Processus ponctuels marqués et application à la...
Transcript of Processus ponctuels marqués et application à la...
Processus ponctuels marqués et application à la reconstruction de volumes de particules 3D
Olivier Alata
Lab. Hubert Curien, UMR CNRS 5516, Univ. Jean Monnet Saint-Etienne
Groupe APSSE – 24/04/2015
Le travail sur la reconstruction de volumes de particules 3D s’effectue dans le cadre de la thèse de Riadh Ben Salah,co-encadré avec L. David et L. Thomas de l’Institut Pprimes, ainsi que B. Tremblais du Lab. XLIM-SIC.
Site web : http://perso.univ-st-etienne.fr/ao29170h/
Modélisation stochastique pour le traitement du
signal et de l’image
Chaînes / Champs de Markov / Processus marqués
Prédiction linéaire nD (AR 2D) / Décomposition de Wold
Lois de mélange / Modèle linéaire généralisé
Modélisation non paramétrique (histogramme optimal)
Méthodes d’estimation Critères d’information
Méthodes stochastiques (MCMC) et adaptatives
Algorithmes type EM
Application Analyse / synthèse de processus (nD, scalaires ou vectoriels)
Classification / RdF, segmentation
Reconstruction
2
Projets en cours
Textures : AR & champs Browniens fractionnaires pour la caractérisation de matériaux par microscopie électronique à transmission.
Données hétérogènes RGB-D : mélange de distributions directionnelles (von Mises-
Fisher, Watson, …) et géométrie de l’information. Analyse des micro-expressions Suivi d’événements audio-visuels
Classification non-supervisée de données multidimensionnelles Reconstruction en Tomo-PIV …
4
MPP for image analysis(or image sequence analysis)
• Research domain: « Stochastic geometry » (GDR GeoSto - http://gdr-geostoch.math.cnrs.fr/)
• Main ideas :– Take into account the geometry (« high level » information)– Model the interaction between geometric objects
– Stochastic embedding– Reconstruction of « complex » objects using « simple » objects– « high » resolution approach (continuous space)
• Previous works : “Grouping/degrouping point process, a point process driven by geometrical and topological properties of a partition in regions”, O. Alata, S. Burg and A. Dupas. CVIU 115 (2011).
5
Exemple
R. STOICA, X. DESCOMBES AND J. ZERUBIA,
A Gibbs Point Process for Road Extraction from Remotely Sensed Images,
International Journal of Computer Vision 57(2), 121–136, 2004.
Plan
• Fondements théoriques des PPM
• Simulation à l’aide de l’algorithme RJMCMC
• Méthode tomographique de reconstruction de volumes de particules
7
Les Processus Ponctuels• Configuration : ensemble de points non ordonnés d’un espace donné muni d’une
métrique d• (, d) complet et séparable (ex. : 𝜒 = ℝ2 ou sous-ens. compact de ℝ2)• x = {x1, x2, …, xn, …}
• Nlf : famille de toutes les configurations localement finies• x est dite localement finie si elle place un nombre fini de points dans tout borélien borné A
• Définition : Un P.P. sur est une application X d’un espace probabilisé (, A, P) dans Nlf, telle que pour tout borélien A, le nombre N(A) = NX(A) de points dans A soit une v. a. finie.
• X est une v.a. à valeur dans l’espace mesurable (Nlf, Nlf) où Nlf est la plus petite -algèbre telle que pour tout borélien borné A l’application XNX(A) soit mesurable.
• La mesure de probabilité induite sur Nlf est appelée la loi de X
8
Les Processus Ponctuels
• Processus Ponctuels de Poisson (P.P.P.) :• Processus les plus élémentaires (points indépendants entre eux).
• Définition : soit 𝜈 une mesure borélienne sur (, d) telle que 𝜈()>0 et 𝜈(A)<+, pour tout borélien borné de (une telle mesure est dite localement finie). Un P.P. X sur est appelé un P.P.P. de mesure d’intensité 𝜈 si :
• P1 : N(A) suit une loi de Poisson d’espérance 𝜈(A) pour tout borélien borné A.
• P2 : Pour k boréliens disjoints A1, …, Ak, les v.a. N(A1), …, N(Ak), sont indépendantes.
• Lorsque 𝜒 = ℝ𝑛, on parle de P.P.P. homogène lorsque la mesure d’intensité est 𝛽 avec , la mesure de Lebesgue, et 𝛽 > 0. 𝜷 est appelé l’intensité du processus.
