Contributions à la segmentation non supervisée d'images hyperspectrales : trois approches algébriques et géométriques
Auteur / Autrice : | Saadallah El Asmar |
Direction : | Michel Berthier, Carl Frélicot |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques et applications |
Date : | Soutenance le 30/08/2016 |
Etablissement(s) : | La Rochelle |
Ecole(s) doctorale(s) : | École doctorale Sciences et ingénierie pour l'information, mathématiques (Limoges ; 2009-2018) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Mathématiques, Image et Applications (La Rochelle) |
Jury : | Président / Présidente : Philippe Carré |
Examinateurs / Examinatrices : Michel Berthier, Carl Frélicot, Philippe Carré, Yannick Berthoumieu, Mohamad Khalil, Alamin Mansouri | |
Rapporteurs / Rapporteuses : Yannick Berthoumieu, Mohamad Khalil |
Mots clés
Résumé
Depuis environ une dizaine d’années, les images hyperspectrales produites par les systèmes de télédétection, “Remote Sensing”, ont permis d’obtenir des informations très fiables quant aux caractéristiques spectrales de matériaux présents dans une scène donnée. Nous nous intéressons dans ce travail au problème de la segmentation non supervisée d’images hyperspectrales suivant trois approches bien distinctes. La première, de type Graph Embedding, nécessite deux étapes : une première étape d’appariement des pixels de patchs de l’image initiale grâce à une mesure de similarité spectrale entre pixels et une seconde étape d’appariement d’objets issus des segmentations locales grâce à une mesure de similarité entre objets. La deuxième, de type Spectral Hashing ou Semantic Hashing, repose sur un codage binaire des variations des profils spectraux. On procède à des segmentations par clustering à l’aide d’un algorithme de k-modes adapté au caractère binaire des données à traiter et à l’aide d’une version généralisée de la distance classique de Hamming. La troisième utilise les informations riemanniennes des variétés issues des différentes façons de représenter géométriquement une image hyperspectrale. Les segmentations se font une nouvelle fois par clustering à l’aide d’un algorithme de k-means. Nous exploitons pour cela les propriétés géométriques de l’espace des matrices symétriques définies positives, induites par la métrique de Fisher Rao.