Analyse de textures dans l'espace hyperspectral par des méthodes probabilistes

par Guillaume Rellier

Thèse de doctorat en Traitement des images

Sous la direction de Josiane Zerubia.

Soutenue en 2002

à Nice , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes) , en partenariat avec Université de Nice-Sophia Antipolis. Faculté des sciences (autre partenaire) .

mots clés

• Markov, Champs aléatoires de
• Markov, Spectre de
• Traitement d'images

Résumé

Dans cette thèse, on aborde le problème de l'analyse de texture pour l'étude des zones urbaines. La texture est une notion spatiale désignant ce qui, en dehors de la couleur, caractérise l'homogénéité visuelle d'une zone donnée d'une image. Le but de cette étude est d'établir un modèle conjointement spectral et spatial de texture hyperspectrales, images caractérisées par un grand nombre de canaux. Les textures sont modélisées par un champ de Markov gaussien vectoriel. Ce champ est adapté aux images hyperspectrales par une simplification évitant l'apparition de problèmes d'estimation statistique dans des espaces de grande dimension. On effectue également une réduction de dimension des données par poursuite de projection, qui permet de déterminer un sous-espace de projection dans lequel un indice de projection est optimise. La méthode d'analyse de texture est testée dans le cadre d'une classification supervisée, grâce a 2 algorithmes que l'on applique a des images AVIRIS.

Titre traduit

Texture analysis in the hyperspectral space probabilistic methods

Résumé

In this work, we investigate the problem of texture analysis of urban areas. Texture is a spatial concept that refers to the visual homogeneity characteristics of an image. The aim of this research is to define a joint specctral and spatial texture model for hyperspectral images which have a large number of bands. Textures are modeled by a vectorial Gauss-Markov random field. This field has been adapted to hyperspectral images by a simplification which avoids statistical estimation problems common to high dimensional spaces. We also reduce the dimensionality of the data, using a projection pursuit algorithm, which determines a projection subspace in which a projection index is optimized. This texture analysis method is tested within a supervised classification framework, using two classification algorithms we apply to AVIRIS hyperspectral images.