Détection robuste de cibles en imagerie Hyperspectrale.
Auteur / Autrice : | Joana Maria Frontera Pons |
Direction : | Jean-Philippe Ovarlez |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du Signal (STIC) |
Date : | Soutenance le 10/12/2014 |
Etablissement(s) : | Supélec |
Ecole(s) doctorale(s) : | Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015) |
Partenaire(s) de recherche : | Laboratoire : Supélec Sciences des Systèmes - EA4454 / E3S - Laboratoire franco-singapourien de recherche en électromagnétisme et radars / SONDRA |
Jury : | Président / Présidente : Jocelyn Chanussot |
Examinateurs / Examinatrices : Jocelyn Chanussot, Jesús Angulo López, José Bioucas-Dias, Sylvie Marcos, Frédéric Pascal | |
Rapporteur / Rapporteuse : Grégoire Mercier, Cédric Richard |
Mots clés
Mots clés contrôlés
Résumé
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.