Représentation couleur d’images multispectrales astronomiques

Représentation couleur d’images multispectrales astronomiques

Color display for multiwavelength astronomical images

M. Petremand M. Louys  Ch. Collet  F. Flitti 

Observatoire astronomique de Strasbourg, CDS, UMR CNRS 7550 11, rue de l'Université – 67000 STRASBOURG

LSIIT UMR CNRS 7005, Université Strasbourg 1 (ULP) Pôle API, Bd Sébastien Brant - BP 10413 - 67412 ILLKIRCH CEDEX

Corresponding Author Email: 
name@lsiit.u-strasbg.fr
Page: 
499-516
|
Received: 
15 June 2004
|
Accepted: 
N/A
|
Published: 
31 October 2004
| Citation

OPEN ACCESS

Abstract: 

This paper proposes a new approach for the color display of multispectral/hyperspectral images. The color representation of such data becomes problematic when the number of bands is higher than three, i.e. the basic RGB (Red, Green, Blue) representation is not straightforward. Here we employ a technique that uses a segmentation map, like an a priori information, and then compute a Factorial Discriminant Analysis (Fischer analysis) in order to allow, at best, a distribution of the information in the color space HSV (Hue, Saturation, Value). The information collected from the segmentation map (where each pixel is associated with class) has been shown to be advantages in the representation of the images through the results obtained on increasing size image collections in the framework of astronomical images. This method can easily be applied to other domains such as polarimetric or remote sensing imagery.

Résumé

Cet article propose une nouvelle méthode de représentation et de visualisation en couleur d'images multispectrales ou hyperspectrales. Le problème de la visualisation de telles données est en effet problématique dès que le nombre de bandes spectrales est supérieur à trois, i.e., la représentation triviale RVB (Rouge, Vert, Bleu) n'est plus directe. Le principe consiste ici à utiliser une carte de segmentation préalablement obtenue, a priori, et à réaliser une analyse factorielle discriminante permettant de distribuer au mieux l'information dans l'espace des couleurs TSL (Teinte, Saturation, Luminance). L'information apportée par la carte de segmentation (chaque site est associé à une classe) peut se révéler judicieuse comme le montrent les résultats obtenus sur des lots d'images de tailles croissantes dans le cadre de l'imagerie astronomique. Cette méthode est générale et s'applique également à d'autres domaines manipulant des images multicomposantes ou multivariées comme en télédétection ou en imagerie polarimétrique.

Keywords: 

Multispectral, color display, HSV, fisher analysis, principal component analysis, markovian segmentation

Mots clés

Multispectral, couleur, TSL, analyse factorielle discriminante, analyse en composantes principales, segmentation markovienne

1. Introduction
2. Les Espaces De Couleurs
3. Réduction Et Analyse De Données
4. Représentation Colorée D’images Multispectrales
5. Résultats Sur Des Images Astronomiques Multibandes
6. Conclusion
  References

[1] D. EGRET, Et le ciel devint virtuel, La Recherche, (369) :58, Novembre 2003.

[2] TIGER, http://www-obs.univ-lyon1.fr/accueil_cral_fr.html.

[3] OASIS, http://www-obs.univ-lyon1.fr_oasis/home/index.html.

[4] SAURON, http://www.strw.leidenuniv.nl/sauron/.

[5] VIMOS, http://www2.iap.fr/vlt/users/vimos.html.

[6] FLAMES, http://www.eso.org/instruments/flames/Giraffe.html.

[7] MUSE, http://www-obs.univ-lyon1.fr/muse/.

[8] SNIF/SNAP, http://snap.lbl.gov/.

[9] GOODS, http://www.eso.org/science/goods/.

[10] Observatoire deLyon, http://www-obs.univ-lyon1.fr/accueil_cral_fr.html.

[11] Observatoire deMarseille. http://www.lam.oamp.fr/index_lam.html.

[12] Observatoire deMeudon, http://www.dasop.obspm.fr/dasop/.

[13] D.TRAVIS, Effective color displays, theory, practice. Academic press, 1991.