9
Les Processus Ponctuels
• Soit 𝜋𝜈 la loi de probabilité d’un Processus de Poisson sur de mesure d’intensité finie et non-atomique 𝜈 Densité de probabilité d’un P.P. est obtenue par dérivée de Radon Nikodympar rapport au Processus de Poisson de référence de mesure 𝜋𝜈 sur Nlf
[,0[: lfNp
1d lfNxxp avec
lf
n
nFxxF
F
dxdxn
Fn
1
1,,11
!
11exp
N
10
Processus Ponctuels de Markov• P.P. de Markov ou P.P. de Gibbs :
Les densités ont une forme énergétique
Construites à partir de potentiels d’interaction entre les points
• Soit une relation symétrique et réflexive sur :
2 points u et v sont voisins si u v.
Ex. : relation de proximité sur = IR2 :
u v d(u,v) R pour R 0
• Définition : le voisinage A d’un ensemble A est l’ensemble
A = {x : a A, x a }
11
Processus Ponctuels de Markov• Définition (Ripley et Kelly 77) : P.P. de Markov
Soit (, d) un espace métrique complet et séparable, v une mesure borélienne finie
et non-atomique sur (, d), et v la loi d’un processus de Poisson de mesure
d’intensité v.
Soit X un P.P. sur défini par sa densité p(.) par rapport à v. X est alors un P.P. de
Markov sous la relation symétrique et réflexive sur si, pour tout x Nlf telle que
p(x) > 0 :
- P1 : p(y) > 0 pour tout y x.
- P2 : pour tout u ,
ne dépend que de u et {u} x = {xi x : xi u }
xp
uxp
12
Processus Ponctuels de Markov• Définition : Clique
Soit une relation de voisinage symétrique et réflexive sur .
Une configuration x Nlf est appelée clique, si tous les éléments de
x sont voisins les uns des autres, c’est-à-dire si :
(u,v) x , v u
• Théorème (équivalent du Théorème d’Hammersley-Clifford) :
Une densité de P.P. est markovienne sous une
relation de voisinage ssi il existe une fonction mesurable
telle que, x Nlf :
[,0[: lfNp
[,0[: lfN
xy
yxp cliques
13
P.P. de Poisson et P.P. de Strauss• Exemples :
= IR2. Soit K muni de la mesure de Lebesgue
- avec > 0 et n(x), le nombre de points d’une configuration x.
C’est la densité du P.P.P.
permet de jouer sur l’intensité du processus
- . Densité du Processus de Strauss si :
P.P.M. sous la relation de proximité u v d(u,v) R
s(x) : nombre de paires de points en relation dans x.
xnxp
ji
ji
xn xxxp ,
0,0,
, si 1
, si ,
R
Rxxd
Rxxdxx a
ji
jia
ji
xUxsxnxs
a
xn eexp a
loglog
14
Processus Ponctuels marqués• Définition :
Soit (, d) et (, d’) 2 espaces métriques, complets et séparables.
Un P.P. marqué dont les positions sont dans et les marques dans est un P.P. sur
tel que le processus des points non-marqués soit un P.P. bien défini.
• Densité de probabilité
p 𝑦|𝜃 ∝ exp −𝑈 𝑦|𝜃
avec 𝑈 𝑦|𝜃 = 𝑈𝑑 𝑦|𝜃𝑑 + 𝑈𝑖𝑛𝑡 𝑦|𝜃𝑖𝑛𝑡 , 𝜃 = 𝜃𝑑 ∪ 𝜃𝑖𝑛𝑡
• Simulation et estimation• Comment obtenir des configurations issues de 𝑝 . |𝜃 ?
• Comment obtenir une configuration optimale ?
𝑦 = argmax𝑦∈Ω
p 𝑦|𝜃 = argmin𝑦∈Ω
𝑈 𝑦|𝜃
Plan
• Fondements théoriques des PPM
• Simulation à l’aide de l’algorithme RJMCMC
• Méthode tomographique de reconstruction de volumes de particules
MPP – simulation and estimation• Simulation
– Reversible Jump Markov Chain Monte Carlo Method (RJMCMC)• Ergodic Markov Chain with invariant law 𝑝 𝑦|𝜃• « Reversible jumps » : jumps between models with different dimensions• A Mix of transition kernels. In case of MPP, classically
– Birth / death moves– Displacement move– Change of the mark moves
– Algo : a loop based on Metropolis-Hasting-Green dynamic• Random chose of a move• Random proposition
• Acceptance following a probability computed using the ratio 𝑝 𝑦𝑝|𝜃
𝑝 𝑦|𝜃
• Estimation
– Monte Carlo method : Empirical means computed from samples
– Simulated annealing (find a configuration that maximizes 𝑝 . |𝜃 )
Green P. J., “Reversible Jump Markov Chain Monte Carlo Computation and Bayesian Model Determination,” Biometrika, vol. 82, no. 4, pp. 711–732, 1995.
