La microscopie en champ proche optique permet d'analyser les phénomènes optiques avec une résolution spatiale sublongueur d'onde comme par exemple la localisation et la propagation de la lumière dans des cristaux photoniques. D'une manière générale, les méthodes de microscopie en champ proche optique reposent sur le positionnement à l'échelle nanométrique d'une sonde locale à proximité de l'échantillon à analyser, puis sur la détection du signal diffusé et collecté lors du balayage de la sonde. En fonction du type de détection optique mise en oeuvre ou du type de sonde utilisée, les grandeurs physiques communément accessibles par ces méthodes sont les distributions spatiales de l'amplitude et de la phase ou de l'intensité des composantes électriques ou magnétiques du champ sondé.Ce travail de thèse est consacré à la mise en place d'une détection hyperstectrale en champ proche optique dans le but de comprendre et de caractériser, à des échelles sublongueurs d'onde, les propriétés spectrales et spatiales de systèmes optiques miniaturisés. L'imagerie hyperstectrale fournit en une seule acquisition, une série d'image à chaque longueur d'onde dans les gammes spectrales visibles, infrarouges et aux longueurs d'onde des télécommunications optiques. Cette nouvelle technique d'imagerie a permis l'observation, sur une large bande spectrale, de phénomènes électromagnétiques dépendant de la longueur d'onde tels que les effets superprisme et mirage dans les cristaux photoniques et la mise en forme de faisceaux de Bessel plasmoniques

L'imagerie hyperspectrale consiste à acquérir une scène spatiale à plusieurs longueurs d'onde, de manière à reconstituer le spectre des pixels. Cette technique est utilisée en microscopie pour extraire des informations spectrales sur les spécimens observés. L'analyse de telles données est bien souvent difficile : lorsque l'image est observée à une résolution suffisamment fine, elle est dégradée par l'instrument (flou ou convolution) et une procédure de déconvolution doit être utilisée pour restaurer l'image originale. On parle ainsi de problème inverse, par opposition au problème direct consistant à modéliser la dégradation de l'image observée, étudié dans la première partie de la thèse. Un autre problème inverse important en imagerie consiste à extraire les signatures spectrales des composants purs de l'image ou sources et à estimer les contributions fractionnaires de chaque source à l'image. Cette procédure est qualifiée de séparation de sources, accomplie sous contrainte de positivité des sources et des mélanges. La deuxième partie propose des contributions algorithmiques en restauration d'images hyperspectrales. Le problème de déconvolution est formulé comme la minimisation d'un critère pénalisé et résolu à l'aide d'une structure de calcul rapide. Cette méthode générique est adaptée à la prise en compte de différents a priori sur la solution, tels que la positivité de l'image ou la préservation des contours. Les performances des techniques proposées sont évaluées sur des images de biocapteurs bactériens en microscopie confocale de fluorescence. La troisième partie de la thèse est axée sur la problématique de séparation de sources, abordé dans un cadre géométrique. Nous proposons une nouvelle condition suffisante d'identifiabilité des sources à partir des coefficients de mélange. Une étude innovante couplant le modèle d'observation instrumental avec le modèle de mélange de sources permet de montrer l'intérêt de la déconvolution comme étape préliminaire de la séparation. Ce couplage est validé sur des données acquises en microscopie confocale Raman.

