Soutenance mémoire
Des jeux de données de complexité variables ont été construits pour cette étude. Ce choix est motivé par trois raisons :
1. la méthode de fusion HS+PAN développée doit être générique et robuste quel que soit le type de paysage (de rural à urbain) ;
2. comprendre les limitations des différentes étapes des méthodes existantes afin de proposer des améliorations nécessite de disposer de jeux de données maîtrisés (choix des imagettes et des complexités associées) ;
3. le développement d’une méthode applicable à des données de complexité importante, comme les scènes urbaines, nécessite une augmentation progressive de la complexité spatiale (validation des différentes étapes sur des scènes intermédiaires).
Les jeux de données de cette étude couvrent donc différents types de paysages, de complexité croissante : image synthétique, paysages agricoles, péri-urbains et urbains. Pour ce faire, divers instruments, avec des caractéristiques intrinsèques propres (par exemple : résolution spatiale, rapport signal sur bruit), ont été utilisés pour simuler les données HS et PAN à différentes résolutions spatiales : HyMap et HySpex (SYSIPHE et UMBRA). Cela nous donne accès à une diversité à la fois en termes de paysages et d’instruments.
Comme énoncé en introduction de cette étude, toutes les images sont des luminances spectrales. Dans la suite, les images HS sont représentées par des images en composition colorée :
— Rouge, Vert, Bleu (RVB) pour le domaine visible (choisi systématiquement sauf mention contraire) ;
— 1,25, 1,65 et 2,2 µm pour le domaine SWIR .
Génération des jeux de données
Chaque jeu de données utilisé dans cette étude est composé d’une image HS à haute résolution spatiale dite de référence, aussi appelée image REF , et d’images HS et PAN simulées , obtenues en dégradant respectivement spatialement et spectralement l’image REF.
Image REF
Cette image de référence est construite à partir d’une image HS source, de deux façons possibles :
1. à partir de spectres provenant de cette image source, pour générer une jeu de données synthétique (image-test) ;
2. par l’extraction d’une zone d’intérêt choisie (par exemple : transitions, agencement spatial particulier). Cet extrait peut être éventuellement sous-échantillonné à l’aide d’un moyennage spatial, pour aboutir à une résolution spatiale plus basse que celle de l’image source. Dans les deux cas, nous retirons les bandes spectrales correspondant à une transmission atmosphérique inférieure à 0,8. L’image REF est ensuite dégradée, spectralement pour simuler l’image PAN, et spatialement pour simuler l’image HS.
Image HS
Cette image simulée est obtenue, pour chaque pixel dégradé, par moyennage spatial des r×r sous-pixels correspondant dans l’image REF, où r est le rapport de résolution spatiales choisi . Nous choisissons systématiquement un rapport entier afin de conserver une correspondance entre les pixels de l’image HS et ceux de l’image PAN. Par défaut, une valeur de 4 est choisie comme rapport de résolutions spatiales pour toutes les images HS simulées. Cependant, des valeurs de r allant de 2 à 8 sont également testées afin de repousser l’une des limite de l’état de l’art , à savoir un rapport de résolutions spatiales systématiquement fixe par jeu de données, et généralement compris entre 3 et 5 dans le cadre du pansharpening HS.
Image PAN
La dégradation consiste à moyenner (uniformément) les bandes spectrales de l’image REF couvrant le domaine PAN sélectionné (filtre rectangulaire). Dans le cas de l’image PAN associée au domaine spectral visible, nous choisissons l’intervalle [0,43 − 0,86 µm]. Celui-ci correspond au domaine spectral enregistré par le système HS ROSIS [8]. Il est également très proche de celui de Pléiades [1] ([0,48 − 0,83 µm]).
Images sources
Images HyMap
Deux images HS, provenant de deux lignes de vol acquises par l’instrument aéroporté HyMap lors de la campagne HyEurope 2009 [11] à une résolution spatiale de 4 m, sont exploitées. La première image couvre des terres agricoles dans la Camargue (France), et la seconde la ville de Garons (France) avec des champs en périphérie. Toutes deux possèdent 115 bandes spectrales réparties dans le domaine réflectif après filtrage des bandes spectrales .
Images SYSIPHE
Le système SYSIPHE [72] est composé de deux imageurs hyperspectraux dont la résolution spatiale est de 0,5 m : Sieleters (ONERA), pour les bandes infrarouges moyenne (3 à 5 µm) et lointaine (8 à 12 µm) ; et HySpex Odin-1024 (FFI/NEO) [73], pour le visible et proche infrarouge (0,4 à 2,5 µm). Toutefois, dans cette étude, seules les données acquises dans le domaine réflectif (issues de l’imageur Odin) sont traitées. Cela équivaut à 426 bandes spectrales couvrant le domaine réflectif, et 248 après filtrage des bandes spectrales .