[14] G.WYSZECKI, W.S. STILES, Color science: concepts, methods, quantitative data, formulae : second edition. Wiley, 1982.

[15] A.MOJSILOVIC, A method for color naming, description of color composition in images, Proc. Int. Conf. on Image Processing, Sept. 2002.

[16] M.N. FAUVEL, Contribution à la stéréovision : une approche connexionniste. PhD thesis, Robotique, Université Paris 6, 1995.

[17] M. BARTKOWIAK, M. DOMANSKI, Efficient representation of chrominance for very low bitrate coding. In Third european conference, Multimedia applications, services and techniques, 415-424, Berlin, Germany, May 1998.

[18] M.JAMZAD, B.S. SADJAD, V.S. MIRROKNI, M.LAZEMI, H. CHITSAZ, A. HEYDARNOORI, M.T. HAJIAGHAI, A. CHINIFOROOSHAN. A fast vision system for middle size robots in robocup, Lecture Notes in Computer Science, 2377, 2001.

[19] A.BRAQUELAIRE, R.STRANDH, A color model for rendering linear passive graphic 2d objects. Technical Report 1266-01, LaBRI, Université Bordeaux 1, 2001.

[20] T.GEVERS, A.W.M. SMEULDERS, Color based object recognition, Pattern Recognition, 32:453-464, March 1999.

[21] M. VOLLE, Analyse des données. Economica, 1985.

[22] P.SCHEUNDERS, Local mapping for multispectral image visualization, Image and Vision Computing, 19:971-978, 2001.

[23] J.L. STARCK, F.MURTAGH, Astronomical image, signal processing, IEEE Signal Processing Magazine, 1-10, March 2001.

[24] E. PICHON, M. NIETHAMMER, G. SAPIRO, Color histogram equalization through mesh deformation. In IEEE International Conference on Image Processing, Barcelone, volume2, 117-120, 2003.

[25] P.E. TRAHANIAS, A.N. VENETSANOPOULOS, Color image enhancement through 3-d histogram equalization. In Proceedings of the 15th LAPR international conference on pattern recognition, 1992.

[26] W. PIECZYNSKI, Modèles de markov en traitements d'images, Traitement du Signal, 20(3) :255-278, 2003.

[27] J.N. PROVOST, C. COLLET, P. ROSTAING, P. PÉREZ, P. BOUTHEMY, Hierarchical Markovian segmentation of multispectral images for the reconstruction of water depth maps, Computer Vision, Image Understanding, 93(2) :155-174, February 2004.

[28] R.O. DUDA, P.E. HART, D.G. STORK, Pattern Classification. John Wiley, Sons, 2001.

[29] J.-N PROVOST, Classification bathymétrique en imagerie multispectrale SPOT, PhD thesis, Université de Bretagne Occidentale, École navale – Laboratoire GTS, Brest, France, ftp://picabia.u-strasbg.fr/pub/www/collet/PhD/PhD\_Provost.zip, 2001.

[30] C.COLLET, M.LOUYS, J.-N PROVOST, A.OBERTO. Fusion of Astronomical Multiband Images on a Markovian Quadtree, Information Fusion, http://www.fusion2002.org/, July 2002. Annapolis, Maryland, USA.

[31] G.F. HUGHES. On the mean accuracy of statistical pattern recognizers, IEEE Trans. Information Theory, 14(1) :55-63, 1968.

[32] D.TRAVIS, Effective color display: theory, practice. Academic Press, 1991.

[33] J.Y. CHEN, P.BOUMAN, Image Database Management Using Similarity Pyramids. PhD thesis, Perdue University, May 1999.

[34] A.HYVÄRINEN, J.KARHUNEN, E.OJA, Independent Component Analysis. John Wiley and Sons, 2001.

[35] F.FLITTI, C.COLLET, ACP et ACI pour la réduction de données en imagerie astronomique multispectrale, 19ème colloque sur le traitement du signal et des images, GRESTI, CD-ROM, Paris, France, Septembre 2003.