Classification et compression de textures hyperspectrales par représentations parcimonieuses

Voir Plus Voir Moins

Afficher le Résumé

L'imagerie hyperspectrale enregistre des centaines de bandes spectrales étroites et contiguës reçues dans chaque position spatiale de l'image. Comme chaque matériau manifeste une signature spectrale différente, l'imagerie hyperspectrale permet la classification précise des images, ce qui est une tâche importante dans beaucoup de domaines. Cependant, la grande dimension de ces images complique l'analyse des données. Dans ce travail, nous proposons et développons des nouvelles méthodes pour la compression et la classification des données hyperspectrales. Une représentation parcimonieuse de la texture hyperspectrale basée sur la transformée en ondelettes discrète 3D et une méthode de régression est utilisée pour la compression des images hyperspectrales. Les ondelettes et la régression SVM sont deux outils efficaces pour la compression des données de grande dimension et pour l'analyse contextuelle d'images. En effet, les résultats de compression obtenus sont d'un apport considérable. D'un autre côté la méthode aboutie à de bonnes performances de classification des images hyperspectrales compressées. Cependant, une meilleure sélection des pixels représentatifs peut améliorer davantage les résultats de classification des images hyperspectrales. La transformée en ondelettes spectrales sur graphes (SGWT) permet d'extraire les caractéristiques de texture d'un graphe pondéré d'une image hyperspectrale. Nous avons proposé une méthode de classification basée sur cette transformée pour extraire les pixels représentatifs de l'image. En outre, une classification SVM est appliquée aux coefficients SGWT obtenus. Les résultats ont montré l'efficacité de la méthode en termes de robustesse et de précision.