Trois images HS sources utilisées dans cette étude proviennent de lignes de vol acquises par le système SYSIPHE pendant la campagne Canjuers de 2015 [74], avec une résolution spatiale de 0,5 m dans le domaine réflectif :
— une image de Canjuers (France), représentant un complexe sportif, des bâtiments et de la végétation ;
— une image de Toulon (France), représentant des structures péri-urbaines (bâtiments espacés avec des toits en béton et en tuiles, serres, stade), des champs, et une partie de l’aéroport de Toulon-Hyères ;
— une image de Gardanne (France), représentant des bâtiments répartis entre des zones pavillonnaires et des zones urbaines denses .
Pour chacune des trois images HS acquises par SYSIPHE (Canjuers, Toulon et Gardanne), les images REF extraites sont dégradées à une résolution spatiale de 1,5 m (moyennage spatial de rapport 3 . Cette dégradation est effectuée pour deux raisons. D’une part, nous souhaitons que l’ensemble des images REF utilisées dans cette étude aient des résolutions spatiales comparables, afin d’analyser les performances des méthodes pour des scènes de complexité croissante dans des conditions de simulation proches. Notamment, la nouvelle résolution spatiale des images HySpex Odin (1,5 m) est similaire à celle des images UMBRA (1,6 m). D’autre part, certains jeux de données SYSIPHE seront simulés avec prise en compte de défauts instrumentaux comme la déregistration, la FTM et le bruit , ce qui nécessite de générer les images PAN et HS à une résolution spatiale plus faible que celle d’origine (0,5 m).
|
Table des matières
1 Introduction
2 État de l’art
2.1 Description des familles de méthodes
2.2 Comparaison des méthodes de fusion
2.2.1 Études comparatives de la littérature
2.2.2 Évaluation des méthodes
2.3 Limitations des méthodes de pansharpening HS
2.4 Sélection des méthodes de référence
2.5 Démarche retenue
3 Construction de jeux de données de complexité variable
3.1 Génération des jeux de données
3.1.1 Image REF
3.1.2 Image HS
3.1.3 Image PAN
3.2 Images sources
3.2.1 Images HyMap
3.2.2 Images SYSIPHE
3.2.3 Images UMBRA
3.3 Images de référence de complexité croissante
3.3.1 Image synthétique
3.3.2 Paysages agricoles
3.3.3 Paysages avec végétation et bâtiment
3.3.4 Paysages péri-urbains
3.3.5 Paysages urbains
3.4 Synthèse
4 Développement d’une procédure robuste d’évaluation de performances
4.1 Principe général
4.2 Critères de qualité
4.2.1 Choix des critères de qualité
4.2.2 Nouveaux critères de qualité
4.3 Processus d’évaluation multi-échelles
4.3.1 Analyse affinée : localisation des groupes de pixels
4.3.2 Analyse locale : variation spatiale de l’erreur
4.3.3 Génération des cartes d’occupation des sols
4.4 Conclusion
5 Évolutions de SOSU pour des scènes de complexité spatiale réduite : CASTOR
5.1 Description de la méthode CASTOR
5.1.1 Détection des pixels mixtes
5.1.2 Segmentation de l’image PAN
5.1.3 Extraction des endmembers par région
5.1.4 Sélection des endmembers
5.1.5 Estimation des abondances
5.1.6 Réorganisation spatiale
5.1.7 Étape de fusion : méthode Gain
5.1.8 Synthèse des améliorations apportées
5.2 Évaluation des performances de CASTOR
5.2.1 Démonstration de concept de CASTOR
5.2.2 Application de CASTOR à une scène agricole
5.2.3 Augmentation de la complexité spatiale : passage à une scène péri-urbaine
5.2.4 Analyse de performances globale
5.3 Comparaison des méthodes Gain et CASTOR
5.4 Conclusion
6 Évolutions de CASTOR pour des scènes urbaines : CONDOR
6.1 Description de la méthode CONDOR
6.1.1 Segmentation de l’image PAN
6.1.2 Extraction d’endmembers par région
6.1.3 Détection des pixels mixtes
6.1.4 Sélection des endmembers
6.1.5 Réorganisation spatiale
6.1.6 Synthèse des améliorations apportées
6.2 Évaluation des performances de CONDOR
6.2.1 Étude de sensibilité : choix du paramètre α
6.2.2 Scènes de complexité spatiale modérée
6.2.3 Scènes de complexité spatiale élevée
6.3 Synthèse
6.4 Conclusion
7 Conclusion
