Nous nous sommes intéressés au problème de l'extraction d'information dans des images (Image Information Mining IIM) pour Mieux comprendre et exploiter des données en provenance du high resolution Synthetic Aperture Radar (SAR) les avancements dans ce champ de recherche contribuent à l'élaboration d'outils d'exploration interactive et l'extraction du contenu de l'image Dans ce contexte , analyser et évaluer les modèles d'image et méthodes d'extraction d'information adéquats selon les conjectures de l'utilisateur, constituent des problèmes difficiles. Notre travail contribue avec des solutions pour la modélisation de SAR de haute résolution et pour l'estimation du contenu en utilisant une approche d'évaluation pilotés par les données (data-driven), et avec la conception de scénarios pour l'extraction d'information dans des images en y associant l'utilisateur et ses conjectures, réalisée par une approche d'évaluation axée sur l'utilisateur. Pour représenter les données et pour permettre l'extraction de l'information, nous nous concentrons sur les propriétés des images à haute résolution SAR et comment les modèles stochastiques peuvent représenter et caractériser le contenu de l'image après une étape d'estimation des paramètres. Nous réalisons une évaluation et une validation guidée par les données des méthodes d'extraction automatique d'informations pour des scènes en haute résolution SAR basée sur le modèle Gibbs Random Field (GRF). Plus précisément, des modèles Gauss Markov Random Field (GMRF) et Auto-binomial (ABM) sont mis en place dans les méthodes d'extraction d'information suite aux deux niveaux d'inférence bayésienne: ajustement du modèle et sélection du modèle. Les deux méthodes donnent comme résultat une image sans tache (speckle-free) et ses paramètres de la structure. Afin d'évaluer la qualité de ces méthodes, nous réalisons des tests de détection sur des classes telles que les villes, la végétation et des plans d'eau; en utilisant des paramètres qualitatifs spécifiques pour quantifier la qualité de l'enlèvement de la tâche (speckle) La précision de la modélisation et la caractérisation du contenu de l'image sont déterminées en utilisant des classifications supervisées et non supervisées, et les matrices de confusion. Nous concluons que les deux méthodes améliorent l'image pendant le processus de nettoyage de l'image. Le modèle GMRF est plus approprié pour les scènes naturelles et le modèle ABM pour les structures artificielles (man-made). Toutefois, l'évaluation des méthodes d'extraction d'information ne suffit pas pour une validation complète de systèmes de type IIM, parce que nous devons nous adapter aux conjectures de l'utilisateur en créant des scénarios de validation et en évaluant le degré de satisfaction des utilisateurs ainsi comme l'efficacité du processus de récupération. Nous concevons et générons deux cas d'étude, qui reflètent les besoins des utilisateurs dans la résolution rapide d'applications de cartographie. L'utilisateur final est inclus dans la méthode d'évaluation en créant deux scénarios d'évaluation dans le cadre de la surveillance des catastrophes: détection des déversements de pétrole et d'inondation. Les scénarios sont effectués en utilisant des produits ScanSAR et High Resolution Spotlight TerraSAR-X, respectivement. Les métriques quantitatives comme la précision et le rappel (recall) sont utilisés comme facteurs de qualité Afin d'avoir des mesures sur le degré de satisfaction des utilisateurs, un groupe d'évaluateurs sont invités à classer de façon qualitative les résultats récupérés. Nous concluons que l'efficacité du processus de récupération est supérieure à 80 pour cent et le degré de satisfaction des utilisateurs est bonne pour les deux scénarios.
| Identifer | oai:union.ndltd.org:CCSD/oai:pastel.archives-ouvertes.fr:pastel-00676833 |
| Date | 16 May 2011 |
| Creators | Espinoza Molina, Daniela |
| Publisher | Télécom ParisTech |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | English |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0515 seconds