Le démélange spectral est un des sujets majeurs de l'analyse d'images hyperspectrales. Ce problème consiste à identifier les composants macroscopiques présents dans une image hyperspectrale et à quantifier les proportions (ou abondances) de ces matériaux dans tous les pixels de l'image. La plupart des algorithmes de démélange suppose un modèle de mélange linéaire qui est souvent considéré comme une approximation au premier ordre du mélange réel. Cependant, le modèle linéaire peut ne pas être adapté pour certaines images associées par exemple à des scènes engendrant des trajets multiples (forêts, zones urbaines) et des modèles non-linéaires plus complexes doivent alors être utilisés pour analyser de telles images. Le but de cette thèse est d'étudier de nouveaux modèles de mélange non-linéaires et de proposer des algorithmes associés pour l'analyse d'images hyperspectrales. Dans un premier temps, un modèle paramétrique post-non-linéaire est étudié et des algorithmes d'estimation basés sur ce modèle sont proposés. Les connaissances a priori disponibles sur les signatures spectrales des composants purs, sur les abondances et les paramètres de la non-linéarité sont exploitées à l'aide d'une approche bayesienne. Le second modèle étudié dans cette thèse est basé sur l'approximation de la variété non-linéaire contenant les données observées à l'aide de processus gaussiens. L'algorithme de démélange associé permet d'estimer la relation non-linéaire entre les abondances des matériaux et les pixels observés sans introduire explicitement les signatures spectrales des composants dans le modèle de mélange. Ces signatures spectrales sont estimées dans un second temps par prédiction à base de processus gaussiens. La prise en compte d'effets non-linéaires dans les images hyperspectrales nécessite souvent des stratégies de démélange plus complexes que celles basées sur un modèle linéaire. Comme le modèle linéaire est souvent suffisant pour approcher la plupart des mélanges réels, il est intéressant de pouvoir détecter les pixels ou les régions de l'image où ce modèle linéaire est approprié. On pourra alors, après cette détection, appliquer les algorithmes de démélange non-linéaires aux pixels nécessitant réellement l'utilisation de modèles de mélange non-linéaires. La dernière partie de ce manuscrit se concentre sur l'étude de détecteurs de non-linéarités basés sur des modèles linéaires et non-linéaires pour l'analyse d'images hyperspectrales. Les méthodes de démélange non-linéaires proposées permettent d'améliorer la caractérisation des images hyperspectrales par rapport au méthodes basées sur un modèle linéaire. Cette amélioration se traduit en particulier par une meilleure erreur de reconstruction des données. De plus, ces méthodes permettent de meilleures estimations des signatures spectrales et des abondances quand les pixels résultent de mélanges non-linéaires. Les résultats de simulations effectuées sur des données synthétiques et réelles montrent l'intérêt d'utiliser des méthodes de détection de non-linéarités pour l'analyse d'images hyperspectrales. En particulier, ces détecteurs peuvent permettre d'identifier des composants très peu représentés et de localiser des régions où les effets non-linéaires sont non-négligeables (ombres, reliefs,...). Enfin, la considération de corrélations spatiales dans les images hyperspectrales peut améliorer les performances des algorithmes de démélange non-linéaires et des détecteurs de non-linéarités.

No description available.

Le travail présenté dans cette thèse porte sur l'inspection de surfaces métalliques industrielles. Nous proposons de généraliser des méthodes de l'imagerie hyperspectrale à des données multimodales comme des images optiques multi-canales, et des images thermographiques multi-temporelles. Dans la première application, les cubes de données sont construits à partir d'images multi-composantes pour détecter des défauts de surface. Les meilleures performances sont obtenues avec les éclairages multi-longueurs d'ondes dans le visible et le proche IR, et la détection du défaut en utilisant l'angle spectral, avec le spectre moyen comme référence. La deuxième application concerne l'utilisation de l'imagerie thermique pour l'inspection de pièces métalliques nucléaires afin de détecter des défauts de surface et sub-surface. Une approche 1D est proposée, basée sur l'utilisation du kurtosis pour sélectionner la composante principale parmi les premières obtenues après réduction des données avec l’ACP. La méthode proposée donne de bonnes performances avec des données non-bruitées et homogènes, cependant la SVD avec les algorithmes de détection d'anomalies est très robuste aux perturbations. Finalement, une approche, basée sur les techniques d'analyse de franges et la lumière structurée est présentée, dans le but d'inspecter des surfaces métalliques à forme libre. Après avoir déterminé les paramètres décrivant les modèles de franges sinusoïdaux, l'approche proposée consiste à projeter une liste de motifs déphasés et à calculer l'image de phase des motifs enregistrés. La localisation des défauts est basée sur la détection et l'analyse des franges dans les images de phase. / The work presented in this thesis deals with the quality control and inspection of industrial metallic surfaces. The purpose is the generalization and application of hyperspectral imagery methods for multimodal data such as multi-channel optical images and multi-temporal thermographic images. In the first application, data cubes are built from multi-component images to detect surface defects within flat metallic parts. The best performances are obtained with multi-wavelength illuminations in the visible and near infrared ranges, and detection using spectral angle mapper with mean spectrum as a reference. The second application turns on the use of thermography imaging for the inspection of nuclear metal components to detect surface and subsurface defects. A 1D approach is proposed based on using the kurtosis to select 1 principal component (PC) from the first PCs obtained after reducing the original data cube with the principal component analysis (PCA) algorithm. The proposed PCA-1PC method gives good performances with non-noisy and homogeneous data, and SVD with anomaly detection algorithms gives the most consistent results and is quite robust to perturbations such as inhomogeneous background. Finally, an approach based on fringe analysis and structured light techniques in case of deflectometric recordings is presented for the inspection of free-form metal surfaces. After determining the parameters describing the sinusoidal stripe patterns, the proposed approach consists in projecting a list of phase-shifted patterns and calculating the corresponding phase-images. Defect location is based on detecting and analyzing the stripes within the phase-images.

