Approches spectro-spatiales pour la classification d'images hyperspectrales

Classification of hyperspectral data using spectral-spatial approaches

• Auteur / Autrice : Yuliya Tarabalka
• Direction : Jón Atli Benediktsson
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, parole, télécoms
• Date : Soutenance en 2010
• Etablissement(s) : Grenoble INPG

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Traitement d'images

Résumé

Dans cette thèse, nous proposons et développons des nouvelles méthodes et algorithmes spectro-spatiaux pour la classification des données hyperspectrales. Dans un premier temps, l'intégration de la technique des Machines a Vecteurs de Support dans le cadre des Champs Aléatoires de Markov est étudiée. Dans un second temps, nous proposons des méthodes de classification qui utilisent des voisinages spatiaux adaptatifs dérivés des résultats de segmentation. L'extension de différentes techniques de segmentation au cadre hyperspectral a été étudiée. Afin de réduire une sur-segmentation de l'image, nous avons également proposé des techniques basées sur l'utilisation de marqueurs afin d'identifier les structures spatiales pertinentes. Notre proposition consiste à analyser les résultats d'une classification afin de sélectionner comme marqueurs les pixels les plus fiables. Les nouvelles méthodes améliorent les résultats de classification par rapport aux méthodes proposées précédemment.

Ln this thesis, we propose and develop novel spectral-spatial methods and algorithms for classification of hyperspectral data. First, the integration of the Support Vector Machines technique within a Markov Random Fields framework is investigated. Ln. A second step, we propose classification methods using adaptive spatial neighborhoods derived from region segmentation results. Different segmentation techniques are investigated and extended to the case of hyperspectral images. We also propose approaches to reduce oversegmentation in an image, which is achieved by automatically marking the spatial structures before performing a marker-controlled segmentation. Our proposai is to analyze probabilistic classification results for selecting the most reliably classified pixels as markers of spatial regions. Then, different approaches for marker-controlled region growing are developed. The new techniques improve classification results when compared to previously proposed methods.