Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson

Translated title of the contribution: Bayesian segmentation of piece-wise constant images corrupted by nonlinear distortion, missing data and Poisson noise

Jean-Francois Giovannelli, Yoann Altmann

Research output: Chapter in Book/Report/Conference proceedingConference contribution

Abstract

Cet article explore le problème de segmentation d’images constantes par morceaux, contaminées par un bruit de Poisson. Le travail inclut deux types de dégradations supplémentaires: pixels manquant et gain non-linéaire. Notre solution suit une approche bayésienne, ce qui permet d’assurer estimation et segmentation optimales. Un échantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explore la loi a posteriori. Les échantillons sont alors utilisés pour approcher les quantités d’intérêt, en particulier amplitudes des classes et étiquettes de segmentation. Malgré la présence des dégradations, les résultats sont encourageants et généralement proches de ceux obtenus sans dégradation.

The paper investigates the problem of segmentation of piecewise constant image corrupted by Poisson noise. A double degradation is accounted for: missing data and non-linear gain. The proposed solution follows a Bayesian strategy and a numerical approach is used to explore the intricate posterior distribution: a Gibbs sampler including a Metropolis-Hastings step. The samples generated are subsequently used to compute the amplitudes and the segmented image. The first numerical evaluation provides encouraging results despite the double degradation.
Original languageFrench
Title of host publicationXXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019)
Publication statusAccepted/In press - 27 May 2019

Fingerprint

segmentation
sampler
pixel
metropolis

Cite this

Giovannelli, J-F., & Altmann, Y. (Accepted/In press). Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson. In XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019)
Giovannelli, Jean-Francois ; Altmann, Yoann. / Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson. XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019). 2019.
@inproceedings{4066dd50d8684b598bf6829405bb58e9,
title = "Segmentation bay{\'e}sienne d’images constantes par morceaux: cas de distorsion non-lin{\'e}aire, donn{\'e}es manquantes et bruit de Poisson",
abstract = "Cet article explore le probl{\`e}me de segmentation d’images constantes par morceaux, contamin{\'e}es par un bruit de Poisson. Le travail inclut deux types de d{\'e}gradations suppl{\'e}mentaires: pixels manquant et gain non-lin{\'e}aire. Notre solution suit une approche bay{\'e}sienne, ce qui permet d’assurer estimation et segmentation optimales. Un {\'e}chantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explore la loi a posteriori. Les {\'e}chantillons sont alors utilis{\'e}s pour approcher les quantit{\'e}s d’int{\'e}r{\^e}t, en particulier amplitudes des classes et {\'e}tiquettes de segmentation. Malgr{\'e} la pr{\'e}sence des d{\'e}gradations, les r{\'e}sultats sont encourageants et g{\'e}n{\'e}ralement proches de ceux obtenus sans d{\'e}gradation.The paper investigates the problem of segmentation of piecewise constant image corrupted by Poisson noise. A double degradation is accounted for: missing data and non-linear gain. The proposed solution follows a Bayesian strategy and a numerical approach is used to explore the intricate posterior distribution: a Gibbs sampler including a Metropolis-Hastings step. The samples generated are subsequently used to compute the amplitudes and the segmented image. The first numerical evaluation provides encouraging results despite the double degradation.",
author = "Jean-Francois Giovannelli and Yoann Altmann",
year = "2019",
month = "5",
day = "27",
language = "French",
booktitle = "XXVII{\`e}me Colloque francophone de traitement du signal et des images (GRETSI 2019)",

}

Giovannelli, J-F & Altmann, Y 2019, Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson. in XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019).

Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson. / Giovannelli, Jean-Francois; Altmann, Yoann.

XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019). 2019.

Research output: Chapter in Book/Report/Conference proceedingConference contribution

TY - GEN

T1 - Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson

AU - Giovannelli, Jean-Francois

AU - Altmann, Yoann

PY - 2019/5/27

Y1 - 2019/5/27

N2 - Cet article explore le problème de segmentation d’images constantes par morceaux, contaminées par un bruit de Poisson. Le travail inclut deux types de dégradations supplémentaires: pixels manquant et gain non-linéaire. Notre solution suit une approche bayésienne, ce qui permet d’assurer estimation et segmentation optimales. Un échantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explore la loi a posteriori. Les échantillons sont alors utilisés pour approcher les quantités d’intérêt, en particulier amplitudes des classes et étiquettes de segmentation. Malgré la présence des dégradations, les résultats sont encourageants et généralement proches de ceux obtenus sans dégradation.The paper investigates the problem of segmentation of piecewise constant image corrupted by Poisson noise. A double degradation is accounted for: missing data and non-linear gain. The proposed solution follows a Bayesian strategy and a numerical approach is used to explore the intricate posterior distribution: a Gibbs sampler including a Metropolis-Hastings step. The samples generated are subsequently used to compute the amplitudes and the segmented image. The first numerical evaluation provides encouraging results despite the double degradation.

AB - Cet article explore le problème de segmentation d’images constantes par morceaux, contaminées par un bruit de Poisson. Le travail inclut deux types de dégradations supplémentaires: pixels manquant et gain non-linéaire. Notre solution suit une approche bayésienne, ce qui permet d’assurer estimation et segmentation optimales. Un échantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explore la loi a posteriori. Les échantillons sont alors utilisés pour approcher les quantités d’intérêt, en particulier amplitudes des classes et étiquettes de segmentation. Malgré la présence des dégradations, les résultats sont encourageants et généralement proches de ceux obtenus sans dégradation.The paper investigates the problem of segmentation of piecewise constant image corrupted by Poisson noise. A double degradation is accounted for: missing data and non-linear gain. The proposed solution follows a Bayesian strategy and a numerical approach is used to explore the intricate posterior distribution: a Gibbs sampler including a Metropolis-Hastings step. The samples generated are subsequently used to compute the amplitudes and the segmented image. The first numerical evaluation provides encouraging results despite the double degradation.

M3 - Conference contribution

BT - XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019)

ER -

Giovannelli J-F, Altmann Y. Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson. In XXVIIème Colloque francophone de traitement du signal et des images (GRETSI 2019). 2019