Search

Your search keyword '"Paul Messier (USA)"' showing total 4 results
Start Over Author "Paul Messier (USA)"
4 results on '"Paul Messier (USA)"'

1. Texture classification of photographic papers: improving spectral clustering using filterbanks on graphs

Author

Tremblay, Nicolas, Roux, Stéphane g., Borgnat, Pierre, Abry, Patrice, Wendt, Herwig, Messier, Paul, Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure - Lyon (ENS Lyon)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Paul Messier (USA), Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Centre National de la Recherche Scientifique (CNRS), Chercheur indépendant, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Institut de Recherche en Informatique de Toulouse - IRIT (Toulouse, France), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), and Institut National Polytechnique de Toulouse - INPT (FRANCE)

Subjects
Community detection, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Art historian, Print, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, ComputingMethodologies_PATTERNRECOGNITION, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Spectral clustering, Traitement du signal et de l'image, Filterbank, Synthèse d'image et réalité virtuelle
Abstract

International audience; From the point of view of graph signal processing, we show that spectral clustering is equivalent to an ideal low-pass filterbank. Building upon previous multiscale community detection ideas [11], and integrating the concept of community cores [8], we propose a data-driven filterbank-based classification method. We apply this method to the texture classification of photographic papers useful to art historians, and we show that it provides a richer and more informative description of the data’s structure in clusters.

Published
2015

2. Multiscale Anisotropic Texture Unsupervised Clustering for Photographic Paper

Author

Stéphane Roux, Pierre Borgnat, Paul Messier, Patrice Abry, Nicolas Tremblay, Herwig Wendt, Centre National de la Recherche Scientifique - CNRS (FRANCE), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - INPT (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Université Claude Bernard-Lyon I - UCBL (FRANCE), Paul Messier (USA), Laboratoire de Physique de l'ENS Lyon (Phys-ENS), École normale supérieure - Lyon (ENS Lyon)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Centre National de la Recherche Scientifique (CNRS), Chercheur indépendant, Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), École normale supérieure de Lyon (ENS de Lyon)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Centre National de la Recherche Scientifique (CNRS), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), and Université de Toulouse (UT)

Subjects
Stability criteria, Computer science, ComputingMethodologies_IMAGEPROCESSINGANDCOMPUTERVISION, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, Databases, Wavelet transforms, Image texture, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, Texture filtering, Traitement du signal et de l'image, Computer vision, Laplace equations, Anisotropy, Synthèse d'image et réalité virtuelle, ComputingMethodologies_COMPUTERGRAPHICS, business.industry, Wavelet transform, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Pattern recognition, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Filter bank, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], Kernel, Kernel (image processing), [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Artificial intelligence, Unsupervised clustering, business, Art, Photographic paper
Abstract

International audience; Texture characterization of photographic papers is likely to provide scholars with valuable information regarding artistic practices. Currently, texture assessment remains mostly based on visual and manual inspections, implying long repetitive tasks prone to inter- and even intra-observer variability. Automated texture characterization and classification procedures are thus important tasks in historical studies of large databases of photographic papers, likely to provide quantitative and reproducible assessments of texture matches. Such procedures may, for instance, produce vital information on photographic prints of uncertain origins. The hyperbolic wavelet transform, because it relies on the use of different dilation factor along the horizontal and vertical axes, permits to construct robust and meaningful multiscale and anisotropic representation of textures. In the present contribution, we explore how unsupervised clustering strategies can be complemented both to assess the significance of extracted clusters and the strength of the contribution of each texture to its associated cluster. Graph based filterbank strategies are notably investigated with the aim to produce small size significant clusters. These tools are illustrated at work on a large database of about 2500 exposed and non exposed photographic papers carefully assembled and documented by the MoMA and P. Messier's foundation. Results are commented and interpreted.

