Advanced Methods for high resolution SAR information extraction : data and user-driven evaluation approaches for Image Information Mining - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2011

Advanced Methods for high resolution SAR information extraction : data and user-driven evaluation approaches for Image Information Mining

Méthodes avancées pour l'extraction d'informations a partir des images à haute résolution SAR: Méthodes d'évaluation guidées par les modèles utilisateur et par la structure des données.

Résumé

We are concerned in this thesis by the problem of Image Information Mining (IIM) for exploitation and understanding of high resolution Synthetic Aperture Radar (SAR) data. Advances in this field of research contribute to the elaboration of tools for interactive exploration and extraction of the image content. In this context, analyzing and evaluating adequate image models and image information extraction methods according to user conjectures, constitute challenging issues. Our work contributes with solutions to high resolution SAR modeling and content estimation with a data-driven evaluation approach, and with the design of image mining scenarios by involving the user and his conjectures, achieved through an user-driven evaluation approach. To represent the data and to allow extracting the information, we focus on the properties of high resolution SAR images and how the stochastic models can represent and characterize the image content through a parameter estimation step. We perform a datadriven evaluation and validation of automatic information extraction methods for high resolution SAR scenes based on Gibbs Random Field (GRF) models. Specifically, Gauss Markov Random Field (GMRF) and Auto-binomial (ABM) models are implemented in information extraction methods following the two levels of Bayesian inference : model fitting and model selection. Both methods provide as results the speckle-free image and its structure parameters. In order to assess the quality of these methods, we perform detection tests on classes such as cities, vegetation, and water bodies ; using specific qualitative metrics to quantify the quality of speckle removal. The accuracy of modelling and characterization of the image content are determined using both supervised and unsupervised classifications, and confusion matrices.We conclude that both methods enhance the image during the despeckling process. The GMRF model is more suitable for natural scenes and the ABM model for man-made structures. However, evaluating the information extraction methods is not enough for a complete validation of IIM systems, as we need to adapt to the user conjectures by designing validation scenarios and assessing the user satisfaction degree as well as the effectiveness of the retrieval process. We design and generate two study cases, which reflect the user needs in solving rapid mapping applications. The end-user is included in the loop in the user-driven evaluation approach by creating the two evaluation scenarios in the framework of disaster monitoring : oil spill and flood detection. The scenarios are carried out using ScanSAR and High Resolution Spotlight TerraSAR-X products, respectively. Quantitative metrics such precision and recall are used as figures of merit. In order to have measurements about the user satisfaction degree, a group of evaluators are asked to qualitatively rank the retrieved results.We conclude that the effectiveness of the retrieval process is more than 80 percent and the degree of user satisfaction is good for both scenarios.
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.
Fichier principal
Vignette du fichier
These_EspinozaMolina_Daniela.pdf (9.13 Mo) Télécharger le fichier
Loading...

Dates et versions

pastel-00676833 , version 1 (06-03-2012)

Identifiants

  • HAL Id : pastel-00676833 , version 1

Citer

Daniela Espinoza Molina. Advanced Methods for high resolution SAR information extraction : data and user-driven evaluation approaches for Image Information Mining. Image Processing [eess.IV]. Télécom ParisTech, 2011. English. ⟨NNT : ⟩. ⟨pastel-00676833⟩
438 Consultations
1551 Téléchargements

Partager

Gmail Facebook X LinkedIn More