Acquises dans plusieurs centaines de bandes spectrales contiguës, les images hyperspectrales permettent d'analyser finement la composition d'une scène observée. En raison de la résolution spatiale limitée des capteurs utilisés, le spectre d'un pixel d'une image hyperspectrale résulte de la composition de plusieurs signatures associées à des matériaux distincts. À ce titre, le démélange d'images hyperspectrales vise à estimer les signatures des différents matériaux observés ainsi que leur proportion dans chacun des pixels de l'image. Pour cette analyse, il est d'usage de considérer qu'une signature spectrale unique permet de décrire un matériau donné, ce qui est généralement intrinsèque au modèle de mélange choisi. Toutefois, la signature d'un matériau présente en pratique une variabilité spectrale qui peut être significative d'une image à une autre, voire au sein d'une même image. De nombreux paramètres peuvent en être cause, tels que les conditions d'acquisitions (e.g., conditions d'illumination locales), la déclivité de la scène observée ou des interactions complexes entre la lumière incidente et les éléments observés. À défaut d'être prises en compte, ces sources de variabilité perturbent fortement les signatures extraites, tant en termes d'amplitude que de forme. De ce fait, des erreurs d'estimation peuvent apparaître, qui sont d'autant plus importantes dans le cas de procédures de démélange non-supervisées. Le but de cette thèse consiste ainsi à proposer de nouvelles méthodes de démélange pour prendre en compte efficacement ce phénomène. Nous introduisons dans un premier temps un modèle de démélange original visant à prendre explicitement en compte la variabilité spatiale des spectres purs. Les paramètres de ce modèle sont estimés à l'aide d'un algorithme d'optimisation sous contraintes. Toutefois, ce modèle s'avère sensible à la présence de variations spectrales abruptes, telles que causées par la présence de données aberrantes ou l'apparition d'un nouveau matériau lors de l'analyse d'images hyperspectrales multi-temporelles. Pour pallier ce problème, nous introduisons une procédure de démélange robuste adaptée à l'analyse d'images multi-temporelles de taille modérée. Compte tenu de la dimension importante des données étudiées, notamment dans le cas d'images multi-temporelles, nous avons par ailleurs étudié une stratégie d'estimation en ligne des différents paramètres du modèle de mélange proposé. Enfin, ce travail se conclut par l'étude d'une procédure d'estimation distribuée asynchrone, adaptée au démélange d'un grand nombre d'images hyperspectrales acquises sur une même scène à différents instants. / Acquired in hundreds of contiguous spectral bands, hyperspectral (HS) images have received an increasing interest due to the significant spectral information they convey about the materials present in a given scene. However, the limited spatial resolution of hyperspectral sensors implies that the observations are mixtures of multiple signatures corresponding to distinct materials. Hyperspectral unmixing is aimed at identifying the reference spectral signatures composing the data -- referred to as endmembers -- and their relative proportion in each pixel according to a predefined mixture model. In this context, a given material is commonly assumed to be represented by a single spectral signature. This assumption shows a first limitation, since endmembers may vary locally within a single image, or from an image to another due to varying acquisition conditions, such as declivity and possibly complex interactions between the incident light and the observed materials. Unless properly accounted for, spectral variability can have a significant impact on the shape and the amplitude of the acquired signatures, thus inducing possibly significant estimation errors during the unmixing process. A second limitation results from the significant size of HS data, which may preclude the use of batch estimation procedures commonly used in the literature, i.e., techniques exploiting all the available data at once. Such computational considerations notably become prominent to characterize endmember variability in multi-temporal HS (MTHS) images, i.e., sequences of HS images acquired over the same area at different time instants. The main objective of this thesis consists in introducing new models and unmixing procedures to account for spatial and temporal endmember variability. Endmember variability is addressed by considering an explicit variability model reminiscent of the total least squares problem, and later extended to account for time-varying signatures. The variability is first estimated using an unsupervised deterministic optimization procedure based on the Alternating Direction Method of Multipliers (ADMM). Given the sensitivity of this approach to abrupt spectral variations, a robust model formulated within a Bayesian framework is introduced. This formulation enables smooth spectral variations to be described in terms of spectral variability, and abrupt changes in terms of outliers. Finally, the computational restrictions induced by the size of the data is tackled by an online estimation algorithm. This work further investigates an asynchronous distributed estimation procedure to estimate the parameters of the proposed models.

