Nouvel Algorithme pour la Réduction de la Dimensionnalité en Imagerie Hyperspectrale - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2013

New Algorithm for Dimensionality Reduction Applied in Hyperspectral Image

Nouvel Algorithme pour la Réduction de la Dimensionnalité en Imagerie Hyperspectrale

Résumé

In hyperspectral imaging, the volumes of data acquired often reach the gigabyte for a single scene observed. Therefore, the analysis of these data complex physical content must go with a preliminary step of dimensionality reduction. Therefore, the analyses of these data of physical content complex go preliminary with a step of dimensionality reduction. This reduction a two objective, the first is to reduce redundancy and the second facilitates post-treatment (extraction, classification and recognition) and therefore the interpretation of the data. Automatic classification is an important step in the process of knowledge extraction from data. It aims to discover the intrinsic structure of a set of objects by forming groups that share similar characteristics. In this thesis, we focus on dimensionality reduction in the context of unsupervised classification of spectral bands. Different approaches exist, such as those based on projection (linear or nonlinear) of high-dimensional data in a representation subspaces or on the techniques of selection of spectral bands exploiting of the criteria of complementarity-redundant information do not allow to preserve the wealth of information provided by this type of data. 1- We have made a comparative study on the stability and similarity of nonparametric algorithms and unsupervised projection methods and also the selection of spectrales bands used in the dimensionality reduction at different noise levels determined. The tests are conducted on hyperspectral images, classifying them into three categories according to their level of performance to preserve the amount of information. 2- We introduced a new approach of criterion based on the dissimilarity of the attributes spectral and used into a local space on matrices of data; the approach was used for to define a rate of safeguarding of a rare event in a given mathematical transformation. However, we limited his application to the context of the thesis related to the reduction of the size of the data in a hyperspectral image. 3- The comparative studies allowed a first hybrid proposal for an approach for the reduction of the size of an image hyperspectral allowing a better stability: BandClustering with Multidimensional Scaling (MDS). Examples are given to show the originality and the relevance of the hybridization (BanClust\MDS) of the analysis carried out. 4- The trend of hybridization was generalized thereafter by presenting an adaptive hybrid algorithm unsupervised based on Fuzzy logic (Fuzzy C-means), a method of projection as the analysis in principal component (PCA) and a validity index of a classification. The classifications carried out by Fuzzy C- means, make it possible to assign each pixel of an image hyperspectral to all the classes with degrees of membership varying between 0 and 1. This property makes the FCM interesting method for the detection of progressive or between different spectral bands or from spectral heterogeneities. With conventional methods known validity indices of classes, we determined the optimal number of classes of FCM and the fuzzy parameter. We show that this hybridization leads to a relevant reduction rate in hyperspectral imaging. Consequently, this algorithm applied to different samples of hyperspectral data, allows a spectral imagery much more informative, in particular on the level of spectral heterogeneity.
En Imagerie hyperspectrale, les volumes de données acquises atteignent souvent le gigaoctet pour une seule et même scène observée. De ce fait, l'analyse de ces données au contenu physique complexe passe obligatoirement par une étape préliminaire de réduction de la dimensionnalité. Cette réduction a un double objectif, le premier consiste à réduire la redondance et le second permet de faciliter les traitements postérieurs (extraction, classification et reconnaissance de formes) et donc l'interprétation des données. La classification automatique est une étape importante du processus d'extraction de connaissances à partir des données. Elle vise à découvrir la structure intrinsèque d'un ensemble d'objets en formant des regroupements qui partagent des caractéristiques similaires. Dans cette thèse, nous nous intéressons à la réduction de dimension dans le cadre de la classification non supervisée des bandes spectrales. Différentes approches existent, comme celles basées sur la projection (linéaire ou non-linéaire) des données de grandes dimensions sur des sous-espaces de représentation bien choisis ou sur les techniques de sélection de bandes spectrales exploitant des critères de complémentarité-redondance d'information qui ne permettent pas de préserver toute la richesse de l'information apportée par ce type de données. 1 - Nous avons accompli une étude comparative, sur la stabilité et la similarité des algorithmes des méthodes non paramétriques et non supervisée de la projection et aussi de la sélection des bandes utilisées dans la réduction de la dimensionnalité à différents niveaux de bruit déterminés. Les tests sont effectués sur des images hyperspectrales, en classant ces derniers en trois catégories selon leur degré de performance de préserver la quantité d'informations. 2 - Nous avons introduit une nouvelle approche de critère basée sur la di-similarité des attributs spectraux et utilisée dans un espace local sur des matrices de données ; L'approche a servi pour définir un taux de préservation d'un évènement rare dans une transformation mathématique donnée. Cependant, nous avons limitée son application au contexte de la thèse liée à la réduction de la taille des données dans une image hyperspectrale. 3 - Les études comparatives ont permis une première proposition d'approche hybride pour la reduction de la taille d'une image hyperspectrale permettant une meilleure stabilité : BandClustering avec Multidimensional Scaling (MDS). Des exemples sont donnés pour démontrer l'originalité et la pertinence de l'hybridation (BandClust / MDS) de l'analyse effectuée. 4 - La tendance de l'hybridation a été généralisée par la suite en présentant un algorithme hybride adaptatif non supervisé basé sur la logique flou (Fuzzy C means), une méthode de projection comme l'analyse en composante principale (ACP) et un indice de validité d'une classification. Les classifications effectuées par Fuzzy C means permettent d'affecter chaque pixel d'une image hyperspectrale à toutes les classes avec des degrés d'appartenance variant entre 0 et 1. Cette propriété rend la méthode FCM intéressante pour la mise en évidence soit des transitions progressives entre les différentes bandes spectrales ou des hétérogénéités spectrales. Grâce à des méthodes conventionnelles appelées indices de validité de classes, nous avons déterminé le nombre optimal de classes de FCM ainsi que le paramètre de flou. Nous montrons que cette hybridation conduit à un taux de réduction pertinent dans l'imagerie hyperspectrale. Par conséquent, Cet algorithme appliqué à différents échantillons de données hyperspectrales, permet une imagerie spectrale beaucoup plus informative, notamment au niveau de l'hétérogénéité spectrale.
Fichier principal
Vignette du fichier
Redaction_PHD_Jihan_16_copy.pdf (1.99 Mo) Télécharger le fichier

Dates et versions

tel-00939018 , version 1 (29-01-2014)

Identifiants

  • HAL Id : tel-00939018 , version 1

Citer

Jihan Khoder. Nouvel Algorithme pour la Réduction de la Dimensionnalité en Imagerie Hyperspectrale. Traitement du signal et de l'image [eess.SP]. Université de Versailles-Saint Quentin en Yvelines, 2013. Français. ⟨NNT : ⟩. ⟨tel-00939018⟩

Collections

UVSQ LISV
938 Consultations
3186 Téléchargements

Partager

Gmail Facebook X LinkedIn More