Browsing by Author "Zikiou, Nadia"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Application d’un apprentissage SVM pour le codage d’images hyperspectrales.
    (Université Mouloud Mammeri, 2014) Zikiou, Nadia
    Le travail présenté dans ce mémoire vise à proposer une approche de compression d’images hyperspectrales. Pour se faire, nous proposons un nouveau algorithme de compression d’images en utilisant la régression SVM (Machine à Vecteur de Support ou Séparateur à Vaste Marge) appliquée dans le domaine des ondelettes biorthogonales. L’image originale est décomposée par la transformée en ondelettes discrètes biorthogonales en approximations et détails (horizontaux, verticaux et diagonaux). La compression est réalisée en utilisant un codage différentiel DPCM sur les approximations des coefficients d’ondelettes afin de préserver l’information pertinente de l’image originale et les détails sont compressés en utilisant la régression SVM avec le modèle ‘epsilon-SVR’. Les codages ‘Run Length’ et arithmétique sont appliqués pour le codage des vecteurs de support (SVs) et leurs poids (weigths) correspondants. L’application de notre algorithme de compression sur un ensemble d’images tests a permis d’atteindre un rapport de compression de 18.37 pour un PSNR de 31.32 dB sur l’image "Lena". La comparaison entre les PSNR et les rapports de compression de quelques types de noyaux ‘epsilon-SVR’ appliqués sur plusieurs images tests, montre que cette méthode permet d’atteindre des rapports de compression élevés avec une très bonne qualité des images. Aussi, nous avons met à profit les meilleurs paramètres obtenus par l’application de cet algorithme sur ces images tests pour les appliquer sur des images hyperspectrales ; nous avons utilisé une séquence de 32 canaux de la scène Yellowstone, acquise en 2006. Les résultats de cette application ont atteint un PSNR moyen de 38.22 dB pour un rapport de compression moyen de 48.7.
  • Thumbnail Image
    Item
    Classification et compression de textures hyperspectrales par représentations parcimonieuses
    (UNIVERSITE MOULOUD MAMMERI TIZI-OUZOU, 2020-10-15) Zikiou, Nadia
    L'imagerie hyperspectrale enregistre des centaines de bandes spectrales étroites et contigües reçues dans chaque position spatiale de l'image. Comme chaque matériau manifeste une signature spectrale différente, l'imagerie hyperspectrale permet la classification précise des images, ce qui est une tâche importante dans beaucoup de domaines. Cependant, la grande dimension de ces images complique l'analyse des données. Dans cette dissertation, nous proposons et développons des nouvelles méthodes et algorithmes pour la compression et classification précise des données hyperspectrales. D'abord, une représentation parcimonieuse de la texture hyperspectrale basée sur la transformée en ondelettes discrète 3D et la régression SVM (SVR) est étudiée pour la compression des images hyperspectrales. Les ondelettes et les SVM sont deux outils efficaces pour la compression des données de grande dimension et pour l'analyse contextuelle d'images. Dans un second temps, nous avons propose une méthode de classification qui utilise des voisinages spatiaux représentatifs dérivées des résultats d'une étude de similarité par la transformée en ondelettes spectrales sur graphe (SGWT). Nous avons proposé plusieurs méthodes de sélection basées sur un calcul de distance afin de sélectionner les pixels représentatifs de la façon la plus fiable possible. Nous avons appliqué ensuite une classification SVM sur les coefficients obtenus. Cette thèse détaille donc deux parties : La compression des images hyperspectrales par 3D-DWT+SVR et la classification des textures hyperspectrales par SGWT+SVM. Pour la compression de données hyperspectrales nous présentons une application de représentation parcimonieuse dans le cadre de compression d'image hyperspectrale avec perte. Cette méthode prend en compte les informations spectrales tout en préservant les informations les plus pertinentes de l'image. Elle est basée sur la transformée en ondelettes 3D et la régression des vecteurs supports (SVR). Le schéma de la méthode proposée est donné sur la figure suivante.