Soutenance mémoire
Imagerie Hyperspectrale
Une image est la description du réel. Parfois monochrome, c’est à dire représentée en niveau de gris, et parfois couleur, elle se compose alors de trois canaux monochromatiques chacun décrit l’intensité de la scène dans une bande passante précise. Avec l’évolution des technologies, la conception des capteurs d’imagerie sera plus sophistiquée ce qui nous a permis de décrire une même scène pour plusieurs longueurs d’onde. Le nombre des bandes va d’une dizaine en imagerie multispectrale vers des centaines et des milliers en imagerie hyperspectrale. En effet, les images hyperspectrales fournissent une information plus détaillée des propriétés spectrales d’une scène et permettent une discrimination plus précise des objets que ne le permettent les images couleur (RVB) ou même les images multispectrales. À partir des images hyperspectrales, l’accès simultané à des informations spatiales et spectrales est possible et permet de caractériser les objets de manière très fine. Bien que les potentialités de la technologie hyperspectrale apparaissent relativement grandes, l’analyse et le traitement de ces données restent des procédures complexes et difficiles. De ce fait, exploiter ces quantités importantes de données représente un défi, et la plupart des méthodes d’analyse et d’interprétation sont encore en développement.
Ce stage a été réalisé de Mars à Juillet 2015 au sein de l’équipe de recherche Modèles, Images et Vision (MIV) dans le Laboratoire des Sciences de l’Ingénieur, de l’Informatique et de l’Imagerie (ICube – UMR CNRS 7357- Université de Strasbourg) dans le cadre du projet de groupe de recherche PASEO (Probabilistic Analysis For Space And Earth Observations) qui porte sur le développement de nouvelles méthodologies d’analyse des données astronomiques. Il a été financé par un financement institutionnel qui soutient des projets et des recherches sur les spectro-imageurs de nouvelle génération.
Le sujet du stage pose la problématique de la détection d’objets diffus de formes variées (étendue ou étendue tronquée, e.g, galaxies, étoiles, etc.) contenus dans une image hyperspectrale et noyés dans un fort bruit gaussien. L’objectif principal des travaux est de trouver une méthode statistique non-supervisée permettant de révéler spatialement et spectralement ces objets, étant donné qu’aucune données de « vérité-terrain » n’est disponible.Ce manuscrit est réparti en trois chapitres. Le premier commence par une définition de l’imagerie hyperspectrale et ses applications. La formation d’une image hyperspectrale et le modèles mathématique des données ainsi que les paramètres de la simulation d’une image hyperspectrale contenant des objets diffus aléatoirement configurés sont ensuite présentés.Le deuxième chapitre est consacré à l’état de l’art des méthode de détection. Nous montrerons une ensemble des méthodes de base, supervisées et non-supervisées, utilisées pour l’étude et la détection des objets dans les images hyperspectrales.Le troisième chapitre est dédié à la présentation de la Poursuite des Composantes Anormales (PCA), la méthode de détection mise en oeuvre. Pour expliciter ces différentes étapes nous présenterons les résultats expérimentaux de l’application de PCA sur certains types d’images hyperspectrales simulées ( e.g., Plusieurs niveaux du bruit, formes d’objets, etc), ensuite nous étudierons la performance de la méthode par les courbes ROC. Nous finirons par une conclusion générale et les perspectives envisagées.
|
Guide du mémoire de fin d’études avec la catégorie Photonique, Signal et Imagerie |
|
Étudiant en université, dans une école supérieur ou d’ingénieur, et que vous cherchez des ressources pédagogiques entièrement gratuites, il est jamais trop tard pour commencer à apprendre et consulter une liste des projets proposées cette année, vous trouverez ici des centaines de rapports pfe spécialement conçu pour vous aider à rédiger votre rapport de stage, vous prouvez les télécharger librement en divers formats (DOC, RAR, PDF).. Tout ce que vous devez faire est de télécharger le pfe et ouvrir le fichier PDF ou DOC. Ce rapport complet, pour aider les autres étudiants dans leurs propres travaux, est classé dans la catégorie Images Multibandes et Hyperbandes où vous pouvez trouver aussi quelques autres mémoires de fin d’études similaires.
|
Table des matières
Résumé
Abstract
Introduction Générale
1 Imagerie Hyperspectrale
1.1 Introduction
1.2 Définition de l’imagerie hyperspectrale
1.3 Application de l’imagerie hyperspectrale
1.4 Formation des images hyperspctrales
1.5 Modèle mathématique d’une image hyperspectrale
1.6 Simulation des images hyperspectrales
1.6.1 Objets diffus
1.6.2 Paramètres de la simulation
1.7 Conclusion
2 Méthodes de détection : Etat de l’Art
2.1 Introduction
2.2 Conception d’un détecteur
2.3 Performance et Taux de fausse alarme constante (TFAC)
2.4 Méthodes de détection supervisées
2.4.1 Filtre Adapté
2.4.2 Détecteur Angulaire Adapté
2.4.3 Spectral Angle Mapper (SAM)
2.5 Méthodes de détection non-supervisées
2.5.1 Détecteur RX classique
2.5.2 RX Pondéré (WRX)
2.5.3 Détecteur d’Anomalie Causal Adaptatif (DACA)
2.5.4 Dual Window-based Eigen Separation Transform Anomaly Detector (DWEST-RX)
2.5.5 Nested Spatial Window-base Target Detector (NSWTD)
2.6 Conclusion
3 Poursuite des Composantes Anormales – PCA
3.1 Introduction
3.2 Algorithme PCA
3.2.1 Modélisation des données
3.2.2 Pré-traitement des données
3.2.3 Masque de Condition Initiale (MCI)
3.2.4 Poursuite de Projection : FastICA
3.2.5 Seuillage des cartes de détection
3.2.6 Unification des classes
3.2.7 Déblanchiment des données
3.3 Application de la Poursuite des Composantes Anormales
3.3.1 Résultats expérimentaux et discussions
3.4 Conclusion
Conclusion Générale
Annexe A Démonstration du modèle du système HSI
Annexe B Simulation des HSI’s
Annexe C Kurtosis
Bibliographie
Télécharger le rapport complet
