Transformée hyperbolique en ondelettes pour la...

Champs aleatoires gaussiens autosimilaires et anisotropesTransformee Hyperbolique en Ondelettes

Estimation de (θ0,H0, α0)Bootstrap et test d’isotropie

Autres modeles

Transformee hyperbolique en ondelettes pour lacaracterisation d’images autosimilaires anisotropes

Roux, S.G.1; Clausel, M.2; Vedel, B. 3; Jaffard, S. 4; Abry, P.1

1 Laboratoire de Physique, CNRS, UMR 5672, Ecole Normale Superieure de Lyon.

2 Laboratoire Jean Kuntzmann, Universite de Grenoble, UMR 5224 Grenoble.

3 LMAM, Universite de Bretagne Sud, Universite Europeenne de Bretagne,Campus de Tohannic, Vannes.

4 Departement de Mathematiques, Unversite Paris XII, CNRS, UMR 8050, Creteil.08/05/11 16:49UMR CNRS 8050 - Laboratoire d'Analyse et de Mathématiques Appliquées

sur 2http://cms-math.univ-mlv.fr/archive.umr8050/index.html

Accueil

Actualité

ÉvénementsPost-DoctorantsInvitésSéminairesCongrès

Généralités

HistoriqueOrganigrammeMembresPlans d'accès / How to comePlans des Bureaux

Recherche

ThèmesThèsesContrats / CoopérationPrix et Distinctions

Enseignement

Formation doctoraleUFR de Marne-la-ValléeUFR de Paris XII

Ressources locales

WebmailDocumentationAppels d'offreBibliothèque de Marne-la-Vallée

Le "Septuaginta Duarum Basium Vacuum"et le "Septuaginta Duarum Basium

Solidum" reproduits ici sont deux dessinsde ...

Adresse postale

Laboratoire d'Analyse et de Mathématiques AppliquéesUniversité Paris-Est - Marne-la-Vallée5, boulevard DescartesCité Descartes - Champs-sur-Marne77454 Marne-la-Vallée cedex 2

Direction

Directeur François BOUCHUT

Téléphone +33 (0)1 60 95 76 85

Fax +33 (0)1 60 95 75 45

Directeur adjoint Raphaël DANCHIN

Téléphone +33 (0)1 45 17 65 93

Le Laboratoire d'Analyse et de Mathématiques Appliquées est une Unité Mixtede Recherche CNRS (UMR 8050) et se situe sur deux sites géographiquesdistincts:

Noisy-Champs (Marne-la-Vallée)

Créteil (Paris-XII)

Journee ANR Mataim Paris, 3 juillet 2012Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

Autres modeles

Outline

Anisotropie et autosimilarite.

Champs aleatoires gaussiens autosimilaires et anisotropes.

Transformee Hyperbolique en Ondelettes.

Estimation : procedure, performance ....

Bootstrap et test statistique d’isotropie.

Conclusions et perspectives.

Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

Autres modeles

Anisotropie et autosimilarite

Image anisotrope : caracteristiques dependantes de la direction.

x = (x1, x2) ∈ R2

Autosimilarite classique : {X (ax)} L= {aH0X (x)}.H0 indice d’autosimilarite

(Mouvement Brownien Fractionnaire)

Autosimilarite matricielle : {X (aE0x)} L= {aH0X (x)}.E0 matrice d’anisotropie,

(Schertzer et Lovejoy, 1985)

Tr(E0) = m ⇒ unicite de H0.E0=Id : champ isotrope, autosimilarite classique.

Autres modeles

Champs aleatoires gaussiensautosimilaires

etanisotropes

Autres modeles

OSRGF : definition

Champs 2D : x = (x1, x2) ∈ R2 et ξ = (ξ1, ξ2) ∈ R2

Xf ,E0,H0(x) =

(e i〈x , ξ〉 − 1)f (ξ)−(H0+1)dW (ξ) ,

• f fonction positive, continue telle que

f (aE0ξ) = af (ξ) ξ ∈ R2, Tr(E0) = 2.∫(1 ∧ |ξ|2)f (ξ)dξ < +∞

• W mesure de Wiener 2D.

