Over the past decade, graphene/nanomaterial hybrids have gained a great interest in various applications due to their unique optical properties. This work explores lanthanide doped upconverting nanoparticles (UCNPs)/graphene hybrid nanomaterials. Here, core/shell structures comprising β-NaGdF4:Y b3+(20%),Er3+(2%)@NaGdF4 and α-NaGdF4:Y b3+(20%), Er3+(2%)@NaGdF4 with oleate as capping agent were synthesized and characterized. The choice of lanthanide ions (Yb3+ and Er3+) and their concentrations plays an important role to make these nanoparticles undergo two optical processes (upcoversion and downshifting) capable to convert near-infrared excitation to visible and near-infrared emission. In order to make hybrid systems, these nanoparticles were combined with graphene films. The morphology and the optical behavior of the hybrid samples were studied by microscope and hyperspectral imaging. The multi-energy sublevels from the 4f electronic configuration of lanthanides, their long excited state lifetime and the high carrier mobility of the graphene expected to open an exciting possibility of interaction, however, UCNPs/Graphene hybrid nanomaterial exhibits a minimal response when subjected to 980 nm laser illumination.

The need for an efficient dimensionality reduction technique has remained a critical challenge for effective analysis of hyperspectral data for vegetation applications. Discrete wavelet transform (DWT), through multiresolution analysis, offers oppurtunities both to reduce dimension and convey information at multiple spectral scales. In this study, we investigated the utility of the Haar DWT for AVIRIS hyperspectral data analysis in three different applications (1) classification of three pine species (Pinus spp.), (2) estimation of leaf area index (LAI) using an empirically-based model, and (3) estimation of LAI using a physically-based model. For pine species classification, different sets of Haar wavelet features were compared to each other and to calibrated radiance. The Haar coefficients selected by stepwise discriminant analysis provided better classification accuracy (74.2%) than the original radiance (66.7%). For empirically-based LAI estimation, the models using the Haar coefficients explained the most variance in observed LAI for both deciduous plots (cross validation R² (CV-R²) = 0.79 for wavelet features vs. CV-R² = 0.69 for spectral bands) and all plots combined (CV R² = 0.71 for wavelet features vs. CV-R² = 0.50 for spectral bands). For physically-based LAI estimation, a look-up-table (LUT) was constructed by a radiative transfer model, DART, using a three-stage approach developed in this study. The approach involved comparison between preliminary LUT reflectances and image spectra to find the optimal set of parameter combinations and input increments. The LUT-based inversion was performed with three different datasets, the original reflectance bands, the full set of the wavelet extracted features, and the two wavelet subsets containing 99.99% and 99.0% of the cumulative energy of the original signal. The energy subset containing 99.99% of the cumulative signal energy provided better estimates of LAI (RMSE = 0.46, R² = 0.77) than the original spectral bands (RMSE = 0.69, R² = 0.42). This study has demonstrated that the application of the discrete wavelet transform can provide more accurate species discrimination within the same genus than the original hyperspectral bands and can improve the accuracy of LAI estimates from both empirically- and physically-based models. / Ph. D.