17
Simulation de la loi de probabilité• Construction d’une chaîne de Markov dont la loi stationnaire est la loi objectif (ici c’est de densité p).
• Algorithme RJMCMC (Reversible Jump MCMC) (Green, 1995)
- Algorithme type Metropolis – Hasting (basée sur des transitions -réversible).
- Simulation sur des espaces dont la dimension varie (pour les P.P. : simulation de
configurations de taille variable).
- Possibilité de mélanger plusieurs noyaux de proposition.
- Le choix des noyaux de proposition influe sur la vitesse de convergence
• Noyau de transition (ou de proposition) Q(.,.)
- Soit un espace d’état
- Q est défini sur B()
- x , Q(.|x) simulable, et y , Q(dy|x) calculable.
18
Simulation de la loi de probabilité• Rapport de Green :
- f dérivée au sens de Radon-Nikodym :
avec mesure symétrique sur qui domine (dx)Q(dy|x)
• Algorithme : Soit x l’état courant
- Simuler y Q(.|x)
- Calcul du rapport de Green
- y est accepté suivant une loi de Bernouilli de paramètre min(1,R)
Si y est refusé, on garde x.
• si le noyau est symétrique, le calcul de R se simplifie.
yxf
xyfR
,
,
yx
xyQxyxf
d,d
dd,
19
Simulation de la loi de probabilité• Cas d’un P.P. :
- = Nlf
-
- Noyau Q = Pb Qb + Pd Qd avec Pb + Pd = 1
naissance : ajouter à x un point u choisi de manière uniforme dans (Qb)
mort : supprimer un point (Qd)
xxpx v dd
v
uvuxxAQ
uAb
d 1
xnuxxAQ
xu
Ad
1\
1
lflf Nv
xu
BAN
vu
BA xuxxxuvuxxBA d\dd,
1111
20
Simulation de la loi de probabilité• Si y = x {u}, u alors
et donc
• Si y = x \ {u} alors
et donc
xuvyx v ddd,d
v
uvPxxpxyQx bv
dddd
v
xpPyxf b,
xn
PxxpxyQx dv
1ddd xyx v dd,d
xn
xpPyxf d,
21
Simulation de la loi de probabilité• Rapports de Green
- Mouvement de naissance d’un point : y = x {u}, u S
- Mouvement de mort d’un point : y = x \ {u}
• Extension aux processus marqués :
- Noyaux de transition sur les marques
• Possibilité d’utiliser le Recuit simulé
yn
Sv
xp
yp
P
P
yxf
xyfR
b
d,
,
n(y) = n(x)+1
Sv
xn
xp
yp
P
PR
d
bCes rapports ne font
intervenir que les potentiels
d’interaction concernant « u »
22
Simulation Processus de Strauss
(Strauss, 1975 – Kelly & Ripley, 1976)
Utilisation de l’algorithme Reversible Jump Markov Chain Monte Carlo 𝐾 = 0,10 × 0,10 , 𝛽 = 3, 𝑟 = 0,5
𝛾𝑎 = 1PPP
𝛾𝑎 = 0,5 𝛾𝑎 = 0« hard core » process
23
Modèle d’interaction par aire(Baddeley et van Lieshout, 1995)
Figure empruntée à R. Stoica
est la réunion des d-boules de rayon r centrées
aux points de la réalisation y
ryByZ iyni
,,...,1
24
Candy modèle(van Lieshout et Stoica, 2003),(Stoica, Descombes et Zerubia, 2004)
Figure empruntée à R. Stoica
25
Simulation examples - 128128 imageNumber of iterations: 200000
PPP
= 0,02𝐸 𝑁 𝑦 = 327,68 = 𝜇𝑛𝑦
𝜇𝑛𝑦= 328,4
