Estimation et détection en imagerie hyperspectrale : application aux environnements côtiers

Estimation and detection in hyperspectral imagery : application in coastal environments

• Auteur / Autrice : Sylvain Jay
• Direction : Mireille Guillaume
• Type : Thèse de doctorat
• Discipline(s) : Optique, Photonique, Traitement de l'image
• Date : Soutenance en 2012
• Etablissement(s) : Ecole centrale de Marseille

Mots clés

Mots clés contrôlés

Estimation, Théorie de l'

Spectroscopie de réflectance

Mots clés libres

Imagerie hyperspectrale

Modèle bathymétrique

Borne de Cramèr-Rao

Résumé

Cette thèse aborde des problématiques d'estimation et de détection supervisée en imagerie hyperspectrale, appliquées ici aux environnements côtiers. Des modèles bathymétriques de réflectance sont utilisés afin de représenter l'influence de la colonne d'eau sur la lumière incidente. Différents paramètres sont dits optiquement actifs et agissent sur le spectre de réflectance (phytoplancton, matière organique dissoute colorée. . . ). Nous proposons d'adopter une nouvelle approche statistique pour estimer ces paramètres, traditionnellement retrouvés par inversion des modèles physiques. Différentes méthodes telles que l'estimation du maximum de vraisemblance et du maximum a posteriori, ainsi que le calcul des bornes de Cramér-Rao, sont implémentées avec succès sur les données synthétiques et réelles. Par ailleurs, nous adaptons les filtres supervisés couramment utilisés au contexte de la détection de cibles immergées. Dans le cas où les paramètres caractéristiques de la colonne d'eau sont inconnus, nous développons un nouveau filtre issu du test du rapport de vraisemblance généralisé permettant la détection sans aucune connaissance a priori sur ces paramètres

This thesis deals with estimation and supervised detection issues in hyperspectral imagery, applied in coastal environments. Bathymetric models of reflectance are used for modeling the water column influence on the incident light. Various parameters are optically active and are responsible for distorting the reflectance spectrum (phytoplankton, colored dissolved organic matter. . . ). We adopt a new statistical approach for estimating these parameters, which are usually retrieved by inverting physical models. Various methods such as maximum likelihood estimation, maximum a posteriori estimation, and Cramér-Rao bound calculation, are successfully implemented on simulated and real data. Moreover, we adapt the frequently used supervised detectors to the underwater target detection context. If some parameters describing the water column influence are unknown, we propose a new filter, based on the generalized likelihood ratio test, and that enables the detection without any a priori knowledge on these parameters