Luminance-Chrominance linear prediction models for color textures: An application to satellite image segmentation
Résumé
This thesis details the conception, development and analysis of a novel color texture descriptor based on the luminance-chrominance complex linear prediction models for perceptual color spaces. In this approach, two dimensional complex multichannel versions of both causal and non-causal models are developed and used to perform the simultaneous parametric power spectrum estimation of the luminance and the "combined chrominance" channels of the proposed two channel complex color image. The accuracy and precision of these spectral estimates along with the spectral distance measures ensure the robustness and pertinence of the approach for color texture classification. A luminance-chrominance spectral interference based quantitative measure for the color space comparison is also introduced. The experimental results for different test data sets, in IHLS and L*a*b* color spaces are presented and discussed. These results have shown that the chrominance structure information of the color textured images could get better characterized in L*a*b* color space and hence could provide the better color texture classification results. A Bayesian framework based on the multichannel linear prediction error is also developed for the segmentation of textured color images. The main contribution of this segmentation methodology resides in the robust parametric approximations proposed for the multichannel linear prediction error distribution. These comprised of a unimodal approximation based on the Wishart distribution and a multimodal approximation based on the multivariate Gaussian mixture models. Another novelty of this approach is the fusion of a region size energy term with the conventional Potts model energy to develop a Gibbs random field model of the class label field. This improved label field model is used for the spatial regularization of the initial class label estimates computed through the proposed parametric priors. Experimental results for the segmentation of synthetic color textures as well as high resolution QuickBird and IKONOS satellite images validate the application of this approach for highly textured images. Advantages of using these priors instead of classical Gaussian approximation and improved label field model are evident from these results. They also verify that the L*a*b* color space exhibits better performance among the used color spaces, indicating its significance for the characterization of complex textures through this approach.
Cette thèse détaille la conception, le développement et l'analyse d'un nouvel outil de caractérisation des textures exploitant les modèles de prédiction linéaire complexe sur les espaces couleur perceptuels séparant l'intensité lumineuse de la partie chromatique. Des modèles multicanaux 2-d causaux et non-causaux ont été utilisés pour l'estimation simultanée des densités spectrales de puissance d'une image " bi-canal ", le premier contenant les valeurs réelles de l'intensité et le deuxième les valeurs complexes de la partie chromatique. Les bonnes performances en terme de biais et de variance de ces estimations ainsi que l'usage d'une distance appropriée entre deux spectres assurent la robustesse et la pertinence de l'approche pour la classification de textures. Une mesure de l'interférence existante entre l'intensité et la partie chromatique à partir de l'analyse spectrale est introduite afin de comparer les transformations associées aux espaces couleur. Des résultats expérimentaux en classification de textures sur différents ensembles de tests, dans différents espaces couleur (RGB, IHLS et L*a*b*) sont présentés et discutés. Ces résultats montrent que la structure spatiale associée à la partie chromatique d'une texture couleur est mieux caractérisée à l'aide de l'espace L*a*b* et de ce fait, cet espace permet d'obtenir les meilleurs résultats pour classifier les textures à l'aide de leur structure spatiale et des modèles de prédiction linéaire. Une méthode bayésienne de segmentation d'images texturées couleur a aussi été développée à partir de l'erreur de prédiction linéaire multicanale. La contribution principale de la méthode réside dans la proposition d'approximations paramétriques robustes pour la distribution de l'erreur de prédiction linéaire multicanale : la distribution de Wishart et une approximation multimodale exploitant les lois de mélanges gaussiennes multivariées. Un autre aspect original de l'approche consiste en la fusion d'un terme d'énergie sur la taille des régions avec l'énergie du modèle de Potts afin de modéliser le champ des labels de classe à l'aide d'un modèle de champ aléatoire possédant une distribution de Gibbs. Ce modèle de champ aléatoire est ainsi utilisé pour régulariser spatialement un champ de labels initial obtenu à partir des différentes approximations de la distribution de l'erreur de prédiction. Des résultats expérimentaux en segmentation d'images texturées couleur synthétiques et d'images satellites hautes résolutions QuickBird et IKONOS ont permis de valider l'application de la méthode aux images fortement texturées. De plus les résultats montrent l'intérêt d'utiliser les approximations de la distribution de l'erreur de prédiction proposées ainsi que le modèle de champ de labels amélioré par le terme d'énergie qui pénalise les petites régions. Les segmentations réalisées dans l'espace L*a*b* sont meilleures que celles obtenues dans les autres espaces couleur (RGB et IHLS) montrant à nouveau la pertinence de caractériser les textures couleur par la prédiction linéaire multicanale complexe à l'aide de cet espace couleur.