Métrologie des textures hyperspectrales

Hyperspectral texture metrology

• Auteur / Autrice : Rui Jian Chu
• Direction : Christine Fernandez-Maloigne, Noël Richard
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 07/07/2022
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges)
• Partenaire(s) de recherche : Laboratoire : XLIM - XLIM / XLIM
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Alamin Mansouri
• Jury : Examinateurs / Examinatrices : Jon Yngve Hardeberg, Christine Andraud, Faouzi Ghorbel
• Jury : Rapporteurs / Rapporteuses : Yannick Berthoumieu, Nicolas Dobigeon

Mots clés

Mots clés contrôlés

Distribution (théorie des probabilités)

Analyse multivariée

Imagerie hyperspectrale

Mesure

Texture (traitement d'images)

Mots clés libres

Texture hyperspectrale

Image

Métrologie

Multivarié

Histogramme de différence spectrale

Histogramme des différences voisines

Histogramme du gradient spectral

Hyperspectral texture

Image

Metrology

Multivariate

Spectral difference histogram

Neighbouring difference histogram

Spectral gradient histogram

Résumé

Soixante ans après les conjectures de Julesz, de nombreuses méthodes d'extraction de caractéristiques de l’aspect texturé ont été publiées. Mais, peu l’ont été à des fins métrologiques. Selon la science de la mesure, une caractéristique doit être développée en conjonction avec la mesure de distance/similarité associée. Dans nos travaux sur la texture hyperspectrale, cela nécessite que la fonctionnalité soit indépendante de la technologie du capteur et donc du nombre de bandes spectrales, de la gamme de longueurs d'onde, etc. La fonctionnalité développée doit donc être générale avec des résultats strictement dépendants du contenu de la texture.Dans ce manuscrit de thèse, nous avons commencé par définir la texture comme la distribution conjointe des propriétés spectrales et spatiales. Alors que la première partie dicte la diversité spectrale ou la distribution des pixels, la second fait référence à la disposition spatiale ou à l'interaction entre les valeurs multivaluées des pixels. En conséquence, nous avons développé une analyse spectrale automatique adaptée à la nature continue du spectre. En travaillant dans l'espace métrique, le besoin de réduction de la dimensionnalité, par ex. l'analyse en composantes principales (ACP), est supprimée. De plus, la sélection de la référence spectrale est entièrement automatisée grâce à la maximisation de l'entropie. Une analogie entre notre approche et l'ACP est établie, la première se révélant plus robuste et fidèle à la physique du spectre.En nous inspirant de la matrice de cooccurrence de niveaux de gris (GLCM) et du motif binaire local (LBP), nous avons ensuite développé une analyse spatiale adaptée aux images d'un nombre quelconque de bandes spectrales. Nous avons combiné la précision des caractéristiques GLCM et l'efficacité de la mesure de similarité LBP pour proposer l'histogramme de différences de voisinage. Nous avons ensuite mis en relation la différence de voisinage avec la notion de gradient d'image pour poursuivre une approche sans paramètre. En rappelant les règles de base des dérivées, nous avons mis en évidence une décomposition mathématique du gradient spectral en parties chromatiques et achromatiques. Considérant la théorie de l'espace d'échelle, nous avons également développé une sélection automatique d'échelle afin de refléter la taille de la structure locale.Pour valider notre approche, nous avons soumis nos caractéristiques à des tâches de classification, de récupération et de segmentation de texture. Les résultats montrent que nos fonctionnalités fonctionnent à un niveau comparable à l'état de l'art. Plus important encore, nous démontrons l'interprétabilité physique de nos caractéristiques face à une multitude de diversité spectrale et spatiale. En adhérant à la métrologie, nous avons témoigné de l'efficacité d'une paire adaptée de caractéristique et de mesure de similarité sans avoir besoin de techniques sophistiquées d'apprentissage automatique ou profond.

Sixty years since the proposal of the first Julesz conjecture, many texture feature extraction methods have been published. However, few are developed for metrological purposes. According to metrology i.e. science of measurement, a feature must be developed in conjunction with distance or similarity measurement. In the context of our work on hyperspectral texture metrology, this requires the feature to be relatively independent of the sensor technology and thus from the number of spectral bands, spectral range, etc. In other words, the developed feature must be general with results strictly dependent only on the texture content. In this Ph.D. manuscript, we began by defining texture as the joint distribution of spectral and spatial properties. Whereas the former dictates the spectral diversity or distribution of pixels, the latter refers to the spatial arrangement or interaction of pixels. Accordingly, we developed fullband spectral analysis adapted to the continuous nature of spectrum. By working in metric space, the need for dimensionality reduction e.g. principal component analysis (PCA) is eliminated. Besides, the selection of spectral reference is fully automated thanks to entropy maximization. An analogy between our approach and PCA is drawn, with the former shown to be more robust and faithful to the physics of spectrum.Taking inspiration from graylevel cooccurrence matrix (GLCM) and local binary pattern (LBP), we next developed fullband spatial analysis adapted to images of any number of spectral bands and spectral range. We took into account both the accuracy of GLCM features and the efficiency of LBP similarity measure to propose the neighboring difference histogram. We then related neighboring difference with the notion of image gradient to pursue a parameterless approach. Subsequently, we demonstrated a mathematical decomposition of spectral gradient into chromatic and achromatic parts. Considering the scale space theory, we also developed automatic scale selection to reflect the local structure size.To validate our approach, we subjected our features to texture classification, retrieval, and segmentation tasks. The results show that our features perform at comparable level with state of the art including machine and deep learning approaches. More importantly, we demonstrate the physical interpretability of our features facing a multitude of spectral-spatial variations. Thanks to metrology, we testified to the efficiency of adapted pair of feature and similarity measure without necessarily the need for sophisticated learning techniques.