Présentation des résultats dans le cadre de MARSIAA
(MAR kovian and S tatistical Image Analysis for Astronomy)




L'analyse d'images multi longueurs d'onde peut être abordée dans le cas de trois bandes par une composition colorée (ex. Aladin ). Dans ce cas, cela permet de visualiser sur un plan coloré des pixels présentant des propriétés physiques similaires dans chaque longueur d'onde. Mais au delà de trois bandes, il faut faire appel à des méthodes spécifiques de segmentation, qui identifient sous forme de classes, les différents types de structures en présence à partir des propriétés statistiques des valeurs des pixels.

Notre approche utilise un modèle Markovien (chaîne ou modèle hierarchique en quad-arbre) et une modélisation du bruit à base de gaussiennes (simples ou généralisées). Le caractère markovien a l'intérêt que pour un pixel donné, la probabilité d'appartenir à une classe particulière dépend de tous les pixels de toutes les images.
La classification des pixels met en oeuvre des méthodes d'estimations (type EM/SEM/ECI, cf
Publications ) destinées à évaluer itérativement la statistique des classes.

Voici quelques résultats obtenus sur un ensemble de problèmes astronomiques.






Images de la caméra WFPC2 du HST 1 pour le Hubble Deep Field en quatre couleurs : 300 nm, 450 nm, 606nm et 814nm.
(images fournies par Rodrigo Ibata 2 )
Hubble.jpg



Identification des régions selon leur emission dans les différentes longueurs d'onde.

 Hubble_segm.jpg


Images de Hubble prises à 606 et 814 nm. (images fournies par Rodrigo Ibata 2 )
artefacts.jpg



La segmentation isole les zones de diffraction.

artefacts_segm.jpg


Images CFH12K 3 en 4 couleurs (B,V,R,I) d'un champ riche en galaxies. (Les images ont été fournies et ré-échantillonnées par TERAPIX)
LSB.jpg



Identification de nombreuses sources faibles, emettant dans une ou plusieurs bandes.

LSB_segm.jpg


Galaxie spirale NGC7814 (image également mosaïquée).
(images fournies par TERAPIX4 )

NGC7814.jpg



Délimitation de la tache de diffraction.
diffraction_segm.jpg

En réduisant la zone d'intérêt, on peut adapter la répartition des classes de façon plus pertinente, et ainsi, faire apparaître une zone diffuse montrant un "gauchissement" (ou warp).
warp_segm.jpg




Images de Hubble de la galaxie M82 (fournies par Arianne Lançon 5 ) :
(raie et continuum proche)
Paschen beta : 1080 nm, 1130 nm ;
FeII : 1640 nm, 1660 nm ;
H2 : 2120 nm, 2150 nm.
M82.jpg



On obtient à la fois :
les zones d'extinction (orange) ;
les zones à fortes emissivités (magenta).
M82_segm1.jpg



Essais d'identification des "vents stellaires" (en étudiant le rapport du continuum avec la raie associée du fer).
M82_segm2.jpg

Images du SMC (fournies par Caroline Bot 6 ).

1- raie Halpha (656.3nm).
2- raie HI (21cm)
3- iras à 12um.
4- iras à 25um.
5- iras à 60um.
6- iras à 100um.
7- image issue de la camera ISOCAM (infrarouge lointain : 170um).

ISOsmc.jpg


La résultat de la segmentation de ces images n'est pas perturbé par les pixels manquants (de la dernière image).

ISOsmc_segm.jpg

Identification de zones d'intérêts, correspondants à une réponse à la fois dans le gaz et la poussière.



Images de la "nébuleuse de l'aigle" dans la bande I (photographique),  et R issues de  la numérisation MAMA 7 de plaques de Schmidt SERC.
Les deux dernières se distinguent par le temps de pose.
M16.jpg
  I                             R                                R


Cette carte permet d'isoler les pixels des étoiles qui ont une contribution dans les trois bandes, des pixels de la nébuleuse.
M16_segm.jpg


Images 2MASS8 (J,H,K) de l'amas globulaire IC2162.

ic2162.jpg



La segmentation met en avant les étoiles rougies.
ic2162_segm.jpg  






En conclusion, cette méthode de segmentation markovienne propose des solutions intéressantes et s'applique à une grande variété d'images et de problèmes astronomiques. Dans la majorité des cas, l'approche utilisée permet de discerner différents types de structures d'objets en fonction de leur réponse spectrale.
Cette méthode encore en phase d'évolution, modélisera également d'autres types de bruits tels que les distributions de Poisson, de Weibull, de Rayleigh .... et estimera
de façon autonome les paramètres d'entrées (comme le nombre de classes ou le model de bruit le mieux adapté) .


Liens :

1    http://archive.stsci.edu/hst/index.html
3    http://www.cfht.hawaii.edu/Instruments/Imaging/CFH12K/
4    http://terapix.iap.fr/
5    http://astro.u-strasbg.fr/~lancon/
6    http://astro.u-strasbg.fr/~bot/
7    http://dsmama.obspm.fr/mama.html
8    http://www.ipac.caltech.edu/2mass/





Dernière mise à jour : 12 novembre 2002