LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Classification, Hyperspectral, Information spatiale, Texture, Champs de Markov, Segmentation, 621, Spatial information, Markov Random Fields
L'imagerie hyperspectrale, grâce à un nombre élevé de bandes spectrales très fines et contigües, est capable d'associer à chaque pixel d'une image une signature spectrale caractéristique du comportement réflectif du matériau ou du mélange de matériaux présents dans ce pixel. La plupart des algorithmes de classification tirent profit de cette grande profusion d'information spectrale mais exploitent très peu l'information contextuelle existant entre les pixels appartenant à un même voisinage. L'objectif de cette thèse est de réaliser de nouveaux algorithmes utilisant simultanément les informations spectrale et spatiale à des fins de classification et d'étudier la complémentarité de ces deux types d'information dans divers contextes. Dans cette optique nous avons développé trois scénarios de classification sensiblement différents, chacun étant adapté à un type d'application particulier. Nous avons tout d'abord développé un procédé d'extraction puis de classification vectorielle d'un ensemble de caractéristiques spectrales et spatiales. Les caractéristiques spectrales sont extraites au moyen de méthodes visant à réduire la dimension des images hyperspectrales tout en conservant une majorité de l'information utile. Les caractéristiques spatiales sont quant à elles produites par l'intermédiaire d'outils de caractérisation de la texture (matrices de co-occurrence et spectres de texture) ou de la forme (profils morphologiques). Nous nous sommes ensuite intéressés à la modélisation markovienne et avons entrepris d'adapter un algorithme de classification de type Conditional Random Field à un contexte hyperspectral. Notre troisième et dernière approche s'appuie sur une segmentation préalable de l'image afin de réaliser une classification par zones et non plus par pixels. L'information spectrale pure permet de regrouper efficacement des pixels présentant des signatures spectrales similaires et suffit généralement dans le cadre de problèmes de classification ne faisant intervenir que des classes sémantiquement très précises, liées à un unique type de matériau. Les classes plus générales (utilisées par exemple pour des applications d'aménagement des sols) se composent en revanche de plusieurs matériaux parfois communs à plusieurs classes et agencés selon des motifs qui se répètent. Caractérisables à la fois spatialement et spectralement, ces classes sont susceptibles d'être plus complètement décrites par une utilisation simultanée de ces deux types d'information. Pour conclure cette étude, nous avons effectué une comparaison des trois méthodes d'intégration de l'information spatiale au processus de classification selon les trois critères sont la précision de classification, la complexité algorithmique et la robustesse. Thanks to a high number of thin and contiguous spectral bands, the hyperpectral imagery can associate to each pixel of an image a spectral signature representing the reflective behaviour of the materials composing the pixel. Most of the classification algorithms use this great amount of spectral information without noticing the contextual information between the pixels that belong to the same neighborhood. This study aims to realize new algorithms using simultaneously the spectral and spatial informations in order to classify hyperspectral images, and to study their complementarity in several contexts. For this purpose, we have developped three different classification scenarios, each one adapted to a particular type of application. The first scenario consists in a vectorial classification processus. Several spectral and spatial characteristics are extracted and merged in order to form a unique data set, which is classified using a Support Vector Machine method or a Gaussian Mixing Model algorithm. The spectral characteristics are extracted using dimension reduction method, such as PCA or MNF, while the spatial characteristics are extracted using textural characterization tools (co-occurrence matrices and texture spectra) or morphological tools (morphological profiles). For the second scenario, we adapted a Conditional Random Field algorithm to the hyperspectral context. Finally, the last scenario is an area-wise classification algorithm relying on a textural segmentation method as a pre-processing step. The spectral information is generally sufficient to deal with semantically simple classes, linked to a unique type of material. Complex classes (such as ground amenagment classes) are composed of several materials which potentially belong to more than one class. Those classes can be characterized both spectrally and spatially, which means that they can be more completly described using both spectral and spatial informations. To conclude this study, we compared the three spectral/spatial classification scenarios using three criterions : classification accuracy, algorithmic complexity and strength.
  • No references.
  • No related research data.
  • No similar publications.

Share - Bookmark

Cite this article