Modèles bayésiens hiérarchiques pour le traitement multi-capteur

Hierarchical bayesian models for multi-sensor processing

• Auteur / Autrice : Nicolas Dobigeon
• Direction : Jean-Yves Tourneret
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, acoustique et optimisation
• Date : Soutenance en 2007
• Etablissement(s) : Toulouse, INPT

Mots clés

Mots clés contrôlés

Rupture (statistique)

Statistique bayésienne

Mots clés libres

Traitement multi-capteur

Imagerie hyperspectrale

Méthodes MCMC

Données astronomiques

Résumé

''Afin de traiter la masse d'informations récoltée dans de nombreuses applications, il est nécessaire de proposer de nouvelles méthodes de traitement permettant d’exploiter le caractère ''multi-capteurs'' des données observées. Le sujet de cette thèse consiste à étudier des algorithmes d''estimation dans un contexte multi-capteurs dans lequel plusieurs signaux ou plusieurs images issus d'une même application sont disponibles. Ce problème présente un grand intérêt puisqu'il permet d'améliorer les performances d'estimation par rapport à une analyse qui serait menée sur chaque signal indépendamment des autres. Nous avons développé dans ce contexte des méthodes d'inférence bayésienne hiérarchique afin de résoudre efficacement des problèmes de segmentation de signaux multiples et d'analyse d'images hyperspectrales. L'utilisation de méthodes de Monte Carlo par chaînes de Markov permet alors de surmonter les difficultés liées à la complexité calculatoire de ces méthodes d'inférence. ''

In order to extract relevant information coming from multiple sensors, new signal processing techniques have to be developed. The first part of this PhD thesis studies hierarchical Bayesian estimation algorithms for the joint segmentation of multiple time series. The proposed algorithms exploit the multi-dimensional nature of the segmentation problem, which provides better performance than using segmentations applied to each signal independently of the others. The use of Markov chain Monte Carlo methods allows one to overcome the difficulties related to the computational complexity of these inference methods. The second part of the thesis studies the problem referred to as unmixing of hyperspectral images. The unmixing of hyperspectral images can be formulated as an inverse problem with appropriate constraints. The hierarchical Bayesian algorithms initially developed for the segmentation of multiple time series are adapted to this unmixing problem.