Published
2015

3. Pursuing automated classification of historic photographic papers from raking light photomicrographs

Author

Johnson, Richard, Messier, Paul, Sethares, William A., Klein, Andrew G., Brown, Christopher, Do, Anh Hoang, Klausmeyer, Philip, Abry, Patrice, Jaffard, Stéphane, Wendt, Herwig, Roux, Stéphane, Pustelnik, Nelly, Van Noord, Nanne, Van Der Maaten, Laurens, Postma, Eric, Coddington, Jim, Daffner, Lee Ann, Murata, Hanako, Wilhelm, Henry, Wood, Sally, Messier, Mark, Cornell University [New York], Paul Messier (USA), University of Wisconsin-Madison, Worcester Polytechnic Institute - WPI (USA), Worcester Art Museum - WAM (USA), École normale supérieure - Lyon (ENS Lyon), Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), CoMputational imagINg anD viSion (IRIT-MINDS), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées-Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse - Jean Jaurès (UT2J)-Université Toulouse III - Paul Sabatier (UT3), Université Fédérale Toulouse Midi-Pyrénées-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université Fédérale Toulouse Midi-Pyrénées-Université Toulouse 1 Capitole (UT1), Université Fédérale Toulouse Midi-Pyrénées, Tilburg University [Netherlands], Delft University of Technology (TU Delft), MoMA Srl, Wilhem imaging research (USA), Santa Clara University, Indiana University [Bloomington], Indiana University System, École normale supérieure de Lyon (ENS de Lyon), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Centre National de la Recherche Scientifique - CNRS (FRANCE), Cornell University (USA), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Paris Est Créteil Val de Marne - UPEC (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Delft University of Technology - TU Delft (NETHERLANDS), Indiana University - IU (USA), Santa Clara University - SCU (USA), The Museum of Modern Art - MoMA (USA), Tilburg University (NETHERLANDS), University of Wisconsin - Madison (USA), Institut de Recherche en Informatique de Toulouse - IRIT (Toulouse, France), and Creative Computing

Subjects
Texture classification, ComputingMethodologies_IMAGEPROCESSINGANDCOMPUTERVISION, [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Vision par ordinateur et reconnaissance de formes, Historic photographic paper, Intelligence artificielle, Area-scale analysis, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], Traitement des images, Texture analysis, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Random-feature texton, Traitement du signal et de l'image, Art investigation, Synthèse d'image et réalité virtuelle, Multiscale analysis
Abstract

International audience; Surface texture is a critical feature in the manufacture, marketing, and use of photographic paper. Raking light reveals texture through a stark rendering of highlights and shadows. Though close-up raking light images effectively document surface features of photographic paper, the sheer number and diversity of textures used for historic papers prohibits efficient visual classification. This work provides evidence that automatic, computer-based classification of texture documented with raking light is feasible by demonstrating an encouraging degree of success sorting a set of 120 images made from samples of historic silver gelatin paper. Using this dataset, four university teams applied different image-processing strategies for automatic feature extraction and degree of similarity quantification.All four approaches successfully detected strong affinities and outliers built into the dataset. The creation and deployment of the algorithms was carried out by the teams without prior knowledge of the distributions of similarities and outliers.These results indicate that automatic classification of silver gelatin photographic paper based on close-up texture images is feasible and should be pursued. To encourage the development of other classification schemes, the 120-sample “training” dataset used in this work is available to other academic researchers at http://www.PaperTextureID.org.; La textura superficial es un rasgo crítico en la manufactura, comercialización y uso de papel fotográfico. La luz rasante revela la textura a través de una representación nítida de áreas luminosas y sombras. A pesar de que las imágenes con luz rasante documentan efectivamente las características superficiales del papel fotográfico, la cantidad misma y la diversidad de texturas usadas en papeles históricos hace imposible una clasificación visual eficiente. Este trabajo proporciona evidencias de que la clasificación automática de la textura documentada con luz rasante, realizada por computadora es factible al demostrar un motivante grado de éxito al clasificar un grupo de 120 imágenes hechas de muestras de papel histórico de gelatina de plata. Usando esta base de datos, cuatro equipos universitarios aplicaron diferentes estrategias de procesamiento de imágenes para la extracción automática de rasgos y cuantificación del grado de similitud. Las cuatro estrategias detectaron con éxito afinidades fuertes así como los casos atípicos incluidos en la base de datos. Los equipos crearon y usaron algoritmos sin conocimiento previo de las similitudes y los casos lejanos al promedio. Estos resultados indican que la clasificación automática de papel fotográfico de gelatina de plata basada en imágenes que muestran acercamientos de la textura es viable y debería realizarse. Para incentivar el desarrollo de otros esquemas de clasificación el grupo de 120 muestras de “entrenamiento” usado en este trabajo está disponible para otros investigadores en http://www.PaperTextureID.org.; La texture de la surface du papier photographique est une caractéristique essentielle de sa fabrication, de sa commercialisation et de son utilisation. La lumière rasante révèle la texture du papier par un rendu saisissant des lumières et des ombres. Bien que les gros plans en lumière rasante documentent efficacement les caractéristiques de la surface des papiers photographiques, le nombre et la diversité des textures des papiers historiques empêchent une classification visuelle efficace. Le présent travail démontre que la classification automatique par ordinateur de textures documentées avec une lumière rasante est possible, en démontrant un degré encourageant de succès dans le tri d'un ensemble de 120 images réalisées à partir d'échantillons de papiers historiques au gélatino-bromure d'argent. À partir de ce groupe d'images, quatre équipes universitaires ont appliqué différentes stratégies de traitement d'image afin d'extraire automatiquement des caractéristiques et de quantifier le degré de similitude des papiers. Les quatre approches ont chacune réussi à détecter de fortes affinités, ainsi que des images avec caractéristique aberrante intégrées dans le groupe. La création et le déploiement des algorithmes ont été réalisés par les équipes sans connaissance préalable de la répartition des similitudes et des images aberrantes. Ces résultats indiquent que la classification automatique des papiers photographiques au gélatino-bromure d'argent basée sur des gros plans de texture est possible et doit être poursuivie. Pour encourager le développement d'autres systèmes de classification, les données des 120 échantillons utilisées dans ce travail sont mises à la disposition d'autres chercheurs scientifiques à l'adresse suivante: http://www.PaperTextureID.org.

