Le 27 avril 2018
De 10h30 à 12h00
Vincent Mazet
ICube
Nous présenterons dans cet exposé les méthodes développées ces dernières années dans l’équipe IPSEO (ex PASEO) de Christophe Collet du laboratoire ICube. Il s’agit de susciter des discussions pouvant aboutir à une collaboration.
Nous considérons dans un premier temps l’estimation de la cinématique des galaxies à partir d’images multispectrales (radio ou visible). Pour cela, les spectres de l’image sont modélisés par une somme de gaussiennes dont les paramètres (positions, amplitudes et largeurs) sont à estimer. Ces paramètres permettent de retrouver des cartes de moments précises et surtout de distinguer les différentes structures cinématiques. Une première approche est basée sur une modélisation bayésienne du problème couplée à des algorithmes MCMC ; une alternative considère un problème de séparation de sources pour lequel des approches de minimisation l2-l0 ont été développées.
Nous parlerons dans un second temps de la détection des CGM dans des images MUSE. La première approche que nous avons proposé est fondée sur un test GLR tenant compte des spécificités du signal recherché et utilisant les informations de forme spectrale, d’étalement spatial et de cohérence entre spectres. Une autre approche utilise une modélisation markovienne à l’aide de champs de Markov et d’arbres de Markov.
ENGLISH SUMMARY
Some Methods of Astronomical Image Processing developped at ICube — The Example of Galaxy Kinematics & the Detection of Faint Lyman-alpha CGM.
This talk aims at presenting some methods developped recently in the group IPSEO of the laboratory ICube.
We consider first the estimation of galaxy kinematics from multispectral images (radio or visible). To do that, the spectra in the image are modeled by a noisy sum of Gaussians whose parameters (wavelength, intensity, width) are to be estimated. These parameters are essential to get precise moment maps, and also to distinguish the different kinematic structures. A first approach is based on a Bayesian model with the use of MCMC algorithms and a second approach considers the problem as a source separation problem for which l2-L0 minimisation is implemented.
Then we present a new method devoted to the detection of CGM from MUSE images. The first approach we have proposed is based on a GLR test that uses the spectral shape, spatial spread and coherence between the spectra. Another approach used a Markov model (specifically Markov trees and Markov fields).