FB

Thème 1: ACP (KLT) d'une image multibande.
Thème 2: utilisation d'un facteur de Bayes pour le nombre de segments dans une segmentation.

Images originelles (histogram-equalized)

Composantes principales successives. Pourcentages cumulatives de la variance expliquées: 94%, 99.3%, 99.7%, 99.8%, 100%, 100%).

Matrice des corrélations:

    1.00     0.99     0.92     0.91     0.83     0.83 
    0.99     1.00     0.94     0.93     0.86     0.86 
    0.92     0.94     1.00     0.99     0.97     0.97 
    0.91     0.93     0.99     1.00     0.98     0.98 
    0.83     0.86     0.97     0.98     1.00     1.00 
    0.83     0.86     0.97     0.98     1.00     1.00

(On voit que 1 et 2 sont presque identiques; et 3, 4, 5.)

Composantes principales successives suite à histogram-equalization.

Segmentation à partir de la bande propre, i.e. la première composante principale des 6 bandes.

Méthode: modèle de Markov, Potts/Ising, loi gaussienne entre les labels et les pixels, EM, ICM. Facteur de Bayes fourni par le PLIC, Pseudolikelihood Information Criterion. (Normalement: la 1ère valeur maximale donne le no. de segments.)

Segmentation à 8 classes:

A titre de comparaison, segmentation à 15 classes: