistent. We propose a novel semiparametric estimator based on the fractional exponential spectrum. We develop three data-driven methods which can automatically select the optimal model order for the fractional exponential models. Extensive simulation studies and analysis of Mercer and Hall?s wheat data are used to illustrate the performance of the proposed estimator and model order selection criteria. The results show that our estimator outperforms existing estimators, including the GPH (Geweke and Porter-Hudak) estimator. We show that the proposed estimator is consistent, works for different definitions of long range dependent random fields, is computationally simple and is not susceptible to model misspecification or poor efficiency.

Dans cette thèse nous proposons de nouveaux modèles paramétriques en traitement du signal et de l'image, fondés sur la décomposition de Wold des processus stochastiques. Les approches de modélisation font appel à l'analyse fonctionnelle et harmonique, l'analyse par ondelettes, ainsi qu'à la théorie des champs stochastiques. Le premier chapitre a un caractère introductif théorique et précise les éléments de base concernant le contexte de la prédiction linéaire des processus stochastiques stationnaires et la décomposition Wold, dans le cas 1-D et multi-D. On montre comment les différentes parties de la décomposition sont obtenues à partir de l'hypothèse de stationnarité, via la représentation du processus comme l'orbite d'un certain opérateur unitaire, l'isomorphisme canonique de Kolmogorov et les conséquences sur la prédiction linéaire du théorème de Szégö et de ses extensions multidimensionnelles. Le deuxième chapitre traite une approche de factorisation spectrale de la densité spectrale de puissance qu'on utilisera pour l'identification des modèles de type Moyenne Ajustée (MA), Autorégressif (AR) et ARMA. On utilise la représentation par le noyau reproduisant de Poisson d'une fonction extérieure pour construire un algorithme d'estimation d'un modèle MA avec une densité spectrale de puissance donnée. Cette méthode d'estimation est présentée dans le cadre de deux applications: - Dans la simulation de canaux sans fil de type Rayleigh (cas 1-D). - Dans le cadre d'une approche de décomposition de Wold des images texturées (cas 2-D). Dans le troisième chapitre nous abordons la représentation et la compression hybride d'images. Nous proposons une approche de compression d'images qui utilise conjointement : - les modèles issus de la décomposition de Wold pour la représentation des régions dites texturées de l'image; - une approche fondée sur les ondelettes pour le codage de la partie "cartoon" (ou non-texturée) de l' image. Dans ce cadre, nous proposons une nouvelle approche pour la décomposition d'une image dans une partie texturée et une partie non-texturée fondée sur la régularité locale. Chaque partie est ensuite codée à l'aide de sa représentation particulière. / In this thesis we propose new parametric models in signal and image processing based on the Wold decomposition of stationary stochastic processes. These models rely upon several theoretical results from functional and harmonic analysis, wavelet analysis and the theory of stochastic fields, The first chapter presents the theoretical background of the linear prediction for stationary processes and of the Wold decomposition theorems in 1-D and n-D. It is shown how the different parts of the decomposition are obtained and represented, by the means of the unitary orbit representation of stationary processes, the Kolmogorov canonical model and Szego-type extensions. The second chapter deals with a spectral factorisation approach of the power spectral density used for the parameter estimation of Moving Avergage (MA), AutoRegressif (AR) and ARMA models. The method uses the Poisson integral representation in Hardy spaces in order to estimate an outer transfer function from its power spectral density. - Simulators for Rayleigh fading channels (1-D). - A scheme for the Wold decomposition for texture images (2-D). In the third chapter we deal with hybrid models for image representation and compression. We propose a compression scheme which jointly uses, on one hand, Wold models for textured regions of the image, and on the other hand a wavelet-based approach for coding the 'cartoon' (or non-textured) part of the image. In this context, we propose a new algorithm for the decomposing images in a textured part and a non-textured part. The separate parts are then coded with the appropriate representation.