Auteur(s) : Mazet Vincent
Directeur(s) : Collet Christophe
Date de création : 30-06-2019

Résumé(s) : Ce mémoire résume les principaux travaux de recherche effectués depuis ma thèse de doctorat. Le problème considéré est la décomposition conjointe de plusieurs signaux en motifs paramétrés, avec l’originalité que les paramètres de ces motifs évoluent lentement à travers les signaux. Ce problème se retrouve en spectroscopie de photoélectrons, où les données sont une séquence temporelle de signaux spectroscopiques et les motifs sont modélisés par des gaussiennes. Ce problème se retrouve également en imagerie multispectrale astronomique, où chaque pixel des images est un signal spectroscopique où les motifs sont les les raies d’émission. Dans un premier temps, l’approche bayésienne permet de modéliser le problème, et l’optimisation est effectuée à l’aide d’un échantillonneur de Gibbs ou de l’algorithme RJMCMC, selon que le nombre de motifs est connu ou non. Dans un deuxième temps, nous explorons l’utilisation d’une modélisation parcimonieuse qui donne des résultats tout aussi satisfaisants mais bien plus rapidement et avec le bénéfice d’être plus simple à mettre en oeuvre., This thesis resumes the main works studied since my Ph.D. We consider the problem of the joint decomposition of several signals in parameterized patterns, with the originality that the pattern parameters evolve slowly through the signals. This problem originates from photoelectron spectroscopy, where data are a temporal sequence of spectroscopic signals whose patterns are modelled by Gaussians. Also, this problem is found in multispectral imaging in astronomy, where each pixel in the image is a spectroscopic signal whose patterns are the emission lines. On the one hand, a Bayesian approach is used to model the problem, and the optimization is done using a Gibbs sampler or the RJMCMC algorithm, whether the pattern number is known. On the other hand, we study the use of sparse approximation which yields satisfactory results while being faster and simpler to implement.
Discipline : Signal, image, automatique,robotique | SIAR
Mots-clés libres : Statistique bayésienne, Traitement du signal Techniques numériques, Imagerie multispectrale, 621.382 2, 519.542
Couverture : FR