Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for subject:(Segmentation d images). Showing records 1 – 3 of 3 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. El Asmar, Saadallah. Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches.

Degree: Docteur es, Mathématiques et applications, 2016, La Rochelle

Depuis environ une dizaine d’années, les images hyperspectrales produites par les systèmes de télédétection, “Remote Sensing”, ont permis d’obtenir des informations très fiables quant aux caractéristiques spectrales de matériaux présents dans une scène donnée. Nous nous intéressons dans ce travail au problème de la segmentation non supervisée d’images hyperspectrales suivant trois approches bien distinctes. La première, de type Graph Embedding, nécessite deux étapes : une première étape d’appariement des pixels de patchs de l’image initiale grâce à une mesure de similarité spectrale entre pixels et une seconde étape d’appariement d’objets issus des segmentations locales grâce à une mesure de similarité entre objets. La deuxième, de type Spectral Hashing ou Semantic Hashing, repose sur un codage binaire des variations des profils spectraux. On procède à des segmentations par clustering à l’aide d’un algorithme de k-modes adapté au caractère binaire des données à traiter et à l’aide d’une version généralisée de la distance classique de Hamming. La troisième utilise les informations riemanniennes des variétés issues des différentes façons de représenter géométriquement une image hyperspectrale. Les segmentations se font une nouvelle fois par clustering à l’aide d’un algorithme de k-means. Nous exploitons pour cela les propriétés géométriques de l’espace des matrices symétriques définies positives, induites par la métrique de Fisher Rao.

Hyperspectral images provided by modern spectrometers are composed of reflectance values at hundreds of narrow spectral bands covering a wide range of the electromagnetic spectrum. Since spectral reflectance differs for most of the materials or objects present in a given scene, hyperspectral image processing and analysis find many real-life applications. We address in this work the problem of unsupervised hyperspectral image segmentation following three distinct approaches. The first one is of Graph Embedding type and necessitates two steps : first, pixels of the original image patchs are compared using a spectral similarity measure and then objects obtained by local segmentations are fusioned by means of a similarity measure between objects. The second one is of Spectral Hashing or Semantic Hashing type. We first define a binary encoding of spectral variations and then propose a clustering segmentation relying on a k- mode classification algorithm adapted to the categorical nature of the data, the chosen distance being a generalized version of the classical Hamming distance. In the third one, we take advantage of the geometric information given by the manifolds associated to the images. Using the metric properties of the space of Riemannian metrics, that is the space of symmetric positive definite matrices, endowed with the so-called Fisher Rao metric, we propose a k-means algorithm to obtain a cluster partitioning of the image.

Advisors/Committee Members: Berthier, Michel (thesis director), Frélicot, Carl (thesis director).

Subjects/Keywords: Images hyperspectrales; Segmentation; Clustering; Similarité; K-means; Variétés riemanniennes; Espace SPD(d); Hyperspectral images; Segmentation; Clustering; Similarity; K-means; Riemann manifold; SPD(d) space

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

El Asmar, S. (2016). Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches. (Doctoral Dissertation). La Rochelle. Retrieved from http://www.theses.fr/2016LAROS023

Chicago Manual of Style (16th Edition):

El Asmar, Saadallah. “Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches.” 2016. Doctoral Dissertation, La Rochelle. Accessed November 19, 2019. http://www.theses.fr/2016LAROS023.

MLA Handbook (7th Edition):

El Asmar, Saadallah. “Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches.” 2016. Web. 19 Nov 2019.

Vancouver:

El Asmar S. Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches. [Internet] [Doctoral dissertation]. La Rochelle; 2016. [cited 2019 Nov 19]. Available from: http://www.theses.fr/2016LAROS023.

