Modélisation multidimensionnelle de signature spectrale pour le démixage et la classification en imagerie hyperspectrale multi-temporelle

Multidimensional Modeling of the Spectral Signature for the Unmixing and Classification of Multi-temporal Hyperspectral Images

• Auteur / Autrice : Selim Hemissi
• Direction : Basel Solaiman
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et télécommunications
• Date : Soutenance en 2014
• Etablissement(s) : Télécom Bretagne
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Partenaire(s) de recherche : autre partenaire : Université européenne de Bretagne (2007-2016)

Mots clés

Mots clés contrôlés

Classification

Imagerie hyperspectrale

Résumé

L'imagerie hyperspectrale constitue une technologie de pointe assez fructueuse pour une cartographie précise de la surface terrestre. En analysant les données, la plupart des approches classiques traitent chaque date indépendamment, sans considérer l'entremêlement temporel omniprésent dans la formation des signatures spectrales. Inéluctablement, les types hétérogènes d'occupation du sol manifestent des signatures spectrales chevauchantes à cause de la variabilité inter/intra saisonnière des propriétés spectrales. Pour y pallier, nous essayons de repenser l'hypothèse d'unicité de la signature spectrale et nous soulignons l'importance d'incorporer la dimension temporelle dans une modélisation plus sophistiquée. En effet, nous proposons dans cette thèse des nouvelles méthodes pour la classification et le démixage spectral des séries temporelles d'images hyperspectrales. Dans un premier temps, l'intégration de la dimension temporelle dans le modèle classique de la signature spectrale est envisagée en utilisant la reconstruction de Delaunay. Cette unification nous a permis de proposer un modèle multi-temporel 3D incorporant les facettes spectrale, temporelle et spatiale des objets. Ensuite, nous nous préoccupons de la mise en oeuvre d'une nouvelle version des bases de signatures spectrales en proposant un schéma conceptuel approprié. Nous avons également étudié des techniques d'apprentissage actif pour la sélection des descripteurs les plus pertinents. De la sorte, l'approche proposée s'inspire de l'algorithme RankBoost pour essayer d'établir le meilleur choix des descripteurs les plus influents. Dans la deuxième partie de la thèse, nous nous focalisons sur la problématique de démixage spectral dans un cadre multi-temporel en essayant de dégager les enjeux d'une analyse fine des composants. Subséquemment, nous développons deux approches, la première adopte une modélisation matricielle tandis que la deuxième étend ce modèle en utilisant le cadre théorique de l'algèbre multi-linéaire. Également, nous considérons les possibilités de résolution du problème de démixage spectral en adoptant une optimisation sous contraintes. Finalement, et dans l'ambition de réduire les effets de l'imperfection des corpus d'apprentissage sur le processus classificatoire, nous proposons une version évidentielle de l'analyse discriminante de Fisher. Les méthodes proposées dans cette thèse améliorent les résultats de classification par rapport aux méthodes classiques et dévoilent, ainsi, un potentiel appréciable pour divers scénarios d'interprétation des séries d'images.

Hyperspectral imaging transcribes each specific spectrum of the received energy from a material in a specific pixel of the image. Since heterogeneous land occupation types exhibit different spectral signatures, hyperspectral imaging can be considered as an effective technology for precise image classification. Nevertheless, the temporal variability of spectral signatures complicates the image analysis task due to the interlacement of spectral properties of different land occupation types throughout the year. Standard classification approaches treat each date separately whereas recent research has proven that modelling hyperspectral images incorporating time dimension is crucial. In this dissertation, we propose new methods and algorithms for the classification of time series of hyperspectral images. Our first contribution in the inclusion the temporal dimension into the classical model of spectral signature using the Delaunay reconstruction. This investigation allows us to develop a 3D multi-temporal model of spectral signatures incorporating spectral, temporal and spatial facets of objects. Indeed, we have proposed a new set of spectral signatures based on the above-mentioned model and have developed an appropriate conceptual schema. The database of satellite images is supported by a hierarchical indexing model using Kohonen's Self Organizing Feature Maps. We also studied boosting learning techniques for the selection of the most relevant features. This proposal is based on the Rankboost algorithm. Our second contribution is tackling the problem of mixed pixels in hyperspectral imagery for time series images. Indeed, for the extraction of multi-temporal endmembers, we developed two approaches: a matrix-based approach and a tensor-based approach which has its roots in the multilinear algebra. Moreover, for the purpose of the classification of non-linearly separable data and modelling imperfect data, we used the Fisher discriminant analysis and the Dempster-Shafer theory, respectively. We also proposed a new classification algorithm that is an evidential extension of the discriminant analysis. Our third contribution consists in modelling the spectral unmixing problem as a constrained optimization problem. Experimental results show that the new methods and algorithms proposed in our work improve the classification results compared to standard methods, and thus reveal a real potential for various scenarios of image sequences interpretation.