The use of nitrogenous fertilizers in agricultural and forestry practices coupled with increased fossil fuel combustion and resulting nitrogen (N) deposition across the landscape have contributed to a near doubling of N inputs to terrestrial ecosystems.  With such dramatic changes have come adverse environmental consequences including the acidification of soil and water resources and an increased rate of biodiversity loss in both flora and fauna.  A method of rapidly predicting ecosystem susceptibility to N loss across large spatial scales would facilitate the identification of those systems most likely to contribute to potentially adverse environmental impacts.  To begin the development of such a framework, this research utilizes study sites located throughout the geographic ranges of Douglas-fir (Pseudotsuga menziesii) and loblolly pine (Pinus taeda) to explore relationships between hyperspectral remote sensing, N stable isotope ratios ("15N) and growth response to nitrogenous fertilizer.  In both species multiple linear regression models relating leaf-level reflectance to "15N showed strong predictive capabilities, with some models explaining more than 65% of the variance in "15N.  Significant correlations between "15N metrics and growth response to N fertilization were also observed in both species.  Additional exploratory analysis of the inclusion of "15N metrics with other environmental and edaphic variables to predict fertilizer growth response showed an increase in model performance with the addition of the enrichment factor (EF ="15NFol - "15NSoil).  This research demonstrates the ability of hyperspectral reflectance to predict "15N and reveals the potential of "15N to be included in future models to predict fertilizer growth response. / Master of Science

Visual sensing in robotics, especially in the context of autonomous vehicles, has advanced quickly and many important contributions have been made in the areas of target classification. Typical to these studies is the use of the Red-Green-Blue (RGB) camera. Separately, in the field of remote sensing, the hyperspectral camera has been used to perform classification tasks on natural and man-made objects from typically aerial or satellite platforms. Hyperspectral data is characterized by a very fine spectral resolution, resulting in a significant increase in the ability to identify materials in the image. This hardware has not been studied in the context of autonomy as the sensors are large, expensive, and have non-trivial image capture times. This work presents three novel contributions: a Labeled Hyperspectral Image Dataset (LHID) of ground-level, outdoor objects based on typical scenes that a vehicle or pedestrian may encounter, an open-source hyperspectral interface software package (HSImage), and a feature selection based sensor design algorithm for object detection sensors (DLSD). These three contributions are novel and useful in the fields of hyperspectral data analysis, visual sensor design, and hyperspectral machine learning. The hyperspectral dataset and hyperspectral interface software were used in the design and testing of the sensor design algorithm. The LHID is shown to be useful for machine learning tasks through experimentation and provides a unique data source for hyperspectral machine learning. HSImage is shown to be useful for manipulating, labeling and interacting with hyperspectral data, and allows wavelength and classification based data retrieval, storage of labeling information and ambient light data. DLSD is shown to be useful for creating wavelength bands for a sensor design that increase the accuracy of classifiers trained on data from the LHID. DLSD shows accuracy near that of the full spectrum hyperspectral data, with a reduction in features on the order of 100 times. It compared favorably to other state-of-the-art wavelength feature selection techniques and exceeded the accuracy of an RGB sensor by 10%. / Ph. D. / To allow for better performance of autonomous vehicles in the complex road environment, identifying different objects in the roadway or near it is very important. Typically, cameras are used to identify objects and there has been much research into this task. However, the type of camera used is an RGB camera, the same used in consumer electronics, and it has a limited ability to identify colors. Instead, it only detects red, green, and blue and combines the results of these three measurements to simulate color. Hyperspectral cameras are specialized hardware that can detect individual colors, without having to simulate them. This study details an algorithm that will design a sensor for autonomous vehicle object identification that leverages the higher amount of information in a hyperspectral camera, but keep the simpler hardware of the RGB camera. This study presents three separate novel contributions: A database of hyperspectral images useful for tasks related to autonomous vehicles, a software tool that allows scientific study of hyperspectral images, and an algorithm that provides a sensor design that is useful for object identification. Experiments using the database show that it is useful for research tasks related to autonomous vehicles. The software tool is shown to be useful to interfacing between image files, algorithms and external software, and the sensor design algorithm is shown to be comparable to other such algorithms in accuracy, but outperforms the other algorithms in the size of the data required to complete the goal.