Les travaux de thèse effectués dans le cadre de la convention Cifre conclue entrele laboratoire de mathématiques de Besançon et Digital Surf, entreprise éditrice dulogiciel d’analyse métrologique Mountains, portent sur les techniques d’analyse hyperspectrale.Sujet en plein essor, ces méthodes permettent d’exploiter des imagesissues de micro-spectroscopie, et en particulier de spectroscopie Raman. Digital Surfambitionne aujourd’hui de concevoir des solutions logicielles adaptées aux imagesproduites par ces appareils. Ces dernières se présentent sous forme de cubes de valeurs,où chaque pixel correspond à un spectre. La taille importante de ces données,appelées images hyperspectrales en raison du nombre important de mesures disponiblespour chaque spectre, obligent à repenser certains des algorithmes classiquesd’analyse d’image.Nous commençons par nous intéresser aux techniques de partitionnement de données.L’idée est de regrouper dans des classes homogènes les différents spectres correspondantà des matériaux similaires. La classification est une des techniques courammentutilisée en traitement des données. Cette tâche fait pourtant partie d’unensemble de problèmes réputés trop complexes pour une résolution pratique : les problèmesNP-durs. L’efficacité des différentes heuristiques utilisées en pratique était jusqu’àrécemment mal comprise. Nous proposons des argument théoriques permettantde donner des garanties de succès quand les groupes à séparer présentent certainespropriétés statistiques.Nous abordons ensuite les techniques de dé-mélange. Cette fois, il ne s’agit plus dedéterminer un ensemble de pixels semblables dans l’image, mais de proposer une interprétationde chaque pixel comme un mélange linéaire de différentes signatures spectrales,sensées émaner de matériaux purs. Cette déconstruction de spectres compositesse traduit mathématiquement comme un problème de factorisation en matrices positives.Ce problème est NP-dur lui aussi. Nous envisageons donc certaines relaxations,malencontreusement peu convaincantes en pratique. Contrairement au problème declassification, il semble très difficile de donner de bonnes garanties théoriques sur laqualité des résultats proposés. Nous adoptons donc une approche plus pragmatique,et proposons de régulariser cette factorisation en imposant des contraintes sur lavariation totale de chaque facteur.Finalement, nous donnons un aperçu d’autres problèmes d’analyse hyperspectralerencontrés lors de cette thèse, problèmes parmi lesquels figurent l’analyse en composantesindépendantes, la réduction non-linéaire de la dimension et la décompositiond’une image par rapport à une librairie regroupant un nombre important de spectresde référence. / This dissertation addresses hyperspectral image analysis, a set of techniques enabling exploitation of micro-spectroscopy images. Images produced by these sensors constitute cubic arrays, meaning that every pixel in the image is actually a spectrum.The size of these images, which is often quite large, calls for an upgrade for classical image analysis algorithms.We start out our investigation with clustering techniques. The main idea is to regroup every spectrum contained in a hyperspectralimage into homogeneous clusters. Spectrums taken across the image can indeed be generated by similar materials, and hence display spectral signatures resembling each other. Clustering is a commonly used method in data analysis. It belongs nonetheless to a class of particularly hard problems to solve, named NP-hard problems. The efficiency of a few heuristics used in practicewere poorly understood until recently. We give theoretical arguments guaranteeing success when the groups studied displaysome statistical property.We then study unmixing techniques. The objective is no longer to decide to which class a pixel belongs, but to understandeach pixel as a mix of basic signatures supposed to arise from pure materials. The mathematical underlying problem is again NP-hard.After studying its complexity, and suggesting two lengthy relaxations, we describe a more practical way to constrain the problemas to obtain regularized solutions.We finally give an overview of other hyperspectral image analysis methods encountered during this thesis, amongst whomare independent component analysis, non-linear dimension reduction, and regression against a spectrum library.

