Deconvolution and separation of hyperspectral images. Applications to microscopy
Déconvolution et séparation d'images hyperspectrales en microscopie
Résumé
Hyperspectral imaging refers to the acquisition of spatial images at enough spectral bands to produce highly resolved pixel spectra. When applied to microscopy, this technique allows to collect additional information about the specimens of interest. Processing hyperspectral data is often challenging due to the blurring caused by the observation system, mathematically expressed as a convolution. The operation of deconvolution is thus necessary to restore the original image from the observations. Image restoration falls into the class of inverse problems, as opposed to the direct problem which consists in modeling the image degradation process, treated in part 1 of the thesis. Another inverse problem with many applications in hyperspectral imaging consists in extracting the pure materials making up the image, called endmembers, and their fractional contribution to the data or abundances. This problem is termed spectral unmixing and its resolution accounts for the nonnegativity of the endmembers and abundances. Part 2 presents algorithms designed to efficiently solve the hyperspectral image restoration problem, formulated as the minimization of a composite criterion. The methods are based on a common framework allowing to account for several a priori assumptions on the solution, including a nonnegativity constraint and the preservation of edges in the image. The performance of the proposed algorithms are demonstrated on fluorescence confocal images of bacterial biosensors. Part 3 deals with the spectral unmixing problem from a geometrical viewpoint. A sufficient condition on abundance coefficients for the identifiability of endmembers is proposed. We derive and study a joint observation model and mixing model and demonstrate the interest of performing deconvolution as a prior step to spectral unmixing on confocal Raman microscopy data.
L'imagerie hyperspectrale consiste à acquérir une scène spatiale à plusieurs longueurs d'onde, de manière à reconstituer le spectre des pixels. Cette technique est utilisée en microscopie pour extraire des informations spectrales sur les spécimens observés. L'analyse de telles données est bien souvent difficile : lorsque l'image est observée à une résolution suffisamment fine, elle est dégradée par l'instrument (flou ou convolution) et une procédure de déconvolution doit être utilisée pour restaurer l'image originale. On parle ainsi de problème inverse, par opposition au problème direct consistant à modéliser la dégradation de l'image observée, étudié dans la première partie de la thèse. Un autre problème inverse important en imagerie consiste à extraire les signatures spectrales des composants purs de l'image ou sources et à estimer les contributions fractionnaires de chaque source à l'image. Cette procédure est qualifiée de séparation de sources, accomplie sous contrainte de positivité des sources et des mélanges. La deuxième partie propose des contributions algorithmiques en restauration d'images hyperspectrales. Le problème de déconvolution est formulé comme la minimisation d'un critère pénalisé et résolu à l'aide d'une structure de calcul rapide. Cette méthode générique est adaptée à la prise en compte de différents a priori sur la solution, tels que la positivité de l'image ou la préservation des contours. Les performances des techniques proposées sont évaluées sur des images de biocapteurs bactériens en microscopie confocale de fluorescence. La troisième partie de la thèse est axée sur la problématique de séparation de sources, abordé dans un cadre géométrique. Nous proposons une nouvelle condition suffisante d'identifiabilité des sources à partir des coefficients de mélange. Une étude innovante couplant le modèle d'observation instrumental avec le modèle de mélange de sources permet de montrer l'intérêt de la déconvolution comme étape préliminaire de la séparation. Ce couplage est validé sur des données acquises en microscopie confocale Raman.
Loading...