L'imagerie hyperspectrale (HSI) repose sur le fait que, pour un matériau donné, la quantité de rayonnement émis varie avec la longueur d'onde. Les capteurs HSI mesurent donc le rayonnement des matériaux au sein de chaque pixel pour un très grand nombre de bandes spectrales contiguës et fournissent des images contenant des informations à la fois spatiale et spectrale. Les méthodes classiques de détection adaptative supposent généralement que le fond est gaussien à vecteur moyenne nul ou connu. Cependant, quand le vecteur moyen est inconnu, comme c'est le cas pour l'image hyperspectrale, il doit être inclus dans le processus de détection. Nous proposons dans ce travail d'étendre les méthodes classiques de détection pour lesquelles la matrice de covariance et le vecteur de moyenne sont tous deux inconnus.Cependant, la distribution statistique multivariée des pixels de l'environnement peut s'éloigner de l'hypothèse gaussienne classiquement utilisée. La classe des distributions elliptiques a été déjà popularisée pour la caractérisation de fond pour l’HSI. Bien que ces modèles non gaussiens aient déjà été exploités dans la modélisation du fond et dans la conception de détecteurs, l'estimation des paramètres (matrice de covariance, vecteur moyenne) est encore généralement effectuée en utilisant des estimateurs conventionnels gaussiens. Dans ce contexte, nous analysons de méthodes d’estimation robuste plus appropriées à ces distributions non-gaussiennes : les M-estimateurs. Ces méthodes de détection couplées à ces nouveaux estimateurs permettent d'une part, d'améliorer les performances de détection dans un environment non-gaussien mais d'autre part de garder les mêmes performances que celles des détecteurs conventionnels dans un environnement gaussien. Elles fournissent ainsi un cadre unifié pour la détection de cibles et la détection d'anomalies pour la HSI. / Hyperspectral imaging (HSI) extends from the fact that for any given material, the amount of emitted radiation varies with wavelength. HSI sensors measure the radiance of the materials within each pixel area at a very large number of contiguous spectral bands and provide image data containing both spatial and spectral information. Classical adaptive detection schemes assume that the background is zero-mean Gaussian or with known mean vector that can be exploited. However, when the mean vector is unknown, as it is the case for hyperspectral imaging, it has to be included in the detection process. We propose in this work an extension of classical detection methods when both covariance matrix and mean vector are unknown.However, the actual multivariate distribution of the background pixels may differ from the generally used Gaussian hypothesis. The class of elliptical distributions has already been popularized for background characterization in HSI. Although these non-Gaussian models have been exploited for background modeling and detection schemes, the parameters estimation (covariance matrix, mean vector) is usually performed using classical Gaussian-based estimators. We analyze here some robust estimation procedures (M-estimators of location and scale) more suitable when non-Gaussian distributions are assumed. Jointly used with M-estimators, these new detectors allow to enhance the target detection performance in non-Gaussian environment while keeping the same performance than the classical detectors in Gaussian environment. Therefore, they provide a unified framework for target detection and anomaly detection in HSI.

Avec l'expansion des zones urbaines, la pollution de l'air et l'effet d'îlot de chaleur augmentent, entraînant des problèmes de santé pour les habitants et des changements climatiques mondiaux. Dans ce contexte, les arbres urbains sont une ressource précieuse pour améliorer la qualité de l'air et promouvoir les îlot de fraîcheur. D'autre part, les canopées sont soumises à des conditions spécifiques dans l'environnement urbain, causant la propagation de maladies et la diminution de l'espérance de vie parmi les arbres. Cette thèse explore le potentiel de la télédétection pour la cartographie automatique des arbres urbains, de la détection des couronnes d'arbres à l'estimation des espèces, une tâche préliminaire essentielle pour la conception des futures villes vertes, et pour une surveillance efficace de la végétation. Fondé sur des données hyperspectrales aéroportées, panchromatiques et un modèle numérique de surface, le premier objectif de cette thèse consiste à tirer parti de plusieurs sources de données pour améliorer les cartes d'arbres urbains existants, en testant différentes stratégies de fusion (fusion de caractéristiques et fusion de décision). La nature des résultats nous a conduit à optimiser la complémentarité des sources. En particulier, le deuxième objectif est d'étudier en profondeur la richesse des données hyperspectrales, en développant une approche d'ensemble classifier fondée sur des indices de végétation, où les "classifier" sont spécifiques aux espèces. Enfin, la