Traitement du signal tensoriel. Application à l'imagerie hyperspectrale

par Nadine Renard

Thèse de doctorat en Optique, image et signal

Sous la direction de Salah Bourennane et de Mouloud Adel.

Soutenue en 2008

à Aix-Marseille 3 .

  • Titre traduit

    Tensor signal processing and its application to hyperspectral imagery


  • Résumé

    Cette thèse est consacrée au développement et à l’étude de méthodes algébriques pour l’analyse des données hyperspectrales. Une nouvelle représentation des données par un tenseur d’ordre 3 a permis la proposition de méthodes originales, impliquant l’utilisation d’outils d’algèbre multilinéaire. De ce fait, les méthodes développées sont dites multidimensionnelles ou multimodales. Basées sur la décomposition tensorielle de TUCKER, elles analysent conjointement le mode spatial et spectral. Cette thèse répond à deux problématiques. La première concerne la réduction du bruit. Une technique de détection robuste au bruit est proposée en incorporant un filtrage de Wiener multimodal. Les filtres de Wiener n-modaux (spatiaux et spectraux) sont estimés en minimisant l’erreur quadratique moyenne entre le tenseur utile et estimé. La deuxième problématique abordée est la réduction de la dimension spectrale. Le fléau de la grande dimension des données dégrade les estimations statistiques lors du processus de classification des données. Dans ce cadre, nous avons développé une méthode basée sur la réduction du mode spectral par transformation linéaire, qui approxime simultanément le mode spatial en rangs inférieurs. Les deux méthodes multimodales sont respectivement évaluées en observant leur impact sur la qualité de détection et de classification. Ces résultats révèlent l’intérêt de considérer une analyse spatiale/spectrale par rapport aux techniques uniquement spectrales ou hybrides analysant séquentiellement le mode spectral et spatial.


  • Résumé

    This thesis focus on developing new algebraic methods for hyperspectral applications. The proposed method are original because based on new data representation using third-order tensor. This data representation involves the use of multilinear algebra tools. The proposed methods are referred to as multiway or multimodal methods. TUCKER tensor decompositionbased methods jointly analyze the spatial and spectral modes using an alternating least squares algorithm. This thesis focus on two problematics specific to hyperspectral images. The first one concerns noise reduction. The considered additive noise is due to the acquisition system and degrades the target detection efficiency. A robust to noise detection technique is proposed by incorporating a multimodal Wiener filter. The spatial and spectral n-mode filters are estimated by minimizing the mean squared error between the desired and estimated tensors. The second problematic is the spectral dimension reduction. The curse of the dimensionality degrades the statistical estimation for the classification process. For this issue, the proposed multimodal reduction method reduces the spectral mode by linear transformation jointly to the lower spatial ranks approximation. This method extends the traditional dimension reduction methods. These two multimodal methods are respectively assessed in respect to their impact on detection and classification efficiency. These results highlight the interest of the spatial/spectral analysis in comparison to the traditional spectral analysis only and the hybrid ones which process sequentially the spectral and the spatial mode.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (xii-194 p.)
  • Annexes : Bibliogr. p. 183-194

Où se trouve cette thèse ?

  • Bibliothèque : Université d'Aix-Marseille (Marseille. Saint-Jérôme). Service commun de la documentation. Bibliothèque de sciences.
  • Disponible pour le PEB
  • Cote : 200068896
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.