Auteur / Autrice : | Qiaoqiao Sun |
Direction : | Salah Bourennane |
Type : | Thèse de doctorat |
Discipline(s) : | Optique, Photonique et Traitement d’Image |
Date : | Soutenance le 15/10/2021 |
Etablissement(s) : | Ecole centrale de Marseille |
Ecole(s) doctorale(s) : | Ecole Doctorale Physique et Sciences de la Matière (Marseille) |
Partenaire(s) de recherche : | Laboratoire : Institut Fresnel (Marseille, France) - Institut FRESNEL / FRESNEL |
Jury : | Examinateurs / Examinatrices : Salah Bourennane, Yide Wang, Ahmed Bouridane, Éric Moreau, Xuefeng Liu |
Rapporteurs / Rapporteuses : Yide Wang, Ahmed Bouridane |
Mots clés
Résumé
Cette thèse est consacrée à l'analyse et au traitement d'images hyperspectrales principalement avec des modèles d'apprentissage en profondeur. Pour exploiter pleinement les informations spectrales et spatiales des données hyperspectrales, un réseau neuronal convolutif avec réglage des paramètres est proposé pour la classification hyperspectrale. En outre, pour résoudre le problème des échantillons étiquetés limités dans les images hyperspectrales, des méthodes d'extraction de caractéristiques non supervisées basées sur un réseau antagoniste génératif amélioré et un autoencodeur convolutif sont étudiées. De plus, un cadre d'autoencodeur de débruitage multi-échelle est conçu pour le débruitage et l'amélioration de la détection de cibles. Les résultats sur des données simulées et réelles montrent l'efficacité des méthodes proposées et leurs perspectives prometteuses pour les applications en imagerie hyperspectrale.