| Titre : | Gaussian process for image classification |
| Auteurs : | Houda HASSOUNA, Auteur ; Zouhir Mokhtari, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2016 |
| Format : | 1 vol. (148 p.) / couv. ill. / 30 cm |
| Langues: | Anglais |
| Mots-clés: | Gaussian processes, image classiÖcation, Laplace approximation, spatial contextual information. |
| Résumé : |
Compared to state-of-the-art classiÖers, the Gaussian process classiÖer (GPC) o§ers several attractive properties. For instance, their Bayesian nature gives the possibility to integrate any kind of prior information in the classiÖcation process. They allow a full automatic estimation of the hyperparameters. Feature selection may be part of the learning process by using appropriate kernels. Moreover, in addition to the class posterior probability estimate used to perform the decision, they yield a variance estimate that can be exploited as a conÖdence value on the provided decision. In order to improve the GPC capabilities, in this thesis, we propose to reformulate the GPC learning model so as to integrate spatial contextual information. Though it has been shown for numerous other classiÖcation approaches that the exploitation of such information can be potentially attractive to increase the classiÖcation accuracy, little attention has been given to do so for GPC. All the mathematical developments leading to the proposed Spatial GPC (SGPC) are described. Experimental results show that the SGPC can help in improving the classiÖcation accuracy compared to the baseline GPC |
| Sommaire : |
Abstract i RÈsumÈ ii Acknowledgement iii Symbols and Abbreviations v Table of Contents ix List of Figures xii List of tables xiv General Introduction 1 1 Generalities on images processing 4 1.1 DeÖnition of the image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 DeÖnition of the digital image . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Types of images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 Raster image (bitmap) . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Vector image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Tagged Image File Format (TIFF) . . . . . . . . . . . . . . . . . . . . . . . 7 1.4.1 Concepts and deÖnitions . . . . . . . . . . . . . . . . . . . . . . . . 7 1.5 The colors coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.1 The binary images (black and white) . . . . . . . . . . . . . . . . . 10 1.5.2 The grayscale images . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.3 The colors images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6 Format of images Öles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.1 Windows BitMaP (BMP) . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.2 Tagged Image File Format (TIFF) . . . . . . . . . . . . . . . . . . 12 1.6.3 Joint Photographic Expert Group (JPEG) . . . . . . . . . . . . . . 12 1.6.4 Graphics Interchange Format (GIF) . . . . . . . . . . . . . . . . . . 12 1.6.5 Portable Network Graphic (PNG) . . . . . . . . . . . . . . . . . . . 12 1.7 Some processing of images . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Binarization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.2 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.3 Skeletonization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.4 Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.7.5 Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.7.6 Mathematical morphology . . . . . . . . . . . . . . . . . . . . . . . 16 2 Gaussian Process 23 2.1 A brief history of Gaussian process . . . . . . . . . . . . . . . . . . . . . . 24 2.2 Gaussian process deÖnition . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3 Examples of Gaussian process . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.1 Brownian motion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.2 Brownian bridge . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.3 Process of Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . . . . . . 28 2.3.4 Geometric Brownian . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.5 Gaussian white noise . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.3.6 Fractional Brownian motion . . . . . . . . . . . . . . . . . . . . . . 29 2.4 Covariance functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.5 Examples of covariance functions . . . . . . . . . . . . . . . . . . . . . . . 31 2.5.1 Stationary covariance functions . . . . . . . . . . . . . . . . . . . . 31 2.5.2 Non-stationary covariance functions . . . . . . . . . . . . . . . . . . 39 3 Gaussian Process ClassiÖcation 41 3.1 ClassiÖcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2 Baysian classiÖcation with Gaussian process . . . . . . . . . . . . . . . . . 44 3.3 Laplace approximation for binary GP classiÖer . . . . . . . . . . . . . . . . 46 3.3.1 Posterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.3.2 Predictions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.3.3 Marginal likelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.4 Multi-class Laplace approximation . . . . . . . . . . . . . . . . . . . . . . . 52 3.5 Expectation propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4 Spatial Contextual Gaussian Process ClassiÖcation 61 4.1 Method description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 4.2 Expremental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 4.2.1 Data set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 4.2.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4.2.3 Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.3 The comparaison between SGPC method and MP-GPC method . . . . . . 76 Conclusion 80 Bibliography 81 |
| En ligne : | http://thesis.univ-biskra.dz/2607/1/Th%C3%A8se_lmd_51_2016.pdf |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TM/62 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
