Accéder directement au contenu Accéder directement à la navigation
Rapport

Unsupervised amplitude and texture based classification of SAR images with multinomial latent model

Koray Kayabol 1 Josiane Zerubia 1
1 ARIANA - Inverse problems in earth monitoring
CRISAM - Inria Sophia Antipolis - Méditerranée , Laboratoire I3S - SIS - Signal, Images et Systèmes
Abstract : We combine both amplitude and texture statistics of the Synthetic Aperture Radar (SAR) images for classification purpose. We use Nakagami density to model the class amplitudes and a non-Gaussian Markov Random Field (MRF) texture model with t-distributed regression error to model the textures of the classes. A non-stationary Multinomial Logistic (MnL) latent class label model is used as a mixture density to obtain spatially smooth class segments. The Classification Expectation-Maximization (CEM) algorithm is performed to estimate the class parameters and to classify the pixels. We resort to Integrated Classification Likelihood (ICL) criterion to determine the number of classes in the model. We obtained some classification results of water, land and urban areas in both supervised and unsupervised cases on TerraSAR-X, as well as COSMO-SkyMed data.
Liste complète des métadonnées

Littérature citée [74 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00612491
Contributeur : Koray Kayabol Connectez-vous pour contacter le contributeur
Soumis le : mercredi 2 mai 2012 - 16:15:23
Dernière modification le : lundi 12 octobre 2020 - 10:30:17
Archivage à long terme le : : jeudi 15 décembre 2016 - 03:54:27

Fichier

RR-7700v2.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00612491, version 2

Collections

Citation

Koray Kayabol, Josiane Zerubia. Unsupervised amplitude and texture based classification of SAR images with multinomial latent model. 2012. ⟨hal-00612491v2⟩

Partager

Métriques

Consultations de la notice

525

Téléchargements de fichiers

303