Council of Science Editors:

El Asmar S. Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques : Contributions to unsupervised hyperspectral image segmentation : three algebraic and geometric approaches. [Doctoral Dissertation]. La Rochelle; 2016. Available from: http://www.theses.fr/2016LAROS023


University of Illinois – Urbana-Champaign

2. Guo, Ruiqi. Scene understanding with complete scenes and structured representations.

Degree: PhD, 0112, 2014, University of Illinois – Urbana-Champaign

Humans can understand scenes with abundant detail: they see layouts, surfaces, the shape of objects among other details. By contrast, many machine-based scene analysis algorithms use simple representation to parse scenes, mainly bounding boxes and pixel labels, and apply only to visible regions. We believe we should move to deeper levels of scene analysis, embracing more a comprehensive, structured representation. In this dissertation, we focus on analyzing scenes to their complete extent and structured details. First off, our work uses a structured representation that is closer to human interpretation, with a mixture of layout, functional objects and clutter. We developed annotation tools and collected a dataset of 1449 rooms annotated in detailed 3D models. Another feature of our work is that we understand scenes to their complete extent, even parts of them beyond the line of the sight. We present a simple framework to detect visible portion with appearance-based models and then infer the occluded portion with a contextual approach. We integrate contexts from surrounding regions, the spatial prior and shape regularity of background surfaces. Our method is applicable to 2D images, and can also be used to infer support surfaces in 3D scenarios. Our complete surface prediction quantitatively out-performs relevant baselines, especially when they are occluded. Finally, we present a system that interprets from single-view RGB-D images of indoor scenes into our proposed representation. Such a scene interpretation is useful for robotics and visual reasoning but difficult to produce due to the well-known challenge of segmenting objects, the high degree of occlusion, and the diversity of objects in indoor scenes. We take a data-driven approach, generating sets of potential object regions, matching them with regions in training images, and transferring and aligning associated 3D models while encouraging them to be consistent with observed depths. To the best of our knowledge, this is the first automatic system capable of interpreting scenes into 3D models with similar levels of detail. Advisors/Committee Members: Hoiem, Derek W. (advisor), Hoiem, Derek W. (Committee Chair), Forsyth, David A. (committee member), Roth, Dan (committee member), Urtasun, Raquel (committee member).

Subjects/Keywords: Scene Understanding; Computer Vision; Machine Learning; Computer Graphics; Image Parsing; Image Segmentation; RGB-D images

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Guo, R. (2014). Scene understanding with complete scenes and structured representations. (Doctoral Dissertation). University of Illinois – Urbana-Champaign. Retrieved from http://hdl.handle.net/2142/50564

Chicago Manual of Style (16th Edition):

Guo, Ruiqi. “Scene understanding with complete scenes and structured representations.” 2014. Doctoral Dissertation, University of Illinois – Urbana-Champaign. Accessed November 19, 2019. http://hdl.handle.net/2142/50564.

MLA Handbook (7th Edition):

Guo, Ruiqi. “Scene understanding with complete scenes and structured representations.” 2014. Web. 19 Nov 2019.

Vancouver:

Guo R. Scene understanding with complete scenes and structured representations. [Internet] [Doctoral dissertation]. University of Illinois – Urbana-Champaign; 2014. [cited 2019 Nov 19]. Available from: http://hdl.handle.net/2142/50564.

Council of Science Editors:

Guo R. Scene understanding with complete scenes and structured representations. [Doctoral Dissertation]. University of Illinois – Urbana-Champaign; 2014. Available from: http://hdl.handle.net/2142/50564

