Segmentation-déconvolution d'images texturées: gestion des incertitudes par une approche bayésienne hiérarchique et un échantillonnage stochastique

Séminaire le 9 Juillet 2019, 16h30 à CentraleSupelec (Gif-sur-Yvette) Salle du conseil du L2S - B4.40
Jean-François Giovannelli

Résumé : La présentation concerne la déconvolution-segmentation conjointe pour des images présentant des texturées orientées. Les images sont constituées de régions présentant des patchs de textures appartenant à un ensemble de K classes prédéfinies. Chaque classe est modélisée par un champ gaussien piloté par une densité spectrale de puissance paramétrique de paramètres inconnus. Par ailleurs, les labels de classes sont modélisés par un champ de Potts de paramètre est également inconnu. La méthode repose sur une description hiérarchique et une stratégie d'estimation conjointement des labels, des K images texturées, ainsi que des hyperparamètres: niveaux du bruit et des images ainsi que paramètres de texture et du champ de Potts. La stratégie permet de définir des estimateurs optimaux au sens d'un risque joint: maximiseur ou moyenne a posteriori selon les paramètres. Ils sont évalués numériquement à partir d'échantillons de loi a posteriori, eux-mêmes obtenus par un algorithme de Gibbs par bloc. Deux des étapes sont délicates: (1) le tirage des images texturées, gaussiennes de grande dimension, est réalisé par un algorithme de Perturbation-Optimization [a] et (2) le tirage des paramètres des images texturées obtenu par une étape de Fisher Metropolis-Hastings [b]. On donnera plusieurs illustrations numériques notamment en terme de quantification des incertitudes. Le travail est publié dans [c].
[a] F. Orieux, O. Féron and J.-F. Giovannelli, "Sampling high-dimensional Gaussian distributions for general linear inverse problems", Signal Processing Letters, May 2012.
[b] C. Vacar, J.-F. Giovannelli, Y. Berthoumieu, "Langevin and Hessian with Fisher approximation stochastic sampling for parameter estimation of structured covariance" ICASSP 2011.
[b'] M. Girolami, B. Calderhead, "Riemannian manifold Hamiltonian Monte Carlo", Journal of the Royal Statistical Society, 2011.
[c] C. Vacar and J.-F. Giovannelli, "Unsupervised joint deconvolution and segmentation method for textured images: A Bayesian approach and an advanced sampling algorithm", EURASIP Journal on Advances in Signal Processing, 2019

Short bio : Jean-François Giovannelli was born in Beziers, France, in 1966. He received the Dipl. Ing. degree from the Ecole Nationale Supérieure de l'Electronique et de ses Applications, Cergy, France, in 1990, and the Ph.D. degree and the H.D.R. degree in signal-image processing from the Universite Paris-Sud, Orsay, France, in 1995 and 2005, respectively. From 1997 to 2008, he was an Assistant Professor with the Universite Paris-Sud and a Researcher with the Laboratoire des Signaux et Systemes, Groupe Problèmes Inverses. He is currently a Professor with the Universite de Bordeaux, France and a Researcher with the Laboratoire de l'Integration du Matériau au Système, Groupe Signal-Image, France. His research focuses on inverse problems in signal and image processing, mainly unsupervised and myopic problems. From a methodological standpoint, the developed regularization methods are both deterministic (penalty, constraints,...) and Bayesian. Regarding the numerical algorithms, the work relies on optimization and stochastic sampling. His application fields essentially concern astronomical, medical, proteomics, radars and geophysical imaging.