première partie a mis en évidence l'intérêt de distinguer les arbres de rue des autres structures d'arbres urbains. Dans un cadre de Marked Point Process, le troisième objectif est de détecter les arbres en alignement urbain. Par le premier objectif, cette thèse démontre que les données hyperspectrales sont le principal moteur de la précision de la prédiction des espèces. La stratégie de fusion au niveau de décision est la plus appropriée pour améliorer la performance en comparaison des données hyperspectrales seules, mais de légères améliorations sont obtenues (quelques %) en raison de la faible complémentarité des caractéristiques texturales et structurelles en plus des caractéristiques spectrales. L'approche d'ensemble classifier développée dans la deuxième partie permet de classer les espèces d'arbres à partir de références au sol, avec des améliorations significatives par rapport à une approche standard de classification au niveau des caractéristiques. Chaque classifieur d'espèces extrait reflète les attributs spectraux discriminants de l'espèce et peut être relié à l'expertise des botanistes. Enfin, les arbres de rue peuvent être cartographiés grâce au terme d'interaction des MPP proposé qui modélise leurs caractéristiques contextuelles (alignement et hauteurs similaires). De nombreuses améliorations doivent être explorées comme la délimitation plus précise de la couronne de l'arbre, et plusieurs perspectives sont envisageables après cette thèse, parmi lesquelles le suivi de l'état de santé des arbres urbains. / With the expansion of urban areas, air pollution and heat island effect are increasing, leading to state of health issues for the inhabitants and global climate changes. In this context, urban trees are a valuable resource for both improving air quality and promoting freshness islands. On the other hand, canopies are subject to specific conditions in the urban environment, causing the spread of diseases and life expectancy decreases among the trees. This thesis explores the potential of remote sensing for the automatic urban tree mapping, from the detection of the individual tree crowns to their species estimation, an essential preliminary task for designing the future green cities, and for an effective vegetation monitoring. Based on airborne hyperspectral, panchromatic and Digital Surface Model data, the first objective of this thesis consists in taking advantage of several data sources for improving the existing urban tree maps, by testing different fusion strategies (feature and decision level fusion). The nature of the results led us to optimize the complementarity of the sources. In particular, the second objective is to investigate deeply the richness of the hyperspectral data, by developing an ensemble classifiers approach based on vegetation indices, where the classifiers are species specific. Finally, the first part highlighted to interest of discriminating the street trees from the other structures of urban trees. In a Marked Point Process framework, the third objective is to detect trees in urban alignment. Through the first objective, this thesis demonstrates that the hyperspectral data are the main driver of the species prediction accuracy. The decision level fusion strategy is the most appropriate one for improving the performance in comparison the hyperspectral data alone, but slight improvements are obtained (a few percent) due to the low complementarity of textural and structural features in addition to the spectral ones. The ensemble classifiers approach developed in the second part allows the tree species to be classified from ground-based references, with significant improvements in comparison to a standard feature level classification approach. Each extracted species classifier reflects the discriminative spectral attributes of the species and can be related to the expertise of botanists. Finally, the street trees can be mapped thanks to the proposed MPP interaction term which models their contextual features (alignment and similar heights). Many improvements have to be explored such as the more accurate tree crown delineation, and several perspectives are conceivable after this thesis, among which the state of health monitoring of the urban trees.

Dans cette thèse, nous nous sommes intéressés à la détection de galaxies lointaines dans les données hyperspectrales MUSE. Ces galaxies, en particulier, sont difficiles à observer, elles sont spatialement peu étendues du fait de leur distance, leur spectre est composé d'une seule raie d'émission dont la position est inconnue et dépend de la distance de la galaxie, et elles présentent un rapport signal-à-bruit très faible. Ces galaxies lointaines peuvent être considérées comme des sources quasi-ponctuelles dans les trois dimensions du cube. Il existe peu de méthodes dans la littérature qui permettent de détecter des sources dans des données en trois dimensions. L'approche proposée dans cette thèse repose sur la modélisation de la configuration de galaxies par