Note ABES Traitement statistique d'images hyperspectrales pour la détection d'objets diffus : application aux données astronomiques du spectro-imageur MUSE Statistical hyperspectral image processing for diffuse object detection : application to the astronomical images from the spectro-imager MUSE Segmentation Détection Modèles markoviens Images hyperspectrales astronomiques Segmentation Detection Markovian modeling Astronomical hyperspectral images 006.6 519 522 Imagerie hyperspectrale Traitement d'images -- Techniques numériques Reconnaissance d'objets (informatique) Imagerie en astronomie Statistiques Nous étudions le problème de la détection et de la segmentation dans des images extrêmement bruitées. L'application est la détection, dans les données hyperspectrales astronomiques de l'instrument MUSE, de halos (localisés et homogènes dans les images) et de filaments (structures anisotropes à grande échelle). Dans un premier temps, nous. étudions le problème de détection par tests d'hypothèses dans des images hyperspectrales en nous appuyant sur des contraintes de formes spatiales, spectrales et de similarité entre spectres. Nous introduisons ensuite un modèle de champ de Markov couple convolutif, qui permet de poser le problème de détection comme le cas particulier d'un problème de segmentation, tout en apportant un a priori markovien sur la classification recherchée. Ensuite, afin de modéliser les structures orientées dans les images, nous introduisons un modèle de champ de Markov triplet permettant la segmentation simultanée des orientations et des classes. Dans le but de modéliser des structures à grande échelle dans les images, nous introduisons également un modèle d'arbre de Markov triplet permettant la prise en compte simultanée de composantes hiérarchiques inter-résolution et d'homogénéité au sein d'une résolution. Chaque modèle a été validé et comparé à l'état de l'art, puis tous ont été comparés sur des données synthétiques dans le contexte de la détection dans des images hyperspectrales astronomiques. Le manuscrit présente enfin l'analyse des résultats obtenus sur des données réelles issues de l'instrument MUSE. We study the detection and segmentation problems in extremely noised images. The main application of these works is the detection of large-scale structures in MUSE astronomical hyperspectral images, namely haloes (localized and homogenous in images) and filaments (anisotropie large-scale structures). First, we study the hypothesis-testing detection in hyperspectral images, based on spatial and spectral shape constraints as well as similarity constraints. Then, we introduce a pairwise Markov field model which allows the formulation of the detection problem as a special case of the segmentation problem while introducing a Markovian prior on the result. Next , in order to model onented structures m images, we propose a triplet Markov field model following the ià1ntsegmentation of orientations and classes in images. Finally, we study the modelling of large-scale structures in images by introducing a triplet Markov tree model handling inter-resolution dependancy jointly with homogeneity within resolutions. The two latter models were introduced in the general framework of image segmentation. Each model was validated with respect toits alternatives, then all models were compared on synthetic data in the context of detection within astronomical hyperspectral images. Finally, this document presents the analysis of the results on real MUSE images. Electronic Thesis or Dissertation Text fr PDF 9070522 https://theses.hal.science/tel-01716415 application/pdf 8777227 https://publication-theses.unistra.fr/public/theses_doctorat/2017/Courbot_Jean-Baptiste_2017_ED269.pdf http://www.theses.fr/2017STRAD031/abes https://theses.hal.science/tel-01716415 https://theses.hal.science/tel-01716415 https://theses.hal.science/tel-01716415 Courbot Jean-Baptiste 1992-05-31 FR 224479326 21414683 https://theses.fr/2017STRAD031 2017STRAD031 https://doi.org/10.70675/2645fc82z5482z4823zab66z81ebce12f6aa 2017-10-13 Traitement du signal et des images Strasbourg 131056549 Doctorat Docteur es non oui Collet Christophe MADS_DIRECTEUR_DE_THESE_1 057378738 Bacon Roland MADS_DIRECTEUR_DE_THESE_2 072327995 Michel Olivier MADS_PRESIDENT_DU_JURY 146772768 Thiébaut Éric MADS_MEMBRE_DU_JURY_1 177587350 Tourneret Jean-Yves MADS_RAPPORTEUR_1 058595643 Pieczynski Wojciech MADS_RAPPORTEUR_2 031505899 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 MA 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 UMR7357 176969721 260728 ddc:004 ddc:510 ddc:620 Collet Christophe Bacon Roland Michel Olivier Thiébaut Éric Tourneret Jean-Yves Pieczynski Wojciech École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 9070522