Actes - Climato.be

XIX e Colloque de l’Association Internationale de Climatologie
Conclusion
Dans cet article, nous avons présenté une méthode de contours actifs dédiée à l’extraction de
contours texturés et nous l’avons appliquée au cas des brises de mer. Nous avons fait le choix
d’intégrer l'information de texture par l'intermédiaire d’une décomposition en paquets
d’ondelettes de l'image, en utilisant la densité gaussienne généralisée pour modéliser les
distributions des coefficients d’ondelettes et la mesure de similitude de Kullback-Leibler. Les
différentes bandes de la décomposition peuvent par ailleurs traiter correctement les
phénomènes de transparence. Cette technique a été validée sur un exemple réel. L’intérêt
d’une méthode automatique de détection du front de brise de mer est de pouvoir analyser le
comportement diurne et saisonnier de l’évolution du front en apportant une quantité
d’information spatio-temporelle nettement supérieure aux mesures issues d’informations
locales et éparses.
Bibliographie
BIGOT S., PLANCHON O., 2003 : Identification and characterization of sea breeze days in northern france using
singular value decomposition. Int. J. of Climatology, 23 (11), 1397–1405.
CANNY J.F., 1986 : A computational approach to edge detection. IEEE Trans.Pattern Anal. Machine Intell., 8,
(6), 769–798.
DAMATO, F., PLANCHON, O., DUBREUIL, V., 2003 : A remote sensing study of the inland penetration of sea
breeze fronts from the English Channel. Weather, 58 (6), 219-226.
DERICHE R., 1987 : Using Canny’s criteria to derive a recursivley implemented pimal edge detector. Int. J.
Computer Vision, 1 (2), 187–167.
KASS M., WITKIN A., TERZOPOULOS D., 1987 : Snakes: Active contour models. Int. J. Computer Vision, 1 (4),
321–331.
COHEN L.D., 1991 : On active contour models and balloons. CVGIP: Image Understanding, 53 (2), 211–218.
CASELLES V., KIMMEL, R., SAPIRO, G., 1997 : Geodesic active contours. Int. J. Computer Vision, 22 (1), 61–79.
CORPETTI T., PLANCHON O., DUBREUIL V., 2006 : Detection of the sea breeze front from satellite images using
an active contour method and wavelets. International Geoscience and Remote Sensing Symposium,
IGARSS '06, 2006 IEEE International, Denver, USA (à paraître).
CROSS G., JAIN, A., 1983 : Markov random field texture models. IEEE Trans. Pattern Anal. Machine Intell., 5,
25–39.
GABOR D., 1946 : Theory of communications. IEE proceedings, 93 (26).
MALLAT S.G., 1989 : Multiresolution approximations and wavelet orthonormal bases of L2(R). Trans. Amer.
Math. Soc., 315, 69–87.
AUJOL J.F., AUBERT G., BLANC-FRAUD L., 2003 : Wavelet-based level set evolution for classification of textured
images. IEEE Trans. Image Processing, 12 (12), 1634–1641.
PARAGIOS N., R. DERICHE, R., 2002 : Geodesic active regions and level set methods for supervised texture
segmentation. Int. J. Computer Vision, 46 (3), 2223–2247, 2002.
UNSER M., 1995 : Texture classification and segmentation using wavelet frames. IEEE Trans. Image Processing,
4 (11), 1549– 1560.
MALLAT S.G., 1998 : A wavelet tour of signal processing. Academic Press, San Diego.
VARANSI M.K., AAZHANG B., 1989 : Parametric generalized gaussian density estimation. J. Acoust. Soc. Amer.,
86, 1404–1415.
DO M., VETTERLI, M., 2002 : Wavelet-based texture retrieval using generalized gaussian density and kullbackleibler
distance. IEEE Trans. Image Processing, 11 (2), 146–158.
183