un processus ponctuel marqué. Ceci consiste à représenter la position des galaxies comme une configuration de points auxquels nous ajoutons des caractéristiques géométriques, spectrales, etc, qui transforment un point en objet. Cette approche présente l'avantage d'avoir une représentation mathématique proche du phénomène physique et permet de s'affranchir des approches pixelliques qui sont pénalisées par les dimensions conséquentes des données (300 x 300 x 3600 pixels). La détection des galaxies et l'estimation de leurs caractéristiques spatiales, spectrales ou d'intensité sont réalisées dans un cadre entièrement bayésien, ce qui conduit à un algorithme générique et robuste, où tous les paramètres sont estimés sur la base des seules données observées, la détection des objets d'intérêt étant effectuée conjointement.La dimension des données et la difficulté du problème de détection nous ont conduit à envisager une phase de prétraitement des données visant à définir des zones de recherche dans le cube. Des approches de type tests multiples permettent de construire des cartes de proposition des objets. La détection bayésienne est guidée par ces cartes de pré-détection (définition de la fonction d'intensité du processus ponctuel marqué), la proposition des objets est réalisée sur les pixels sélectionnés sur ces cartes. La qualité de la détection peut être caractérisée par un critère de contrôle des erreurs.L'ensemble des traitements développés au cours de cette thèse a été validé sur des données synthétiques, et appliqué ensuite à un jeu de données réelles acquises par MUSE suite à sa mise en service en 2014. L'analyse de la détection obtenue est présentée dans le manuscrit. / Detecting the faintest galaxies in the hyperspectral MUSE data is particularly challenging because they have a small spatial extension, a very sparse spectrum that contains only one narrow emission line, which position in the spectral range is unknown. Moreover, their signal-to-noise ratio are very low. These galaxies are modeled as quasi point sources in the three dimensions of the data cube. We propose a method for the detection of a galaxy configuration based on a marked point process in a nonparametric Bayesian framework. A galaxy is modeled by a point (its position in the spatial domain), and marks (geometrical, spectral features) are added to transform a point into an object. These processes yield a natural sparse representation of massive data (300 x 300 x 3600 pixels). The fully Bayesian framework leads to a general and robust algorithm where the parameters of the objects are estimated in a fully data-driven way. Preprocessing strategies are drawn to tackle the massive dimensions of the data and the complexity of the detection problem, they allow to reduce the exploration of the data to areas that probably contain sources. Multiple testing approaches have been proposed to build proposition map. This map is also used to define the intensity of the point process, textit{i.e.} it describes the probability density function of the point process. It also gives a global error control criterion for the detection. The performance of the proposed algorithm is illustrated on synthetic data and real hyperspectral data acquired by the MUSE instrument for young galaxy detection.

L'imagerie hyperspectrale, grâce à un nombre élevé de bandes spectrales très fines et contigües, est capable d'associer àchaque pixel d'une image une signature spectrale caractéristique du comportement réflectif du matériau ou du mélange dematériaux présents dans ce pixel. La plupart des algorithmes de classification tirent profit de cette grande profusiond'information spectrale mais exploitent très peu l'information contextuelle existant entre les pixels appartenant à un mêmevoisinage. L'objectif de cette thèse est de réaliser de nouveaux algorithmes utilisant simultanément les informations spectraleet spatiale à des fins de classification et d'étudier la complémentarité de ces deux types d'information dans divers contextes.Dans cette optique nous avons développé trois scénarios de classification sensiblement différents, chacun étant adapté à untype d'application particulier.Nous avons tout d'abord développé un procédé d'extraction puis de classification vectorielle d'un ensemble de caractéristiquesspectrales et spatiales. Les caractéristiques spectrales sont extraites au moyen de méthodes visant à réduire la dimension desimages hyperspectrales tout en conservant une majorité de l'information utile. Les caractéristiques spatiales sont quant àelles produites par l'intermédiaire d'outils de caractérisation de la texture (matrices de co-occurrence et spectres de texture)ou de la forme (profils morphologiques). Nous nous sommes ensuite intéressés à la modélisation markovienne et avonsentrepris d'adapter un algorithme de classification de type Conditional Random Field à un contexte hyperspectral. Notretroisième et dernière approche s'appuie sur une segmentation préalable de l'image afin de réaliser une