Segmentation d'images hyperspectrales par des méthodes basées graphes

Segmentation of hyperspectral images by graph-based methods

• Auteur / Autrice : Kaouther Tabia
• Direction : Yves Lucas
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies industrielles
• Date : Soutenance le 16/12/2019
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....)
• Jury : Président / Présidente : Jean-Yves Ramel
• Jury : Examinateurs / Examinatrices : David Helbert, Salah Bourennane, Rachid Jennane, Xavier Desquesnes
• Jury : Rapporteurs / Rapporteuses : Jocelyn Chanussot, Abderrahim Elmoataz

Mots clés

Mots clés contrôlés

Ensembles de niveaux, Méthodes d'

Représentations de graphes

Traitement d'images -- Techniques numériques

Imagerie hyperspectrale

Mots clés libres

Image hyperspectrale

Expérimentations sur des images réelles

Hyperspectral image

Experiments on real images images

Résumé

Dans le cadre de cette thèse, nous présentons une nouvelle approche pour la segmentation d’images hyperspectrales. Pour cela, nous avons focalisé notre intérêt sur les représentations par graphes et nous avons proposé une approche composée de deux phases principales. Lors de la première phase, un graphe pondéré est construit pour représenter l’image hyperspectrale. La segmentation de l’image est par la suite déduite de la segmentation du graphe construit. Afin de construire un graphe pondéré qui représente efficacement l’image hyperspectrale, nous avons étudié plusieurs topologies telles que graphe complet, 4-voisinage, RAG et la notion de patch. Elles décrivent le nombre ainsi que la structure des sommets du graphe. Nous avons également analysé différentes métriques pour l’estimation de la similarité spectrale entre ces sommets. Les métriques analysées sont indispensables pour pondérer les arrêtes reliant chaque paire de sommets. Notre approche a été évaluée sur deux jeux de données, notamment une base d’images hyperspectrales exclusivement synthétisée pour valider l’approche, ainsi qu’un ensemble d’images hyperspectrales réelles prises sur différents sites avec divers capteurs. Comparé avec les autres méthodes de l’état de l’art, les résultats obtenus sur ces différentes images démontrent l'efficacité et la pertinence de notre approche.

Hyperspectral image analysis has become an important research topic in the remote sensing community. Additionally, image segmentation attracts enormous research attention in the computer vision community. Several segmentation methods have been proposed in both communities. However most of them only consider particular features in the hyperspectral image. Remote sensing based methods generally focus on the spectral information, whereas computer vision based methods find more interest in the gray scale information. In this thesis, we propose to narrow the gap between these communities and propose an hyperspectral image segmentation method which simultaneously exploits spectral and spatial information. To do so, we first model an hyperspectral image using a graph representation which faithfully codes both its spectral and spatial information. Secondly, we propose to segment the constructed graph using a level set based method. The hyperspectral image segmentation is then deduced from the segmentation of the constructed graph.We extensively studied and analyzed different graph construction aspects (i.e., graph topologies and metrics). We also evaluated the segmentation method on two datasets. The first has been exclusively synthesized to validate the proposed approach. The second contains a set of well-known and real hyperspectral images taken on different locations and with various sensors. The obtained results show the efficiency and the superiority of our proposed approach compared to other state-of-the-art methods.