Return to search

Contributions to Hyperspectral Unmixing / Contribution au démélange hyperspectral

Le démelangeage spectral est un domaine de recherche actif qui trouve des applications dans des domaines variés comme la télédétection, le traitement des signaux audio ou la chimie. Dans le contexte des capteurs hyper spectraux, les images acquises sont souvent de faible résolution spatiale, principalement à cause des limites technologiques liées aux capteurs. Ainsi, les pixels sont constitués des mélanges des différentes signatures spectrales des matériaux présents dans la scène observée. Le démélangeage hyperspectral correspond à la procédure inverse permettant d'identifier la présence de ces matériaux ainsi que leur abondance par pixel. Déterminer le nombre total de matériaux dans l'image et par pixel est un problème difficile. Des approches à base de modèle de mélange linéaire ont été développées mais l’hypothèse sous-jacente de linéarité est parfois mise à mal dans des scénarios réels. Le problème est amplifié lorsqu'un même matériel présente une forte variabilité de signatures spectrales. De plus, la présence de nombreuses signatures parasites (ou anomalies) rend l'estimation plus difficile. Ces différents problèmes sont abordés dans cette thèse au travers de solutions théoriques et algorithmiques. La première contribution porte sur un démélangeage non-linéaire parcimonieux basé sur des approches à noyaux (SAGA+), qui estime et enlevé de l'analyse simultanément les anomalies. La deuxième contribution majeure porte sur une méthode de démélangeage supervisée basée sur la théorie du transport optimal (OT-unmixing) et permet d'intégrer la variabilité potentielle des matériaux observés. Un cas d'étude réel, dans le contexte du projet CATUT, et visant l'estimation des températures de surface par imagerie aéroportée, est finalement décrit dans la dernière partie de ce travail. / Spectral Unmixing has been an active area of research during the last years and found its application in domains including but not limited to remote sensing, audio signal processing and chemistry. Despite their very high spectral resolution, hyperspectral images (HSI) are known to be of low spatial resolution. This low resolution is a relative notion and is due to technological limitations of the HSI captors. As a consequence the values of HSI pixels are likely to be mixtures Of diferent materials in the scene. hyperspectral Unmixing then can be dened as an inverse procedure that consists in identifying in each pixel the amount of pure elements contributing to the pixels mixture. The total number of pure elements (also called endmembers) and the number of them included in one pixel are two informations tricky to retrieve. The simplest situation is when both the total number and type of endmembers within the scene are known and associated with a linear mixing process assumption. Though efficient in some situations, this linearity assumption does not generally hold in real world scenarios. Also in most cases the knowledge regarding the endmember signature of a specic material is not exact, raising the need to account for variations among different representations of the same material. Last but not least existence of anomalies and noise is a ubiquitous issue affecting the accuracy of the estimations. In this thesis, the three aforementioned issues were mainly brought into light and by introducing two original algorithms, defined within different mathematical frameworks, solutions to these open problems has provided. The first contribution using the applications of kernel theory proposes a new unsupervised algorithm (SAGA+) for representation of the non-linear manifold embedding the data while through a simultaneous anomaly detection procedure makes sure that the representation of the manifold hall is not being distorted at the presence of anomalies. The second major contribution of this PhD focuses mainly on the issue of endmember variability and by exploiting the notion of overcomplete dictionary tries to address this problem. This supervised algorithm (OT-unmixing) which is based on the optimal transport theory is comparable to the second step of SAGA+, as it solves an inversion problem and calculates the sparse representation of the original pixels through generation of the abundance maps. A case study in the context of CATUT project for land surface temperature estimation is described in the last part of this work where the two algorithms used for unmixing of airborne hyperspectral remote sensing.

Identiferoai:union.ndltd.org:theses.fr/2017LORIS477
Date13 December 2017
CreatorsNakhostin, Sina
ContributorsLorient, Courty, Nicolas, Corpetti, Thomas
Source SetsDépôt national des thèses électroniques françaises
LanguageEnglish
Detected LanguageEnglish
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0024 seconds