Méthodes de démélange et amélioration de résolution d'images hyperspectrales en sciences de l'univers : prise en compte de la variabilité spectrale

Unmixing methods and improvement of resolution of hyperspectral images in universe sciences. : dealing with spectral Variability

• Auteur / Autrice : Salah Eddine Brezini
• Direction : Yannick Deville, Moussa Sofiane Karoui, Abdelaziz Ouamri
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 23/06/2022
• Etablissement(s) : Toulouse 3 en cotutelle avec Université des Sciences et de la Technologie d'Oran Mohamed-Boudiaf (Algérie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en astrophysique et planétologie (Toulouse ; 2011-....)
• Jury : Président / Présidente : Tarik Zouagui
• Jury : Examinateurs / Examinatrices : Hadria Fizazi
• Jury : Rapporteur / Rapporteuse : Karim Abed-Meraim, Nasreddine Taleb

Mots clés

Mots clés contrôlés

Traitement d'images

Imagerie hyperspectrale

Mots clés libres

Qualité spectrale/spatiale

Démélange spectral

Fusion

Spatial/spectral quality

Spectral unmixing

Fusion

Résumé

Au cours de cette thèse, nous nous sommes intéressés aux traitements des images hyperspectrales de télédétection, plus précisément, à une problématique liée à qui est la faible résolution spatiale de ce type d'images. Cet aspect impacte directement le processus classificatoire, communément utilisé, car il est plus complexe de déterminer la proportion ou la superficie occupée par un matériau pur dans un pixel donné. Pour résoudre cette limitation, deux approches existent. La première, nommée démélange spectral a pour objectif de séparer les composantes du pixel c'est-à-dire les matériaux purs et déterminer leurs proportions appelées aussi abondances. Le démélange spectral tire profit des techniques développées dans la filière de la Séparation Aveugle de Sources (SAS). La deuxième technique consiste à fusionner une image hyperspectrale avec une image multispectrale ou panchromatique, de la même région, pour incorporer l'information spatiale contenue dans ces deux types d'images afin d'aboutir à une image hyperspectrale avec une résolution spatiale de meilleure qualité. Parmi ces approches, plusieurs méthodes de fusion se basent sur le démélange spectral. Le démélange spectral nécessite la connaissance de la loi régissant le mélange. La plus répandue représente un spectre observé dans un pixel par un mélange linéaire des spectres des matériaux présents dans le même pixel, ce cas de figure est nommé mélange linéaire instantané. Malgré sa simplicité de mise en œuvre, ce dernier reste limité par deux phénomènes fréquents, à savoir, la non-linéarité et la variabilité spectrale. En particulier, le modèle de mélange linéaire stipule que chaque matériau pur présent dans une scène est décrit par un même spectre dans la totalité de la scène observée. Cela n'est pas toujours valide à cause de certains phénomènes physiques. Dans ce cas précis, la notion de matériau pur doit être remplacée par la notion de classe de matériaux. Nous parlons alors de variabilité spectrale. Une partie de cette thèse traite cette problématique en intégrant la variabilité spectrale dans le démélange spectral. Le travail de cette thèse s'inscrit dans cette configuration pour développer des méthodes tenant compte de la variabilité spectrale pour le démélange spectral dans la première partie. Ainsi trois méthodes ont été développées dans cette thèse en se basant sur un nouveau modèle de mélange proposé qui introduit la variabilité spectrale sous une forme additive. Les trois méthodes de démélange ont été développées en utilisant des algorithmes de factorisation en matrice non-négatives. Les résultats obtenus sont très prometteurs. La deuxième partie de cette thèse a permis de développer des méthodes de fusion, intégrant le phénomène de la variabilité spectrale, pour combiner une image hyperspectrale et une autre image multispectrale, de la même zone observée. Dans cette optique, deux méthodes ont été développées et présentées dans la deuxième partie de ce manuscrit. Les tests effectués montrent l'importance de considérer le phénomène de la variabilité spectrale dans le processus de fusion.

In this thesis, we focused on hyperspectral images processing and more precisely, about their limited spatial resolution. This limitation affects directly the classification process of this kind of images due to the fact that is more difficult to estimate the proportion and the area occupied by a pure material in an observed pixel. To overcome this limitation, two approaches are commonly used. The first one is known as the spectral unmixing, which consists in unmixing an observed pixel in order to estimate the pure material spectra and their associated abundances. The spectral unmixing is based on methods developed in the fields of Blind Source Separation. The second approach consists in fusing a hyperspectral image with a multispectral or a panchromatic one, which covers the same observed area, in order to obtain a hyperspectral image with high spatial resolution. Some of fusion methods are based on the spectral unmixing. The use of spectral unmixing requires the knowledge of the mixing model. The widespread model is the linear mixing model, which represents a pixel as a linear mixture of pure material spectra and their associated abundances. Despite its simplicity, this model is rather limited by some phenomena: the nonlinearity and the spectral variability. The linear mixing model assumes that each endmember is represented by the same spectrum in the whole image. However, such a hypothesis is no longer valid in many configurations. To overcome such constraints and avoid errors during the unmixing process, the concept of endmembers must be substituted by another one, which considers classes of endmembers. The main objective of this thesis is to incorporate the spectral variability in the spectral unmixing. The first part of this manuscript is devoted to the spectral unmixing. Therefore, three methods are developed in this thesis based on a new introduced mixing model that integrates the spectral variability phenomenon within an additive manner. The three methods are based on nonnegative matrix factorization. The obtained results are encouraging. The second part presents fusion methods integrating the spectral variability to merge a hyperspectral image and a multispectral one. To this end, two methods are developed. The conducted experiments show the importance to take into account the spectral variability phenomenon in the fusion process.