(Bonami et Estrade, 2003)

(Bierme, Meerschaert et Scheffler, 2009)

Autres modeles

OSRGF : definition

Xθ0,α0,H0(x) =

(e i〈x , ξ〉 − 1)fθ0,α0(ξ)−(H0+1)dW (ξ) ,

• fθ0,α0(ξ) = (|ζ1|1/α0 + |ζ2|1/(2−α0)),

ζ = (ζ1, ζ2) = Rθ0ξ, Rθ0 =

(cos(θ0) − sin(θ0)sin(θ0) cos(θ0)

• E0 =

(α0 00 2− α0

), 0 < α0 < 2.

• 0 < H0 < min(α0, 2− α0).

⇒ autosimilarite : {Xθ0,α0,H0(aE0x)} L= {aH0Xθ0,α0,H0(x)}, ∀a > 0.

(Clausel et Vedel, 2010)

Autres modeles

OSRGF : synthese

Xθ0,α0,H0(x) =

(e i〈x , ξ〉 − 1) fθ0,α0(ξ)−(H0+1) dW (ξ) ,

θ0 = 0, α0 = 0.7, H0 = 0.6.Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

Autres modeles

OSRGF : synthese

Xθ0,α0,H0(x) =

(e i〈x , ξ〉 − 1) fθ0,α0(ξ)−(H0+1) dW (ξ) ,

θ0 = π/3, α0 = 0.7, H0 = 0.6.Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

OSRGF : synthese(θ0 = 0, α = 1, H = 0.2) (θ0 = 0, α = 0.7,H = 0.2) (θ0 = 0, α = 0.3, H = 0.2)

(θ0 = π/6, α = 0.7, H = 0.2) (θ0 = π/4, α = 0.7, H = 0.2) (θ0 = π/3, α = 0.7, H = 0.2)

Autres modeles

Transformee Hyperbolique enOndelettes

Autres modeles

Transformee en ondelettes Dyadique 2D

TOD 1D : ϕ fonction d’echelle (filtre L) , ψ ondelette mere (filtre H).

TOD 2D : 1 fonction d’echelle, 3 ondelettes (4 filtres LL, HL, LH, HH).

(H,L) (H,H)

(L,L) (L,H)

Support frequentiel carre de taille (2j , 2j).

Autres modeles

TOD 1D : ϕ fonction d’echelle (filtre L) , ψ ondelette mere (filtre H).TOD 2D : 1 fonction d’echelle, 3 ondelettes (4 filtres LL, HL, LH, HH).

(H,L) (H,H)

(L,L) (L,H)

Autres modeles

TOD 1D : ϕ fonction d’echelle (filtre L) , ψ ondelette mere (filtre H).TOD 2D : 1 fonction d’echelle, 3 ondelettes (4 filtres LL, HL, LH, HH).

(H,L) (H,H)

(L,L) (L,H)

(H,L) (H,H)

(LH,LH)

(LL,LL) (LL,LH)

(LH,LL)

Autres modeles

TOD 1D : ϕ fonction d’echelle (filtre L) , ψ ondelette mere (filtre H).TOD 2D : 1 fonction d’echelle, 3 ondelettes (4 filtres LL, HL, LH, HH).Base de L2(R) :

ψ(1)j ,k1,k2

(x1, x2) = 2jψ(2jx1 − k1)ψ(2jx2 − k2),

ψ(2)j ,k1,k2

(x1, x2) = 2jϕ(2jx1 − k1)ψ(2jx2 − k2),

ψ(3)j ,k1,k2

(x1, x2) = 2jψ(2jx1 − k1)ϕ(2jx2 − k2),

ϕk1,k2(x1, x2) = ϕ(x1 − k1)ϕ(x2 − k2),

∀(x1, x2) ∈ R2, ∀(k1, k2) ∈ Z2 et ∀j ∈ N.

