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.

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.

Plus de 80 % des données transmises sur les réseaux et archivées dans nos ordinateurs, tablettes, téléphones portables ou sur les Clouds sont des données multimédia (images, vidéos, son, données 3D) pour des applications allant du jeu vidéo aux données médicales, en passant par la conception assistée par ordinateur, la vidéosurveillance et la biométrie.

Il devient urgent de sécuriser ces données multimédia, que ce soit pendant leur transmission, leur archivage, mais également lors de leur visualisation. En effet, avec le « tout numérique », il devient de plus en plus facile de les copier, de les visualiser sans droit, de se les approprier ou de les falsifier.

Sécurité multimédia 1 analyse les questions d’authentification de données multimédia, des codes et de l’insertion de données cachées, du côté défenseur comme du côté attaquant. Concernant l’insertion de données cachées, il traite également les aspects invisibilité, couleur, traçage et données 3D, tout comme la détection de message caché dans une image par stéganalyse.

Table des matièresPréfaces et Avant-propos

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

Plus de 80 % des données transmises sur les réseaux et archivées dans nos ordinateurs, tablettes, téléphones portables ou sur les Clouds sont des données multimédia (images, vidéos, son, données 3D) pour des applications allant du jeu vidéo aux données médicales, en passant par la conception assistée par ordinateur, la vidéosurveillance et la biométrie.

Il devient urgent de sécuriser ces données multimédia, que ce soit pendant leur transmission, leur archivage, mais également lors de leur visualisation. En effet, avec le « tout numérique », il devient de plus en plus facile de les copier, de les visualiser sans droit, de se les approprier ou de les falsifier.

Sécurité multimédia 2 analyse les questions de la biométrie, de la protection, de l’intégrité et du chiffrement de données multimédia. Il traite des aspects tels que la crypto-compression d’images et de vidéos, le chiffrement homomorphe, l’insertion de données cachées dans le domaine chiffré ainsi que le partage de secrets.

Table des matièresPréfaces et Avant-propos

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

Après un rappel des notions essentielles de l’imagerie par résonance magnétique (IRM), Les enjeux de l’IRM présente les récentes techniques et méthodes de l’IRM ainsi que les applications médicales qui en découlent. Ces techniques permettent d’accéder à des informations qui vont bien au-delà de l’anatomie avec des informations de type fonctionnel, hémodynamique, de structure, biomécanique ou encore biochimique. L’IRM permet de sonder de multiples façons le vivant et garantit un potentiel de développements continuel intégrant plusieurs disciplines (physique, électronique, sciences du vivant, traitement du signal ou médecine).

Chaque chapitre de cet ouvrage collectif a été conçu par des experts de la communauté française en IRM. Ils se sont attachés à décrire les techniques en rappelant la physique sous-jacente et en détaillant également la modélisation, les méthodes et les stratégies d’acquisition ou d’extraction de l’information.

Cet ouvrage s’adresse autant aux étudiants de master et doctorat qu’aux enseignants-chercheurs en imagerie médicale et hospitalo-universitaires.

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

L’imagerie optique des systèmes biologiques a connu ces dernières années des développements spectaculaires, délivrant une quantité et une qualité d’informations qui, il y a une vingtaine d’années encore, relevaient du rêve pour les physiciens, les biologistes ou les médecins.

Les systèmes d’imageries non conventionnelles permettent d’accéder à des grandeurs physiques (opacité, phase, indice optique, propriété de polarisation d’une onde ou composition chimique d’un objet) non accessibles aux systèmes de mesure conventionnels. Pour cela, ces systèmes utilisent des montages optiques particuliers et des traitements numériques spécifiques des images permettant la reconstruction de grandeurs physiques. On parle également d’imagerie computationnelle.

Cet ouvrage présente diverses modalités d’imageries non conventionnelles développées pour le domaine biomédical : imagerie par analyse de front d’onde, holographie/tomographie numérique, nanoscopie optique, endoscopie et imagerie monodétecteur. Pour chaque modalité, les montages et les algorithmes de reconstruction sont présentés.

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

Les données de télédétection constituent désormais les sources primordiales pour l’observation de la Terre et de l’Univers. Les techniques d’inversion et d’assimilation de données représentent les outils principaux permettant l’estimation et la prédiction des paramètres géophysiques qui caractérisent l’évolution de notre planète et de l’Univers, en exploitant les données de télédétection.

Inversion et assimilation de données de télédétection traite des avancées récentes dans l’inversion et l’assimilation de données de télédétection. Il présente les méthodes traditionnelles et les méthodes actuelles de réseaux de neurones, ainsi que de nombreuses thématiques où ces méthodes ont été développées ou adaptées en fonction de la spécificité du domaine. La partie assimilation porte sur les problèmes de prédiction en surveillance de surface continentale, en modélisation des incendies de forêt, en volcanologie et en glaciologie. La partie inversion comprend l’inversion de la biomasse avec des images SAR, l’inversion bio-physio-hydrologique dans les zones côtières avec des images multi et hyperspectrales et l’inversion en astrophysique avec les données issues de télescopes.

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

Cet ouvrage traite des avancées en analyse des séries chronologiques d’images de télédétection par apprentissages statistique, automatique et/ou profond. Il présente un éventail de modèles mathématiques, de méthodes d’extraction d’informations spatio-temporelles et d’applications en observation de la Terre.

Détection de changements et analyse des séries temporelles d’images 1 est structuré selon les stratégies d’apprentissage supervisé, semi-supervisé et non supervisé sur les séries temporelles d’images optiques et radar à synthèse d’ouverture. L’ouvrage met en lumières des contributions sur la détection de changements multidates dans des données mono- et multi-modales, sur les classes de transitions et d’entités dynamiques, sur l’analyse des tendances et des fluctuations spatio-temporelles, ou encore sur le suivi et l’analyse prédictive d’évolution.

De nombreuses applications illustrent les études sur l’évolution de la surface terrestre (cartographie d’exploitation des terres, analyse de l’état des glaciers, dynamique urbaine, évaluation de la neige, etc.) et sur les risques naturels (évaluation des inondations, activités volcaniques, surveillance des avalanches, etc.). Les orientations futures sont également exposées.

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