Published
2014
Full Text
View/download PDF

4. Automated Surface Texture Classification of Inkjet and Photographic Media

Author

Messier, P., Johnson, R., Wilhelm, H., Sethares, W. A., Klein, A. G., Patrice Abry, Jaffard, S., Wendt, H., Roux, S., Pustelnik, N., Noord, N., Maaten, L. D., Postma, E., Centre National de la Recherche Scientifique - CNRS (FRANCE), Cornell University (USA), Ecole Normale Supérieure de Lyon - ENS de Lyon (FRANCE), Institut National Polytechnique de Toulouse - Toulouse INP (FRANCE), Université Paris Est Créteil Val de Marne - UPEC (FRANCE), Université Toulouse III - Paul Sabatier - UT3 (FRANCE), Université Toulouse - Jean Jaurès - UT2J (FRANCE), Université Toulouse 1 Capitole - UT1 (FRANCE), Paul Messier (USA), Tilburg University (NETHERLANDS), University of Wisconsin - Madison (USA), Wilhem imaging research (USA), Worcester Polytechnic Institute - WPI (USA), Institut de Recherche en Informatique de Toulouse - IRIT (Toulouse, France), Paul Messier LLC, Cornell University [New York], University of Wisconsin-Madison, Worcester Polytechnic Institute, École normale supérieure de Lyon (ENS de Lyon), Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), CoMputational imagINg anD viSion (IRIT-MINDS), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Centre National de la Recherche Scientifique (CNRS), Tilburg University [Tilburg], and Netspar

Subjects
Traitement des images, [INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], [INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV], Traitement du signal et de l'image, Computer vision, Vision par ordinateur et reconnaissance de formes, Intelligence artificielle, Synthèse d'image et réalité virtuelle, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; Digital imaging and signal processing technologies offer new methods for inkjet and photographic media engineers and manufacturers, and those responsible for product quality control, to classify and characterize printing materials surface textures using new and more quantitative methods. This paper presents a collaborative project to systematically and semi-automatically characterize the surface texture of inkjet media. These methods have applications in product design and specification, and in manufacturing quality control. Surface texture is a critical feature in the manufacture, marketing and use of inkjet papers, especially those used for fine art printing. Raking light reveals texture through a stark rendering of highlights and shadows. Though raking light photomicrographs effectively document surface features of inkjet paper, the sheer number and diversity of textures prohibits efficient visual classification. This work provides evidence that automatic, computer-based classification of texture documented with raking light photomicrographs is feasible by demonstrating an encouraging degree of success sorting a set of 120 photomicrographs made from diverse samples of inkjet paper and canvas available in the market from 2000 through 2011. The samples used for this study were drawn from the Wilhelm Analog and Digital Color Print Materials Reference Collection. Using this dataset, four university teams applied different image processing strategies for automatic feature extraction and degree of similarity quantification. All four approaches were successful in detecting strong affinities among similarity groupings built into the dataset as well as identifying outliers. The creation and deployment of the algorithms was carried out by the teams without prior knowledge of the distributions of similarities and outliers. These results indicate that automatic classification of inkjet paper based on texture photomicrographs is feasible. To encourage the development of additional classification schemes, the 120 inkjet sample “training” dataset used in this work is available to other academic researchers at www.PaperTextureID.org.

Published
2013
Full Text
View/download PDF

Catalog

Books, media, physical & digital resources
See catalog results