Coefficient en ondelettes : d(i)j ,k1,k2

=< ., ψ(i)j ,k1,k2

> pour i = 1, 2, 3.

Autres modeles

Transformee Hyperbolique en ondelettes

1 etape THO = 1 etape TOD

+TOD 1D des colonnes de (L,H);+TOD 1D des lignes de (H,L);

(H,L) (H,H)

(L,L) (L,H)

(LH,H)

(LLH,H)

(H,LH)

Support frequentiel de taille (2j1 , 2j2).

(DeVore, Konyagin et Temlyakov, 1998)

Autres modeles

1 etape THO = 1 etape TOD+TOD 1D des colonnes de (L,H);+TOD 1D des lignes de (H,L);

(H,L) (H,H)

(L,L) (L,H)

(LH,H)

(LLH,H)

(H,LH)

Support frequentiel de taille (2j1 , 2j2).(DeVore, Konyagin et Temlyakov, 1998)

Autres modeles

(LH,H)

(LLH,H)

(H,LH)

(LH,LH)

(LL,LL) (LL,LH)

(LH,LL)

(LH,H)

(LLH,H)

(H,LH)

Autres modeles

(LH,H)

(LLH,H)

(H,LH)

(LH,LH)

(LL,LL) (LL,LH)

(LH,LL)

(LH,LH)

(LL,LL)

Autres modeles

Base de L2(R) :

ψj1,j2,k1,k2(x1, x2) = 2(j1+j2) ψ(2j1x1 − k1)ψ(2j2x2 − k2),

ψ0,j2,k1,k2(x1, x2) = 2j2 ϕ(x1 − k1)ψ(2j2x2 − k2),

ψj1,0,k1,k2(x1, x2) = 2j1 ψ(2j1x1 − k1)ϕ(x2 − k2),

ψ0,0,k1,k2(x1, x2) = ϕ(x1 − k1)ϕ(x2 − k2),

∀(x1, x2) ∈ R2, ∀(k1, k2) ∈ Z2 et ∀(j1, j2) ∈ N2.

Support frequentiel de taille (2j1 , 2j2).Coefficient en ondelettes : dj1,j2,k1,k2 =< ., ψj1,j2,k1,k2 >, j1, j2 ≥ 0.

(DeVore, Konyagin et Temlyakov, 1998)

Autres modeles

For θ0 = 0For θ0 6= 0 inconnu

Estimation

Autres modeles

Invariance d’echelle

Coefficient en ondelettes : dj1,j2,k1,k2 =< ., ψj1,j2,k1,k2 >.Fonctions de structure :

S(q, j1, j2) =1

Nj1,j2

∑(k1,k2)∈Z2

|dj1,j2,k1,k2 |q ∼ 2τ(q,j1,j2),

Nj1,j2 nombre de coefficients aux echelles (j1, j2),q ∈ R, q > −2.

On montre :

S(q, αj , (2− α)j) ≈ 2j qα

(1−(H+1) max( α

α0, 2−α

2−α0)).

Autres modeles

Estimation : theorie

Soit l’anisotropie α :

τ(q, α) = lim infj→∞

−α log2(S(q, [αj ], [(2− α)j ]))

([jα] partie entiere de jα)Estimateurs : {

αq = argmaxατ(q, α);

Hq = τ(q, αq)/q.

θ0 = 0 : procedure d’estimation

log2(S(q = 2, j1, j2))

j21 3 5 7

α = 1.5;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Interpolation

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−4.5

−3.5

−2.5

.0 1 2

−0.5

• Regression nonponderee

• toutes les echellessont utilisees.