classification parzones et non plus par pixels.L'information spectrale pure permet de regrouper efficacement des pixels présentant des signatures spectrales similaires etsuffit généralement dans le cadre de problèmes de classification ne faisant intervenir que des classes sémantiquement trèsprécises, liées à un unique type de matériau. Les classes plus générales (utilisées par exemple pour des applicationsd'aménagement des sols) se composent en revanche de plusieurs matériaux parfois communs à plusieurs classes et agencésselon des motifs qui se répètent. Caractérisables à la fois spatialement et spectralement, ces classes sont susceptibles d'êtreplus complètement décrites par une utilisation simultanée de ces deux types d'information. Pour conclure cette étude, nousavons effectué une comparaison des trois méthodes d'intégration de l'information spatiale au processus de classification selonles trois critères sont la précision de classification, la complexité algorithmique et la robustesse / Thanks to a high number of thin and contiguous spectral bands, the hyperpectral imagery can associate to each pixel of animage a spectral signature representing the reflective behaviour of the materials composing the pixel. Most of theclassification algorithms use this great amount of spectral information without noticing the contextual information betweenthe pixels that belong to the same neighborhood. This study aims to realize new algorithms using simultaneously the spectraland spatial informations in order to classify hyperspectral images, and to study their complementarity in several contexts. Forthis purpose, we have developped three different classification scenarios, each one adapted to a particular type of application.The first scenario consists in a vectorial classification processus. Several spectral and spatial characteristics are extracted andmerged in order to form a unique data set, which is classified using a Support Vector Machine method or a Gaussian MixingModel algorithm. The spectral characteristics are extracted using dimension reduction method, such as PCA or MNF, while thespatial characteristics are extracted using textural characterization tools (co-occurrence matrices and texture spectra) ormorphological tools (morphological profiles). For the second scenario, we adapted a Conditional Random Field algorithm tothe hyperspectral context. Finally, the last scenario is an area-wise classification algorithm relying on a textural segmentationmethod as a pre-processing step.The spectral information is generally sufficient to deal with semantically simple classes, linked to a unique type of material.Complex classes (such as ground amenagment classes) are composed of several materials which potentially belong to morethan one class. Those classes can be characterized both spectrally and spatially, which means that they can be morecompletly described using both spectral and spatial informations. To conclude this study, we compared the threespectral/spatial classification scenarios using three criterions : classification accuracy, algorithmic complexity and strength.

Ce travail s'inscrit dans la perspective de l'enrichissement des bases de données d'occupation du sol. La description de l'occupation du sol permet de produire des indicateurs environnementaux pour la gestion des écosystèmes et des territoires, en réponse à des besoins sociétaux, réglementaires et scientifiques. Aussi, des bases de données décrivant l'occupation du sol existent à différents niveaux (local, national, européen) ou sont en cours de constitution. Il est toutefois apparu que la connaissance de l'occupation du sol nécessaire pour certaines applications de modélisation de la ville (simulateurs de micro-météorologie, d'hydrologie, ou de suivi de pollutions), voire de suivi réglementaire (imperméabilisation des sols) est plus fine (au niveau sémantique et géométrique) que ce que contiennent ces bases de données. Des cartes de matériaux sont donc nécessaires pour certaines applications. Elles pourraient constituer une couche supplémentaire, à la fois dans des bases de données sur l'occupation du sol (comme l'occupation du sol à grande échelle de l'IGN) et dans des maquettes urbaines 3D.Aucune base de données existante ne contenant cette information, la télédétection apparaît comme la seule solution pour la produire. Néanmoins, du fait de la forte hétérogénéité des matériaux, de leur variabilité, mais aussi des fortes ressemblances entre classes distinctes, il apparaît que les capteurs optiques multispectraux classiques (limités aux 4 canaux rouge - vert - bleu - proche infrarouge) sont insuffisants pour bien discriminer des matériaux. Un capteur dit superspectral, c'est-à-dire plus riche spectralement, pourrait apporter une solution à cette limite. Ce travail s'est donc positionné dans l'optique de la conception d'un tel capteur et a consisté à identifier la meilleure configuration spectrale pour la classification des matériaux urbains, ou du moins à proposer des solutions s'en