𝑛 𝑦 = 350, 𝑛𝑆 𝑦 = 1007
Strauss Process (R = 10)
= 0,02, 𝜸𝑺 = 𝟎, 𝟒𝐸 𝑁 𝑦 = ? 𝜇𝑛𝑦
= 99,15
𝑛 𝑦 = 105, 𝑛𝑆 𝑦 = 48
PDF example• Strauss Process with a simple mark (deterministic in that case)
𝑓 𝑦|𝜃 ∝ 𝛾𝑑𝑛𝑑 𝑦 𝛽𝑛 𝑦 𝛾𝑠
𝑛𝑠 𝑦 𝜃𝑑 = 𝛾𝑑 , 𝜃𝑖𝑛𝑡= , 𝛾𝑆𝑛𝑑 𝑦 : Nb of « badly localized » points (𝛾𝑑 ∈ 0,1 )
𝑈𝑖𝑛𝑡 𝑦|𝜃𝑖𝑛𝑡 = −𝑛 𝑦 log 𝛽 − 𝑛𝑠 𝑦 log 𝛾𝑠𝑈𝑑 𝑦|𝜃𝑑 = −𝑛𝑑 𝑦 log 𝛾𝑑
Data term computed using the following pattern:
𝑝𝑗
27
Strauss Process+Data term
= 0,02, 𝛾𝑆 = 0,4, 𝜸𝒅 = 𝟎, 𝟎𝟓 𝜇𝑛𝑦
= 33,88
Strauss Process+Data term + SA
Simulation et estimation - 128128 image
= 0,02, 𝛾𝑆 = 0,4, 𝜸𝒅 = 𝟎, 𝟎𝟓𝑻𝒊𝒏𝒊 = 𝟏, 𝟏 → 𝑻𝒇𝒊𝒏 = 𝟎, 𝟐
𝑓𝑇 𝑦|𝜃 ∝ exp 𝑛 𝑦 log 𝛽 +𝑛𝑠 𝑦 log 𝛾𝑠 + 𝑛𝑑 𝑦 log 𝛾𝑑
𝑇
28
= 4, 𝛾𝑆 = 0,4, 𝛾𝑑 = 0,05𝑛 𝑦 ≈ 58
= 0,02, 𝛾𝑆 = 0,4, 𝛾𝑑 = 0,05𝑛 𝑦 ≈ 10
Strauss Process+Data term + SA
Estimation - 128128 image
𝑓𝑇 𝑦|𝜃 ∝ exp 𝑛 𝑦 log 𝛽 +𝑛𝑠 𝑦 log 𝛾𝑠 + 𝑛𝑑 𝑦 log 𝛾𝑑
𝑇
𝑇𝑖𝑛𝑖 = 1,1 → 𝑇𝑓𝑖𝑛 = 0,2
Strauss Process+Data term + SA
Plan
• Fondements théoriques des PPM
• Simulation à l’aide de l’algorithme RJMCMC
• Méthode tomographique de reconstruction de volumes de particules
30
Principe de la Tomo-PIV
..
.
.
..
.. .
. .
.
...
.. ..
..
.
.
..
..
..
..
...
..
.
.
..
... .
.
.
.
..
. ..
...
.
.
.
..
.
.
...
. .
.
...
. .....
..
..
. .. .. .. . . ... ...
.. .
. ..
..
.
.. ..
..
..
. .. .. . .. ... .. . . ... ... .. .. . . .. . ... .. .
.. ..
. ...
. ..
.
.
...
.
...
. .. .
...
.
.... .. .. . .
. . ....
.
.. .
.. ... .. .
. . . .. . . . .. .. .. .
..
. ... ..
..
..
.
.
..
..
..
.
...
..
. .. . ..
..
. ..
.... .. .
.. . .
. . ....
..
.. .
.. ... .. .. ..
Laser
Nappe laser Caméra 2 Caméra 1
Caméra 3 Caméra 4
Sens de
l’écoulement
Grille
Particules
Lentille
y
x z
Acquisition des projections
Cam 1 Cam 2 Cam 3 Cam 4
t
t + Δt
Reconstruction tomographique
Volume à T= t Volume à T= t + Δt
Corrélation
Champ de vitesse
31
Principe de la Tomo-PIV
Exemple d’image
de projection
32
Problème (mal) posé
DonnéesImages acquises
InconnuVolume
Limitation du nombre de vues
Données insuffisantes
Problème mal posé
Caméras à hautes résolutions
Problème temps et mémoire
Conditions expérimentales
Données bruitées
Présence d’artéfacts
Densité élevée
Chevauchement des particules
(génération de particules fantômes)
Volumes parcimonieux
Caractéristiques des Particules 3D
Pas de chevauchement
33
Intro: Méthode de Reconstruction en Tomo-PIV
19702006200820092010 1976201120122013
AR
T (
Gord
on e
t al)
Tom
o-P
IV (
Els
inga e
t al)
MF
G (
Wort
h a
nd N
icke
ls)
ML
OS
(A
tkin
son a
nd S
ori
a)
MG
(D
isce
tti
and A
stari
ta)
MA
RT
(H
erm
an a
nd L
ent)
SA
-PIV
(B
elden
et a
l)
Volu
me
segm
enta
tion
(Zis
kin a
nd
Adri
an
)
IRP
(W
ienek
e)
Shak
e th
e box
(Sch
anz
et a
l)
Spar
se m
odel
(P
etra
et
al)
. . . .