Image log2(S(q = 2, j1, j2))

1 3 5 7

α = 1.5;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Interpolation

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−4.5

−3.5

−2.5

.0 1 2

−0.5

1 3 5 7

α = 1.5;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Interpolation

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−4.5

−3.5

−2.5

.0 1 2

−0.5

1 3 5 7

α = 1.5;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Regression

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−4.5

−3.5

−2.5

.0 1 2

−0.5

1 3 5 7

α = 1;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Regression

αlog2(S

j,[(2−

α)j]))

1 3 5 7

.0 1 2

−0.5

1 3 5 7

α = 1.5;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Interpolation

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−4.5

−3.5

−2.5

.0 1 2

−0.5

1 3 5 7

α = 1;

αj1 +1 = (2− α)j2 +1;

γ =2− αα

Regression

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−0.5

H = τ(q, αq)/q;

1 3 5 7

α = 1;

αj1 +1 = (2−α)j2 +1;

γ =2− αα

Regression

αlog2(S

j,[(2−

α)j]))

1 3 5 7

−0.5

H = τ(q, αq)/q;

Autres modeles

θ0 = 0 : performances d’estimation

100 realisations de Xθ0=0,α0,H0 de taille (210 × 210):

moyenne et ecart type des estimes (H et α)

H = 0.2 H = 0.7

0.7 0.8 0.9 10.2 0.4 0.6 0.8 10.6

Estimation de H se degrade quand l’anisotropie augmente;Bonne estimation de α quelque soit la rugosite.

Autres modeles

θ0 = 0 : performances d’estimation

100 realisations de Xθ0=0,α0,H0 de taille (N × N) :Eα

−α0

log2(N)

8 9 10 11 12 13−0.1

log2(N)

8 9 10 11 12 13−0.06

−0.04

−0.02

log 2(σ

log2(N)

8 9 10 11 12 13−8

log 2(σ

log2(N)

8 9 10 11 12 13

α0 = 1, α0 = 0.8, α0 = 0.6H0 = 0.3 (◦), H0 = 0.5 (?), H0 = 0.7 (.).

Autres modeles

θ0 6= 0 : procedure d’estimation

Appliquer :

1) Rotation : Iθ = RθI ;

2) Estimation de H et α sur Iθ ⇒ (Hθ, αθ) ;

Remarquer :

i) α(θ) fonction π-periodique;

ii) α(θ0 + θ) = α(θ0 − θ);

iii) θ = θ0, α ' α;

iv) θ = θ0 + π/2, α ' 2− α;

v) θ = θ0 + π/4, α ' 1.

Autres modeles

θ0 6= 0 : performance d’estimation

100 realisations de Xθ0,α0,H0 de taille (210 × 210).

(α0 = 0.7, H0 = 0.6)

(α0 = 0.3, H0 = 0.2)

(α0 = 0.7, H0 = 0.2)

π0 π

0.70.2

θ0 = π/3

θ0 = 0

Autres modeles

(α0 = 1, H0 = 0.6)

(α0 = 1, H0 = 0.2)

π0 π

0.70.2

θ0 = π/3

α0 = 1

Autres modeles

(α0 = 0.7, H0 = 0.6)

(α0 = 0.3, H0 = 0.2)

(α0 = 0.7, H0 = 0.2)

π0 π

0.70.2

θ0 = π/3

α0 = 1

Autres modeles

(θ0, α0,H0)〈θ〉 − θ0

〈α〉 − α0 〈H〉 − H0 % rej.

(std,MSE)

(std,MSE) (std,MSE)

(π/3, 0.7, 0.6)0.01

0.00 -0.10100

(0.03,0.00)

(0.04,0.00) (0.02,0.01)

(π/3, 0.7, 0.2)0.01

0.01 -0.05100

(0.03,0.00)

(0.04,0.00) (0.02,0.00)

(π/3, 0.3, 0.2)-0.01

0.01 -0.09100

(0.02,0.00)

(0.05,0.00) (0.09,0.02)

(0, 1, 0.6)0.07

0.00 -0.01

(0.31,0.01)

(0.08,0.01) (0.03,0.00)8

(0, 1, 0.2)0.08

-0.01 -0.01

(0.25,0.01)

(0.08,0.01) (0.03,0.00)11

Autres modeles

(θ0, α0,H0)〈θ〉 − θ0 〈α〉 − α0

〈H〉 − H0 % rej.