approchant. Un travail d'optimisation spectrale a donc été réalisé afin d'optimiser à la fois la position des bandes dans le spectre ainsi que leur largeur. Le travail s'est déroulé en deux temps. Une première tâche a consisté à définir et préciser les méthodes d'optimisation de bandes, et à les valider sur des jeux de données de référence de la littérature. Deux heuristiques d'optimisation classiques (l'une incrémentale, l'autre stochastique) ont été choisies du fait de leur généricité et de leur flexibilité, et donc de leur capacité à être utilisées pour différents critères de sélection d'attributs. Une comparaison de différentes mesures de la pertinence d'un jeu de bandes a été effectuée afin de définir le score à optimiser lors du processus de sélection de bandes. L'optimisation de la largeur des bandes a ensuite été étudiée : la méthode proposée consiste à préalablement construire une hiérarchie de bandes fusionnées en fonction de leur similarité, le processus de sélection de bandes se déroulant ensuite au sein de cette hiérarchie. La seconde partie du travail a consisté en l'application de ces algorithmes d'optimisation spectrale au cas d'étude des matériaux urbains. Une collection de spectres de matériaux urbains a d'abord été réunie à partir de différentes librairies spectrales (ASTER, MEMOIRES, ...). L'optimisation spectrale a ensuite été menée à partir de ce jeu de données. Il est apparu qu'un nombre limité de bandes bien choisies suffisait pour discriminer 9 classes de matériaux communs (ardoise - asphalte - ciment - gravier - métal - pavés en pierre - shingle - terre – tuile). L'apport de bandes issues du domaine de l'infrarouge onde courte (1400 - 2500 nm) pour la discrimination des matériaux a également été vérifiée. La portée des résultats chiffrés obtenus en terme de confusions entre les matériaux reste toutefois à nuancer du fait de la très faible représentation de certains matériaux dans la librairie de spectres collectés, ne couvrant donc pas la totalité de leur variabilité / This work was performed in the context of a possible enrichment of land cover databases. The description of land cover is necessary it possible to produce environmental indicators for the management of ecosystems and territories, in response to various societal and scientific needs. Thus, different land cover databases already exist at various levels (global, European, national, regional or local) or are currently being produced. However, it appeared that knowledge about land cover should more detailled in urban areas, since it is required by several city modeling applications (micro-meteorological, hydrological, or pollution monitoring simulators), or public regulations monitoring (e.g. concerning ground perviousness). Such materials maps would be (both semantically and spatially) finer than what is contained in existing land cover databases. Therefore, they could be an additional layer, both in land cover databases (such as in IGN High Resolution land cover database) and in 3D city models. No existing database contains such information about urban material maps. Thus remote sensing is the only solution to produce it. However, due to the high heterogeneity of urban materials, their variability, but also the strong similarities between different material classes, usual optical multispectral sensors (with only the 4 red - green - blue - near infrared bands) are not sufficient to reach a good discrimination of materials. A multispectral sensor or superspectral, that is to say spectrally richer, could therefore provide a solution to this limit. Thus, this work was performed intending the design of such sensor. It aimed at identifying the best spectral configuration for classification of urban materials, or at least to propose sub-optimal solutions. In other words, a spectral optimization was carried out in order to optimize both the position of the bands in the spectrum and their width. Automatic feature selection methods were used. This work was performed in two steps. A first task aimed at defining the spectral optimization methods and at validating them on literature reference data sets. Two state-of-the-art optimization heuristics (Sequential Forward Floating Search and genetic algorithms) were chosen owing to their genericity and flexibility, and therefore their ability to be used to optimize different feature selection criteria. A benchmark of different scores measuring the relevance of a set of features was performed to decide which score to optimize during the band selection process. Band width optimization was then studied: the proposed method consisted in building a hierarchy of bands merged according to their similarities. Band selection was then processed within this hierarchy. The second part of the work consisted in the application of these spectral optimization algorithms to the case study of urban materials. A collection of urban materials spectra was first caught and from various spectral libraries ( ASTER , MEMORIES...). Spectral optimization was then performed on this dataset. A limited number (about 10) of well chosen bands appeared to be sufficient to classify next common materials (slates - asphalt - cement - gravel - metal - cobblestones - shingle - earth – tiles). Bands from short wave infrared spectral domain (1400 - 2500 nm) were shown again to be very useful to discriminate urban materials. However, quantitative results assessing the confusions between the materials must be considered carefully since some materials are very uncommon in the library of collected spectra, and thus their possible variability is not completely considered