L'imagerie hyperspectrale permet d'acquérir des informations spectrales riches d'une scène dans plusieurs centaines, voire milliers de bandes spectrales étroites et contiguës. Cependant, avec le nombre élevé de bandes spectrales, la forte corrélation inter-bandes spectrales et la redondance de l'information spectro-spatiale, l'interprétation de ces données hyperspectrales massives est l'un des défis majeurs pour la communauté scientifique de la télédétection. Dans ce contexte, le grand défi posé est la réduction du nombre de bandes spectrales inutiles, c'est-à-dire de réduire la redondance et la forte corrélation de bandes spectrales tout en préservant l'information pertinente. Par conséquent, des approches de projection visent à transformer les données hyperspectrales dans un sous-espace réduit en combinant toutes les bandes spectrales originales. En outre, des approches de sélection de bandes tentent à chercher un sous-ensemble de bandes spectrales pertinentes. Dans cette thèse, nous nous intéressons d'abord à la classification d'imagerie hyperspectrale en essayant d'intégrer l'information spectro-spatiale dans la réduction de dimensions pour améliorer la performance de la classification et s'affranchir de la perte de l'information spatiale dans les approches de projection. De ce fait, nous proposons un modèle hybride permettant de préserver l'information spectro-spatiale en exploitant les tenseurs dans l'approche de projection préservant la localité (TLPP) et d'utiliser l'approche de sélection non supervisée de bandes spectrales discriminantes à base de contraintes (CBS). Pour modéliser l'incertitude et l'imperfection entachant ces approches de réduction et les classifieurs, nous proposons une approche évidentielle basée sur la théorie de Dempster-Shafer (DST). Dans un second temps, nous essayons d'étendre le modèle hybride en exploitant des connaissances sémantiques extraites à travers les caractéristiques obtenues par l'approche proposée auparavant TLPP pour enrichir la sélection non supervisée CBS. En effet, l'approche proposée permet de sélectionner des bandes spectrales pertinentes qui sont à la fois informatives, discriminantes, distinctives et peu redondantes. En outre, cette approche sélectionne les bandes discriminantes et distinctives en utilisant la technique de CBS en injectant la sémantique extraite par les techniques d'extraction de connaissances afin de sélectionner d'une manière automatique et adaptative le sous-ensemble optimal de bandes spectrales pertinentes. La performance de notre approche est évaluée en utilisant plusieurs jeux des données hyperspectrales réelles. / Hyperspectral imagery allows to acquire a rich spectral information of a scene in several hundred or even thousands of narrow and contiguous spectral bands. However, with the high number of spectral bands, the strong inter-bands spectral correlation and the redundancy of spectro-spatial information, the interpretation of these massive hyperspectral data is one of the major challenges for the remote sensing scientific community. In this context, the major challenge is to reduce the number of unnecessary spectral bands, that is, to reduce the redundancy and high correlation of spectral bands while preserving the relevant information. Therefore, projection approaches aim to transform the hyperspectral data into a reduced subspace by combining all original spectral bands. In addition, band selection approaches attempt to find a subset of relevant spectral bands. In this thesis, firstly we focus on hyperspectral images classification attempting to integrate the spectro-spatial information into dimension reduction in order to improve the classification performance and to overcome the loss of spatial information in projection approaches.Therefore, we propose a hybrid model to preserve the spectro-spatial information exploiting the tensor model in the locality preserving projection approach (TLPP) and to use the constraint band selection (CBS) as unsupervised approach to select the discriminant spectral bands. To model the uncertainty and imperfection of these reduction approaches and classifiers, we propose an evidential approach based on the Dempster-Shafer Theory (DST). In the second step, we try to extend the hybrid model by exploiting the semantic knowledge extracted through the features obtained by the previously proposed approach TLPP to enrich the CBS technique. Indeed, the proposed approach makes it possible to select a relevant spectral bands which are at the same time informative, discriminant, distinctive and not very redundant. In fact, this approach selects the discriminant and distinctive spectral bands using the CBS technique injecting the extracted rules obtained with knowledge extraction techniques to automatically and adaptively select the optimal subset of relevant spectral bands. The performance of our approach is evaluated using several real hyperspectral data.