(std,MSE) (std,MSE)

(std,MSE)

(π/3, 0.7, 0.6)0.01 0.00

-0.10100

(0.03,0.00) (0.04,0.00)

(0.02,0.01)

(π/3, 0.7, 0.2)0.01 0.01

-0.05100

(0.03,0.00) (0.04,0.00)

(0.02,0.00)

(π/3, 0.3, 0.2)-0.01 0.01

-0.09100

(0.02,0.00) (0.05,0.00)

(0.09,0.02)

(0, 1, 0.6)0.07 0.00

(0.31,0.01) (0.08,0.01)

(0.03,0.00)8

(0, 1, 0.2)0.08 -0.01

(0.25,0.01) (0.08,0.01)

(0.03,0.00)11

Autres modeles

(θ0, α0,H0)〈θ〉 − θ0 〈α〉 − α0 〈H〉 − H0

% rej.

(std,MSE) (std,MSE) (std,MSE)

(π/3, 0.7, 0.6)0.01 0.00 -0.10

(0.03,0.00) (0.04,0.00) (0.02,0.01)

(π/3, 0.7, 0.2)0.01 0.01 -0.05

(0.03,0.00) (0.04,0.00) (0.02,0.00)

(π/3, 0.3, 0.2)-0.01 0.01 -0.09

(0.02,0.00) (0.05,0.00) (0.09,0.02)

(0, 1, 0.6)0.07 0.00 -0.01

(0.31,0.01) (0.08,0.01) (0.03,0.00)

(0, 1, 0.2)0.08 -0.01 -0.01

(0.25,0.01) (0.08,0.01) (0.03,0.00)

Autres modeles

Bootstrap procedureBootstrap resultatsTest d’isotropie

Bootstrapet

test d’isotropie

Autres modeles

Bootstrap : procedure

THO coefficients dj1,j2,k1,k2

Bootstrap d∗j1,j2,k1,k2

(LH,H)

(LLH,H)

(H,LH)

(LH,LH)

(LL,LL)

- Block de coef. dj1,j2,k1,k2 de taille (2nψ × 2nψ);- Independamment pour chaque echelle (j1, j2);

Autres modeles

THO coefficients dj1,j2,k1,k2 Bootstrap d∗j1,j2,k1,k2

Autres modeles

- Block de coef. dj1,j2,k1,k2 de taille (2nψ × 2nψ);

- Independamment pour chaque echelle (j1, j2);

Autres modeles

THO coefficients dj1,j2,k1,k2

Bootstrap d∗j1,j2,k1,k2

For r=1, · · · , R :

S∗(r)(q, j1, j2) = 1Nj1,j2

∑ |d∗(r)j1,j2,k1,k2

S∗(r)(q, j1, j2) ∼ 2τ∗(r)(q,α),{

α∗(r)q = argmaxατ

∗(r)(q, α),

H∗(r)q = τ∗(r)(q, ˆα∗(r)

=⇒{σ∗α = stdr{α∗(r)

q }σ∗H

= stdr{H∗(r)q }

Autres modeles

Bootstrap : resultats

100 realisations de Xθ0=0,α0,H0 : R = 100 bootstraps ⇒ (α, H, σ∗α, σ∗H

P(α), P(α∗)

0.5 0.8 1 1.2 1.5

α = 1, α = 0.8, α = 0.3.

α0 = 0.75;

α0 = 1;

Autres modeles

P(α), P(α∗)

0.5 0.8 1 1.2 1.5

α = 1, α = 0.8, α = 0.3.

σMC(α), σBS(α) =< σ∗α >

EσBS(α

)/σMC(α

0.3 0.5 0.7

α0 = 1, α0 = 0.8, α0 = 0.3.

Autres modeles

P(H), P(H∗)

0 0.2 0.4 0.6 0.8 1

α =1, α = 0.8, α = 0.3.

H0 = 0.7;

H0 = 0.3;

Autres modeles

P(H), P(H∗)

0 0.2 0.4 0.6 0.8 1

α =1, α = 0.8, α = 0.3.

