Image

Graph spectral image processing is the study of imaging data from a graph frequency perspective. Modern image sensors capture a wide range of visual data including high spatial resolution/high bit-depth 2D images and videos, hyperspectral images, light field images and 3D point clouds. The field of graph signal processing – extending traditional Fourier analysis tools such as transforms and wavelets to handle data on irregular graph kernels – provides new flexible computational tools to analyze and process these varied types of imaging data. Recent methods combine graph signal processing ideas with deep neural network architectures for enhanced performances, with robustness and smaller memory requirements.

The book is divided into two parts. The first is centered on the fundamentals of graph signal processing theories, including graph filtering, graph learning and graph neural networks. The second part details several imaging applications using graph signal processing tools, including image and video compression, 3D image compression, image restoration, point cloud processing, image segmentation and image classification, as well as the use of graph neural networks for image processing.

(FR) Part 1. Fundamentals of Graph Signal Processing
1. Graph Spectral Filtering, Yuichi Tanaka.
2. Graph Learning, Xiaowen Dong, Dorina Thanou, Michael Rabbat and Pascal Frossard.
3. Graph Neural Networks, Giulia Fracastoro and Diego Valsesia.

Part 2. Imaging Applications of Graph Signal Processing
4. Graph Spectral Image and Video Compression, Hilmi E. Egilmez, Yung-Hsuan Chao and Antonio Ortega.
5. Graph Spectral 3D Image Compression, Thomas Maugey, Mira Rizkallah, Navid Mahmoudian Bidgoli, Aline Roumy and Christine Guillemot.
6. Graph Spectral Image Restoration, Jiahao Pang and Jin Zeng.
7. Graph Spectral Point Cloud Processing, Wei Hu, Siheng Chen and Dong Tian.
8. Graph Spectral Image Segmentation, Michael Ng.
9. Graph Spectral Image Classification, Minxiang Ye, Vladimir Stankovic, Lina Stankovic and Gene Cheung.
10. Graph Neural Networks for Image Processing, Giulia Fracastoro and Diego Valsesia.

Sorry, this entry is only available in French.

(FR) 1. Comment reconstruire l’histoire d’une image digitale, et de ses altérations ?
2. Attaques et défenses de réseaux de neurones profonds : le cas de la classification d’images
3. Codes et tatouages
4. Invisibilité
5. Stéganographie : insertion d’informations dans des contenus multimédias
6. Traçage de traîtres
7. Tatouage 3D
8. Stéganalyse : détection d’information cachée dans des contenus multimédias

Sorry, this entry is only available in French.

1. Biométrie et applications
2. Protection de documents par impression d’éléments anticopies
3. Vérification de l’intégrité des documents
4. Crypto-compression d’images
5. Crypto-compression de vidéos
6. Traiter des données multimédia chiffrées grâce au chiffrement homomorphe
7. Insertion de données cachées dans le domaine chiffré
8. Partage d’images et d’objets 3D secrets

Sorry, this entry is only available in French.

1. Principes, chaîne instrumentale et quantification en IRM
2. Antennes radiofréquences, principes théoriques et guide pratique
3. Imagerie rapide et techniques d’accélération
4. Les bases de la diffusion et l’IRM Intravoxel Incoherent Motion
5. IRM fonctionnelle
6. Imagerie vasculaire : flux et perfusion
7. Imagerie quantitative biomécanique par élastographie par résonance magnétique
8. Imagerie des interactions dipolaires dans les tissus biologiques : ihMT et UTE
9. Spectroscopie RMN in vivo et imagerie métabolique
10. IRM contraint par le modèle physique : quantification multiparamétrique rapide
11. IRM interventionnelle
12. Imagerie à ultra-haut champ

Sorry, this entry is only available in French.

(FR) 1. Microscopie quantitative de phase par analyse de front d’onde
2. Holographie
3. Les problèmes inverses pour la reconstruction d’image en holographie
4. Reconstruction d’échantillons en microscopie holographique numérique en ligne
5. Microscopie tomographique diffractive en transmission
6. Microscopie interférométrique
7. Imagerie endoscopique multimodale et multispectrale à champ de vue étendu
8. Une introduction à l’imagerie computationnelle monodétecteur

Sorry, this entry is only available in French.

1. Méthodes d’assimilation des observations : application aux prévisions météorologiques
2. Assimilation de données de télédétection pour le suivi des surfaces continentales
3. Assimilation de données pour les incendies de végétation
4. Assimilation de données ensembliste en volcanologie
5. Assimilation de données en glaciologie
6. Méthodes d’inversion probabiliste
7. Modéliser la rétrodiffusion radar par les forêts : une première étape pour inverser
8. Inversion de modèle de transfert radiatif et application à l’observation en zone côtière
9. Analyse d’images Cherenkov monotélescope par apprentissage profond

Sorry, this entry is only available in French.

(FR) 1. Détection non supervisée des changements dans des images multitemporelles
2. Détection de séries de changements dans des séries d’images SAR polarimétriques
3. Détection de changements basée sur les covariances de séries d’images SAR
4. Clustering fonctionnel de séries d’images par entropies relatives
5. Seuils et distances pour la détection de neige avec les séries d’images Sentinel-1
6. Analyse d’ordre fractionnaire et prédiction de trajectoire de cyclones
7. Détection de changements sur les graphes de séries SAR
8. Analyse multitemporelle d’images Sentinel-1/2 pour le suivi de l’utilisation des sols
9. Statistiques par différences pour les changements multispectraux