Le tri automatique des déchets est un sujetcomplexe en raison de la diversité des objets et desmatériaux présents. Il nécessite un apport de donnéesvariées et hétérogènes. Cette thèse traite du problème defusion de données découlant d’un dispositif de troiscapteurs dont une caméra hyperspectrale dans ledomaine NIR. Nous avons étudié l’avantage d’utiliser lecadre des fonctions de croyance (BFT) tout au long de ladémarche de fusion en utilisant notamment la mesure deconflit comme un critère clé de notre approche. Dans unepremière partie, nous avons étudié l'intérêt de la BFTpour la classification multiclasse des donnéeshyperspectrales à partir d’Error Correcting OutputCodes (ECOC) qui consistent à séparer le problèmemulticlasse en un ensemble de sous-problèmes binairesplus simples à résoudre. Les questions de commentidéalement séparer le problème multiclasse (codage)ainsi que celle de la combinaison des réponses de cesproblèmes binaires (décodage) sont encore aujourd’huides questions ouvertes. Le cadre des fonctions decroyance permet de proposer une étape de décodage quimodélise chaque classifieur binaire comme une sourceindividuelle d'information grâce notamment à lamanipulation des hypothèses composées. Par ailleurs laBFT fournit des indices pour détecter les décisions peufiables ce qui permet une auto-évaluation de la méthoderéalisée sans vérité terrain. Dans une deuxième partietraitant de la fusion de données, nous proposons unedémarche ‘orientée-objet’ composée d’un module desegmentation et d’un module de classification afin defaire face aux problèmes d’échelle, de différences derésolutions et de recalage des capteurs. L’objectif estalors d’estimer une segmentation où les segmentscoïncident avec les objets individuels et sont labellisés entermes de matériau. Nous proposons une interactionentre les modules à base de validation mutuelle. Ainsi,d’une part la fiabilité de la labellisation est évaluée auniveau des segments, d’autre part l’information declassification interagit sur les segments initiaux pour serapprocher d’une segmentation au niveau « objet » : leconsensus (ou l’absence de consensus) parmi lesinformations de classification au sein d’un segment ouentre segments connexes permet de faire évoluer lesupport spatial vers le niveau objet. / Automatic waste sorting is a complex matterbecause of the diversity of the objects and of the presentmaterials. It requires input from various andheterogeneous data. This PhD work deals with the datafusion problem derived from an acquisition devicecomposed of three sensors, including an hyperspectralsensor in the NIR field. We first studied the benefit ofusing the belief function theory framework (BFT)throughout the fusion approach, using in particularconflict measures to drive the process. We first studiedthe BFT in the multiclass classification problem createdby hyperspectral data. We used the Error CorrectingOutput Codes (ECOC) framework which consists inseparating the multiclass problem into several binaryones, simpler to solve. The questions of the idealdecomposition of the multiclass problem (coding) and ofthe answer combination coming from the binaryclassifiers (decoding) are still open-ended questions. Thebelief function framework allows us to propose adecoding step modelling each binary classifier as anindividual source of information, thanks to the possibilityof handling compound hypotheses. Besides, the BFTprovides indices to detect non reliable decisions whichallow for an auto-evaluation of the method performedwithout using any ground truth. In a second part dealingwith the data fusion,we propose an evidential version ofan object-based approach composed with a segmentationmodule and a classification module in order to tackle theproblems of the differences in scale, resolutions orregistrations of the sensors. The objective is then toestimate a relevant spatial support corresponding to theobjects while labelling them in terms of material. Weproposed an interactive approach with cooperationbetween the two modules in a cross-validation kind ofway. This way, the reliability of the labelling isevaluated at the segment level, while the classificationinformation acts on the initial segments in order toevolve towards an object level segmentation: consensusamong the classification information within a segment orbetween adjacent regions allow the spatial support toprogressively reach object level