σMC(H), σBS(H) =< σ∗H>

PSfrag

EσBS(H

)/σMC(H

0.3 0.5 0.70.5

α0 = 1, α0 = 0.8, α0 = 0.3.

Autres modeles

Test d’isotropie

H0 : α0 − 1 = 0 (isotrope) et l’alternative : α0 − 1 6= 0.

100 real. (210 × 210), R = 100.

Soit t = α− 1,

et {t∗(r) = α∗(r) − α}Rr=1 ⇒ σ∗t.

Hypothese : t gaussien et σt = σ∗t

δ quantile ⇒ intervalle de confiance :T1−δ =

[−tδ/2σ

∗t, tδ/2σ

t ∈ T1−δ, H0 acceptee;

t /∈ T1−δ, H0 refusee.

δ = 0.1

−t∗(δ/2) t∗(δ/2)

RejectionRegions

AcceptanceRegion

−4 −2 0 2 40

H0 = 0.3, H0 = 0.5, H0 = 0.7

Autres modeles

Test d’isotropie

H0 : α0 − 1 = 0 (isotrope) et l’alternative : α0 − 1 6= 0.

100 real. (210 × 210), R = 100.Soit t = α− 1,

et {t∗(r) = α∗(r) − α}Rr=1 ⇒ σ∗t.

Hypothese : t gaussien et σt = σ∗t

δ quantile ⇒ intervalle de confiance :T1−δ =

[−tδ/2σ

∗t, tδ/2σ

t ∈ T1−δ, H0 acceptee;

t /∈ T1−δ, H0 refusee.

δ = 0.1

0.5 1 1.50

H0 = 0.3, H0 = 0.5, H0 = 0.7

Autres modeles

Test d’isotropieQuantile δ = 0.1 (10%) :

100 realisations (R = 100) de Xθ0,α0,H0 de taille (210 × 210).

(θ0, α0,H0)〈θ〉 − θ0 〈α〉 − α0 〈H〉 − H0 % rej.

(std,MSE) (std,MSE) (std,MSE)

(π/3, 0.7, 0.6)0.01 0.00 -0.10

100(0.03,0.00) (0.04,0.00) (0.02,0.01)

(π/3, 0.7, 0.2)0.01 0.01 -0.05

100(0.03,0.00) (0.04,0.00) (0.02,0.00)

(π/3, 0.3, 0.2)-0.01 0.01 -0.09

100(0.02,0.00) (0.05,0.00) (0.09,0.02)

(0, 1, 0.6)0.07 0.00 -0.01

(0.31,0.01) (0.08,0.01) (0.03,0.00)8

(0, 1, 0.2)0.08 -0.01 -0.01

(0.25,0.01) (0.08,0.01) (0.03,0.00)11

Autres modeles

Another OSGRF

X(a,β) =

(e i〈x , ξ〉 − 1)f (ξ)dW (ξ) ,

f (ξ) = (ξ21 + ξ

2 )−(H1+(1+

)), 0 < H1 < H2 < 1.

⇐⇒

Xθ0,α0,H0 with α0 = 2a/(1 + a), H0 = 2aH1/(1 + a) and θ0 = 0.

isotropie quand H2 = H1

Autres modeles

Another OSGRF

X(a,β) =

(e i〈x , ξ〉 − 1)f (ξ)dW (ξ) ,

f (ξ) = (ξ21 + ξ

2 )−(H1+(1+

)), 0 < H1 < H2 < 1.

PSfrag

0 0.5 1 1.5 2−1

−0.5

100 real.(210, 210)

H1 = 0.8 et H2 = 0.2, H2 = 0.4, H2 = 0.6, H2 = 0.8.Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

Autres modeles

Extended Fractional Brownian Fields (EFBF)

X(a,β) =

(e i〈x , ξ〉 − 1)f (ξ)dW (ξ) ,

f (ξ) = |ξ|−2h(arg(ξ))−2,

H1 = max h(arg(ξ)), H2 = min h(arg(ξ)). H2 = H1 ⇒ isotropie.