Lignes de vuesLignes de vues et parcimonieOrientées
objets
34
Propriétés méthode proposée
Travailler dans un espace continu (formalisme du processus ponctuel marqué)
Orientée objet : point + marque géométrique (liée à l’intensité)
Facilité d’intégration de l’information a priori
volume
image
Particules 3D
Particules 2D Lignes
de vues
35
PPM : attache aux données
Objectif : favoriser (défavoriser) les objets bien (mal) placées par rapport aux observations
Utilisation du critère des moindres carrés :
𝑀𝑆𝐸 𝑦 ∝
𝑠∈𝑆
𝑜𝑠 − 𝑣𝑠2
S support de la donnée observée
𝑜𝑠 𝑠∈𝑆 : données observées (Pour notre étude : images acquises)
𝑟𝑠 𝑠∈𝑆 : valeurs obtenues à partir de la population y (discrétisation des objets)
Quelques développements plus tard, après suppression des termes constants :
𝑈𝑑 𝑦|𝜃𝑑 =
𝑗
𝜙𝑑,1 𝑦𝑗 +
𝑗,𝑘,𝑗<𝑘
𝜙𝑑,2 𝑦𝑗 , 𝑦𝑘
𝜙𝑑,1 𝑦𝑗 = 𝑠∈𝑆 𝑣𝑦𝑗→𝑠 𝑣𝑦𝑗→𝑠 − 2𝑜𝑠 , avec 𝑣𝑦𝑗→𝑠, valeur générée en s par 𝑦𝑗
𝜙𝑑,2 𝑦𝑗 , 𝑦𝑘 = 𝑠∈𝑆 2𝑣𝑦𝑗→𝑠𝑣𝑦𝑘→𝑠
36
PPM : énergie interne
Prise en compte d’information a priori sur la solution recherchée
Pénaliser le recouvrement des particules générées
Utilisation d’une énergie type processus de Strauss :
𝑓𝑆 𝑦 ∝ 𝛽𝑛 𝑦 𝛾𝑎𝑛𝑎 𝑦 ∝ exp 𝑛 𝑦 log 𝛽 + 𝑛𝑎 𝑦 log 𝛾𝑎
𝑈𝑖𝑛𝑡 𝑦|𝜃𝑖𝑛𝑡 = −𝑛 𝑦 log 𝛽 − 𝑛𝑎 𝑦 log 𝛾𝑎
𝛽 > 0 : intensité du PPM (en termes de nombre de points par unité de volume)
𝛾𝑎 ∈ 0,1 : paramètre permettant de pénaliser les recouvrements
𝑛𝑎 𝑦 : nombre de couples d’objets tels que 𝑝𝑗 − 𝑝𝑘 2≤ 𝑟𝑗 + 𝑟𝑘
𝜃𝑖𝑛𝑡 = 𝛽, 𝛾𝑎
37
Méthode proposée: IOD-PVRMPP
IOD : Initialization by Object Detection
Obtention d’une configuration de particules 2D (𝐾 ⊂ ℝ2) pour chaque image acquise
Recherche des particules 2D épipolaires
Obtention d’une population de particules 3D initiale
PVRMPP : Particle Volume Reconstruction by Marked Point Process
Obtention d’une configuration de particules 3D (𝐾 ⊂ ℝ3)
Pour les cas 2D et 3D, utilisation d’un recuit simulé exploitant l’algorithme RJMCMC
(Reversible Jump Markov Chain Monte Carlo)
Mouvements de naissance et de mort
Mouvement de modification de la position (translation ou déplacement)
Mouvement(s) de modification(s) de la marque
38
PVRMPP organigramme
Remarque : pour un recuit simulé, diviser les termes de l’énergie (sauf le terme associé à
l’intensité du processus) par la température et faire décroitre lentement la température
d’une température initiale, 𝑇0, vers une température finale, 𝑇𝑓.