Aujourd’hui, les difficultés pour établir des liens entre caractéristiques des nanomatériaux et réponses biologiques sont principalement issues du manque de contrôle de la synthèse des nanomatériaux, ne permettant pas de faire varier leurs paramètres physico-chimiques clés une à une.Pour identifier certains mécanismes gouvernant la toxicité des nanomatériaux nous avons utilisé un nanotube inorganique modèle dont la synthèse est bien contrôlée : les Ge-imogolites. Les effets de la longueur, du nombre de parois, de la cristallinité et de la composition chimique des Ge-imogolites ont été étudiés sur une bactérie des sols: Pseudomonas brassicacearum. Il a été identifié que la présence de sites réactifs (en bordure de tubes) induit une toxicité due à une interaction forte des nanotubes avec les cellules bactériennes, ainsi que la génération d’espèces réactives de l’oxygène. Ajouter des sites réactifs via la présence de défauts structuraux augmente la dégradation des tubes ainsi que la rétention d’éléments nutritifs essentiels, ce qui augmente leur toxicité. Enfin, l’ajout de fer dans leur structure transforme les Ge-imogolites en source de fer, qui sont dégradées et deviennent promoteurs de croissance. Dans tous ces cas, les interactions entre nanomatériaux et cellules ont été identifiées comme cruciales pour comprendre et prévenir les effets des nanomatériaux. Ce travail de thèse a également permis de mettre en avant la capacité de nouveaux outils pour le suivi de l’internalisation de nanomatériaux dans les organismes. / Only a few studies of (eco)toxicology linked the physico-chemical properties of nanoparticles to the toxicity mechanisms or the stress they induce. Moreover, no clear conclusions can be drawn at present because of the variability of nanoparticles used in studies. The present study used the inorganic Ge-imogolite nanotubes as a model compound. The toxic effects of length, number of walls, structural defects, and chemical composition were assessed towards the soil bacteria Pseudomonas brassicacearum. Several mechanisms modulating the toxicity of Ge-imogolite were then identified. Indeed, reactive sites at the tube ends induce a slight toxicity via a strong cell interaction and the generation of reactive oxygen species. Creating vacant sites on the surface of Ge-imogolite (ant thus increasing the number of reactive sites), appears to cause a deficiency of nutrients in the culture media correlated with a higher degradation of the tubes, leading to a high bacterial growth decrease. Finally, structural iron incorporation into Ge-imogolite transforms them into an iron source, being degraded and becoming growth promoters. In this work, the new tools capacities for the study of nanomaterials/cells interaction have been studied.

Epidemiological research around the world has shown that exposure of urban populations to fine microparticles (PM2.5) suspended in air from, among other things, car combustion, is responsible for many cases of lung and cardiovascular disease and even mortality. However, most of these studies examine urban centers as ensembles without considering that population exposure to microparticles is not homogeneous across an urban space. For example, individuals living near major arterial roads are much more exposed to microparticles than others living in low traffic neighborhoods. Unfortunately, ground stations measuring PM2.5 are few and far between to generate accurate microparticle concentration maps at fine scales. One way to spatialize information on microparticle concentrations is to introduce remotely sensed images that allows to calculate an optical parameter of aerosols, their optical depth. The use of medium-to-fine-resolution images is not common in this area. So, we wanted to look at their potential. Tests with hyperspectral and multispectral images at these resolutions have shown that optical depth can be estimated with enough accuracy. The AODFinder software developed for this purpose performs well. Unfortunately, the small sample of AOD values and PM2.5 concentration measurements did not allow us to conclude on the possibility of using AOD as a proxy for PM2.5 and thus on the possibility of refining microparticle monitoring at the local level. / Des recherches épidémiologiques à travers le monde ont mis en évidence que l’exposition des populations urbaines aux microparticules fines (PM2.5) en suspension dans l’air provenant, entre autres, de la combustion automobile, est à l’origine des nombreux cas des maladies pulmonaires et cardiovasculaires et même des cas de mortalité. Cependant, la plupart de ces études examinent les centres urbains comme des ensembles sans tenir compte que l’exposition des populations aux microparticules n’est pas homogène à travers un espace urbain. À titre d’exemple, les individus demeurant à proximité de grandes artères routières sont beaucoup plus exposés aux microparticules que d’autres demeurant dans des quartiers de faible circulation. Malheureusement, les stations terrestres de mesure des PM2.5 sont peu nombreuses pour permettre de générer des cartes de concentration des microparticules précises à des échelles fines. Un moyen pour spatialiser l’information sur les concentrations des microparticules est d’introduire l’imagerie de télédétection qui permet de calculer un paramètre optique des aérosols, leur profondeur optique. L’utilisation des images à résolution moyenne à fine n’est pas chose courante dans ce domaine. Ainsi nous avons voulu examiner leur potentiel. Les tests avec des images hyperspectrale et multispectrale à ces résolutions ont montré que la profondeur optique peut être estimer avec suffisamment de précision. Le logiciel AODFinder développé à cette fin se comporte bien. Malheureusement le faible échantillon des valeurs de AOD et des mesures des concentrations des PM2.5 ne nous a pas permis de se prononcer sur la possibilité d’utiliser le AOD comme proxy des PM2.5 et ainsi sur la possibilité de raffiner le monitoring des microparticules à l’échelle locale.