0.8 1 1.2

0 0.5 1 1.5 2

−0.5

100 real.(210, 210)

H1 = 0.8 et H2 = 0.2, H2 = 0.4, H2 = 0.6, H2 = 0.8.Journees ”Champs aleatoires” - 24/09/2012 Roux Stephane Transf. hyperbolique en ondelettes, anisotropie, autosimilarite

Autres modeles

Fractional Brownian Sheet (FBS)

BH1,H2(x) =

(e i<x1,ξ1> − 1)(e i<x2,ξ2> − 1)

|ξ1|H1+ 12 |ξ2|H2+ 1

dWξ1,ξ2 ,

PSfrag

0 0.5 1 1.5 20

100 real.(210, 210)

H1 = 0.8 et H2 = 0.2, H2 = 0.4, H2 = 0.6, H2 = 0.8.

Autres modeles

Test d’anisotropie

Quantile δ = 0.1 (10%) :

100 realisations (R = 100) de Xθ0,α0,H0 de taille (210 × 210).

Taux de rejection (en %)

H1 0.7 0.4H2 0.5 0.6 0.7 0.2 0.3 0.4

OSGRF II 100 84 15 100 99 7

EFBF 42 31 15 49 28 10

FBS 89 78 58 92 87 61

Autres modeles

Anisotropie ”built-in” versus ”superposee”

Xθ0=0,α0=1,H0=0.5

+ sinus (θ = π/8)

Xθ0=π/8,α0=0.6,H0=0.5

Autres modeles

Conclusions et perspectives

Analyse de champs autosimilaires anisotropes

- pertinence de la Transformee Hyperbolique en Ondelettes;

- procedures d’estimations rapides et efficaces;

- bonne estimation des differents parametres :angle de rotation, anisotropie et autosimilarite;

- test d’isotropie efficace.

Perspectives :

- multifractal anisotrope :synthese : sur base de triebel anisotrope;analyse : coefficients Leaders.

- Anisotropie ”built-in” versus ”superposee” ?

Transformée hyperbolique en ondelettes pour la...

Documents

Transcript of Transformée hyperbolique en ondelettes pour la...

Marches al eatoires sur et propri et es de r ecurrence 1 ...peigne/fichiers/CoursM2-Tunis.pdfCours de Master 2 - Novembre 2010 - Universit e de Tunis El Manar Marches al eatoires sur

Multifractal analysis of Bernoulli convolutions …congres-math.univ-mlv.fr/sites/congres-math.univ-mlv.fr/files/Feng.pdfMultifractal analysis of Bernoulli convolutions associated

Chapitre 3 Mesures stationnaires et théorèmes de …perso-math.univ-mlv.fr/users/cocozza.christiane/doc-pedago-page... · Cela signiﬁe que la chaine de Markov regardée depuis

1. SUJETS DE L’OPTION SCIENTIFIQUE Exercice … · Les variables al eatoires qui interviennent dans cet exercice sont d e nies sur un espace probabilis e ... Trouver une suite convergente

HEL 2 0 0 9 - 1 9 7 1 N S S I LENIC E N Έ JOURN Π E T AL ...journal-ene.gr/wp-content/uploads/2011/02/TOMOS3_TEFXOS4_ENGLISH.pdfπιστη µ ονικό Π ... TOMOS3_TEFXOS4 2/1/11

Search of Therapeutic Targets in Metabolic Pathways of TGF ...maxime.folschette.name/Folschette_JOBIM_Poster.pdf · Journ´ees Ouvertes Biologie, Informatique et Math´ematiques (JOBIM)

IV) Mécanique ondulatoire - alphaalpha.univ-mlv.fr/meca/chap4.pdf · 2013. 9. 23. · IV) Mécanique ondulatoire 1) Fonction d’onde. A tout système quantique, on peut associer

Variables aléatoires, Espérance, Indépendancebansaye/CoursTD2.pdf · 2013. 9. 25. · Variables aléatoires, Espérance, Indépendance De l’analyse aux probabilités.