Tirage d’un
mouvementMvt ?
Choisir la
particule 3d à tuer
dans le volume
mort
naissance
Créer une particule
3d à rajouter dans
le volume
Projeter la particule
sur les images
Calcul des
paramètres
d’acceptation
du mouvement
Choisir la
particule 3d à
déplacer dans
le volumedép
lace
men
t
Mettre à jour
la
population
3d
Po
pu
lati
on
init
iale
3d
accepter
?
Vo
lum
e
reco
nst
ruit
non
Oui
39
Résultats expérimentaux Données simulées
Taille données : 500 × 500 × 150Densités variant de 0,0004 à 0,2 particules par pixel (𝑁𝑝 varie de 100 à 50000)
Comparaison MinLOS-MART
Configuration PVRMPP
𝑓𝑏 Proba naissance
𝑓𝑑 Proba mort
𝑓𝑏𝑑 Proba nais. / mort
𝑓𝑡𝑟 Proba translation
𝑓𝑚 + 𝑓𝑏𝑑 = 1
𝑓𝑏 + 𝑓𝑑 = 1
𝑇𝑓 = 0,02
𝑇𝑡 = 𝑇0𝑞𝑡
𝑞 =𝑇𝑓
𝑇0
1𝑁𝑖𝑡
40
Résultats expérimentaux
(a) MinLOS - MART (b) Reference (c) IOD - PVRMPP
Exemple de résultats à partir d’une zone d’image générée
Densité : 0,05 ppp (12500 particules)
Taille image visualisée 150 × 150
41
Evaluation de la qualité de reconstruction évaluée à l’aide du coefficient de corrélation
Résultats expérimentaux
42
Nombre de particules fantômes
Résultats expérimentaux
43
Moyenne des erreurs de positions des particules
Résultats expérimentaux
44
Conclusion
Approche « orientée-objet »
Formalisme des P.P.M. adapté à la reconstruction de particules
Méthode bayésienne utilisant les processus ponctuels marqués
Basée sur la dynamique RJMCMC (optimisation avec le recuit simulé)
Résultats meilleurs que ceux de la méthode MinLOS-MART pour des densités de particules
allant jusqu’à 0.05 ppp (sur cas simulés)
Application sur un cas expérimental réel : "mesure volumique d'un écoulement dans un
canal turbulent de surface libre derrière une grille"
Comparaison à d'autres techniques parcimonieuses type IPR (Iterative Particle
Reconstruction). Wieneke B., “Iterative reconstruction of volumetric particle distribution,” Measurement Science
and Technology, vol. 24, no. 2, pp. 024008, 2013.
Projects using MPP• Unsupervised clustering.
Collaboration with Ahmed Moussa (Ensa Tanger, Maroc)
46
Quelques référencesProcessus Ponctuels & Processus Ponctuels marqués
• Geyer, C. 1999. Likelihood inference for spatial point processes. In StochasticGeometry, Likelihood and Computation, O.E. Barndoff-Nielsen, W.S. Kendall and M.N.M. van Lieshout (Eds.) Chapmann and Hall: London.
• Møller, J. 1999. Markov Chain Monte Carlo and spatial point processes. In StochasticGeometry, Likelihood and Computation, O.E. Barndoff-Nielsen, W.S. Kendall and M.N.M. van Lieshout (Eds.) Chapmann and Hall: London.
• van Lieshout, M.N.M. (2000). Markov point processes and their applications. Imperial College Press/World Scientific Publishing.
• X. Descombes , « Méthodes stochastiques en analyse d’image : des champs de Markov aux processus ponctuels marqués », HDR, 2004.
• M. Ortner, X. Descombes & J. Zerubia, « Building Outline Extraction from Digital Elevation Models Using Marked Point Processes », International Journal of Computer Vision 72(2), 107–132, 2007
• G. Perrin, Etude du Couvert Forestier par Processus Ponctuels Marqués, Thèse de Doctorat Ecole Centrale de Paris, 2006.
• R. Stoica, E. Gay, and A. Kretzschmar, « Cluster Pattern Detection in Spatial Data Based on Monte Carlo Inference », Biometrical Journal 49 (2007) 4, 505–519.
Merci ! Des questions ?
Ces travaux rentrent dans le cadre du projet européen AFDAR (Advanced Flow
Diagnostics for Aeronautical research). Ils ont été fiancés par le programme de
la commission Européenne FP7, grant n265695 et le projet FEDER n34754