3. Hasnat, Md Abul. Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur.

Degree: Docteur es, Image, Vision, Signal, 2014, Saint-Etienne

L'accès aux séquences d'images 3D s'est aujourd'hui démocratisé, grâce aux récentes avancées dans le développement des capteurs de profondeur ainsi que des méthodes permettant de manipuler des informations 3D à partir d'images 2D. De ce fait, il y a une attente importante de la part de la communauté scientifique de la vision par ordinateur dans l'intégration de l'information 3D. En effet, des travaux de recherche ont montré que les performances de certaines applications pouvaient être améliorées en intégrant l'information 3D. Cependant, il reste des problèmes à résoudre pour l'analyse et la segmentation de scènes intérieures comme (a) comment l'information 3D peut-elle être exploitée au mieux ? et (b) quelle est la meilleure manière de prendre en compte de manière conjointe les informations couleur et 3D ? Nous abordons ces deux questions dans cette thèse et nous proposons de nouvelles méthodes non supervisées pour la classification d'images 3D et la segmentation prenant en compte de manière conjointe les informations de couleur et de profondeur. A cet effet, nous formulons l'hypothèse que les normales aux surfaces dans les images 3D sont des éléments à prendre en compte pour leur analyse, et leurs distributions sont modélisables à l'aide de lois de mélange. Nous utilisons la méthode dite « Bregman Soft Clustering » afin d'être efficace d'un point de vue calculatoire. De plus, nous étudions plusieurs lois de probabilités permettant de modéliser les distributions de directions : la loi de von Mises-Fisher et la loi de Watson. Les méthodes de classification « basées modèles » proposées sont ensuite validées en utilisant des données de synthèse puis nous montrons leur intérêt pour l'analyse des images 3D (ou de profondeur). Une nouvelle méthode de segmentation d'images couleur et profondeur, appelées aussi images RGB-D, exploitant conjointement la couleur, la position 3D, et la normale locale est alors développée par extension des précédentes méthodes et en introduisant une méthode statistique de fusion de régions « planes » à l'aide d'un graphe. Les résultats montrent que la méthode proposée donne des résultats au moins comparables aux méthodes de l'état de l'art tout en demandant moins de temps de calcul. De plus, elle ouvre des perspectives nouvelles pour la fusion non supervisée des informations de couleur et de géométrie. Nous sommes convaincus que les méthodes proposées dans cette thèse pourront être utilisées pour la classification d'autres types de données comme la parole, les données d'expression en génétique, etc. Elles devraient aussi permettre la réalisation de tâches complexes comme l'analyse conjointe de données contenant des images et de la parole

Access to the 3D images at a reasonable frame rate is widespread now, thanks to the recent advances in low cost depth sensors as well as the efficient methods to compute 3D from 2D images. As a consequence, it is highly demanding to enhance the capability of existing computer vision applications by incorporating 3D information. Indeed, it has been…

Advisors/Committee Members: Alata, Olivier (thesis director).

Subjects/Keywords: Analyse d'images de profondeur; Segmentation d'images RGB-D; Classification non supervisée; Divergence de Bregman; Sélection de modèles; Distributions directionnelles; Loi de Von Mises-Fisher; Loi de Watson; Analysis depth images; RGB-D image segmentation; Unsupervised classification; Bregman divergence; Models selection; Directional distributions; Von Mises-Fisher distribution; Watson distribution

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Hasnat, M. A. (2014). Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur. (Doctoral Dissertation). Saint-Etienne. Retrieved from http://www.theses.fr/2014STET4013

Chicago Manual of Style (16th Edition):

Hasnat, Md Abul. “Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur.” 2014. Doctoral Dissertation, Saint-Etienne. Accessed November 19, 2019. http://www.theses.fr/2014STET4013.

MLA Handbook (7th Edition):

Hasnat, Md Abul. “Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur.” 2014. Web. 19 Nov 2019.

Vancouver:

Hasnat MA. Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur. [Internet] [Doctoral dissertation]. Saint-Etienne; 2014. [cited 2019 Nov 19]. Available from: http://www.theses.fr/2014STET4013.

Council of Science Editors:

Hasnat MA. Unsupervised 3D image clustering and extension to joint color and depth segmentation : Classification non supervisée d’images 3D et extension à la segmentation exploitant les informations de couleur et de profondeur. [Doctoral Dissertation]. Saint-Etienne; 2014. Available from: http://www.theses.fr/2014STET4013

.