Classification et compression de textures hyperspectrales par représentations parcimonieuses

Abstract

L'imagerie hyperspectrale enregistre des centaines de bandes spectrales étroites et contigües reçues dans chaque position spatiale de l'image. Comme chaque matériau manifeste une signature spectrale différente, l'imagerie hyperspectrale permet la classification précise des images, ce qui est une tâche importante dans beaucoup de domaines. Cependant, la grande dimension de ces images complique l'analyse des données. Dans cette dissertation, nous proposons et développons des nouvelles méthodes et algorithmes pour la compression et classification précise des données hyperspectrales. D'abord, une représentation parcimonieuse de la texture hyperspectrale basée sur la transformée en ondelettes discrète 3D et la régression SVM (SVR) est étudiée pour la compression des images hyperspectrales. Les ondelettes et les SVM sont deux outils efficaces pour la compression des données de grande dimension et pour l'analyse contextuelle d'images. Dans un second temps, nous avons propose une méthode de classification qui utilise des voisinages spatiaux représentatifs dérivées des résultats d'une étude de similarité par la transformée en ondelettes spectrales sur graphe (SGWT). Nous avons proposé plusieurs méthodes de sélection basées sur un calcul de distance afin de sélectionner les pixels représentatifs de la façon la plus fiable possible. Nous avons appliqué ensuite une classification SVM sur les coefficients obtenus. Cette thèse détaille donc deux parties : La compression des images hyperspectrales par 3D-DWT+SVR et la classification des textures hyperspectrales par SGWT+SVM. Pour la compression de données hyperspectrales nous présentons une application de représentation parcimonieuse dans le cadre de compression d'image hyperspectrale avec perte. Cette méthode prend en compte les informations spectrales tout en préservant les informations les plus pertinentes de l'image. Elle est basée sur la transformée en ondelettes 3D et la régression des vecteurs supports (SVR). Le schéma de la méthode proposée est donné sur la figure suivante.