Images panchromatiques, multispectrales et hyperspectrales
Dans le cadre de lโobservation de la Terre par satellite, diffรฉrents types dโimages sont exploitรฉs. Dโune part, les images panchromatiques (PAN) sont acquises par un capteur large bande. Elles sont composรฉes dโune unique bande spectrale trรจs bien rรฉsolue spatialement (rรฉsolution spatiale de lโordre du mรจtre par exemple), et couvrant gรฉnรฉralement jusquโau domaine spectral visible [0,4 โ 0,8 ยตm] voire visible et proche infrarouge [0,4 โ 1,0 ยตm] pour les instruments existants. Parmi ces derniers, on peut notamment citer Plรฉiades [1] (domaine spectral [0,48 โ 0,83 ยตm], rรฉsolution spatiale de 70 cm), PRISMA [2] (domaine spectral [0,4 โ 0,7 ยตm], rรฉsolution spatiale de 5 m), EO-1/ALI [3] (domaine spectral [0,48 โ 0,69 ยตm], rรฉsolution spatiale de 10 m), ou encore HYPXIM [4, 5] (domaine spectral [0,4 โ 0,8 ยตm], rรฉsolution spatiale de 3,5 m pour HYPXIM-C et 2 m pour HYPXIM-P).
Dโautre part, des images spectrales possรฉdant une meilleure rรฉsolution spectrale peuvent รชtre acquises par un ou plusieurs capteurs capables dโenregistrer simultanรฉment dans plusieurs bandes spectrales รฉtroites. Ces images, possรฉdant plusieurs bandes spectrales (aussi appelรฉes cube de donnรฉes), couvrent de faรงon discrรจte le domaine spectral [ฮปmin โ ฮปmax], par exemple le domaine rรฉflectif [0,4 โ 2,5 ยตm]. Pour une rรฉsolution spectrale relativement faible , on parlera dโimage multispectrale (MS, parfois appelรฉes XS dans la littรฉrature). Ce sont des images possรฉdant gรฉnรฉralement un nombre de bandes rรฉduit (typiquement, moins de 20). On peut par exemple citer SENTINEL-2 [6] (13 bandes spectrales couvrant le domaine [0,42 โ 2,3 ยตm] pour S2A et S2B, illustrรฉes en Fig. 1, de rรฉsolutions spatiales allant de 10 ร 60 m) et SENTINEL-3 [7] (9 bandes spectrales couvrant le domaine [0,54 โ 12,45 ยตm] pour SLSTR, de rรฉsolutions spatiales allant de 500 m pour le domaine rรฉflectif ร 1 km au-delร ). En particulier, on appellera images RVB les images multispectrales composรฉes de trois bandes spectrales respectivement associรฉes aux longueurs dโondes du rouge, du vert et du bleu.
En revanche, pour une rรฉsolution spectrale plus รฉlevรฉe , on parlera plutรดt dโimage hyperspectrale (HS). Ces images possรจdent gรฉnรฉralement un grand nombre de bandes contiguรซs (typiquement, plus dโune centaine), comme illustrรฉ en Fig. 1, pour couvrir le domaine spectral considรฉrรฉ : VNIR [0,4 โ 1,0 ยตm] (ROSIS [8], HyperSpec VNIR-C [9]), rรฉflectif (AVIRIS [10], HyMap [11], HySpex [12], EO-1/Hyperion [13], EnMAP [14], PRISMA [2], HYPXIM [4, 5]), ou encore infrarouge thermique (Telops Hyper-Cam LW [15] pour le domaine spectral [7,8 โ 11,5 ยตm]). Cependant, les images HS ont une rรฉsolution spatiale plus faible que celle dโune image PAN, particuliรจrement lorsque le capteur HS est ร haute altitude ou couvre des zones รฉtendues. Cela est dรป ร plusieurs phรฉnomรจnes, parmi lesquels lโimagerie optique imparfaite ou encore le rapport signal sur bruit [16].
Notons enfin que plusieurs systรจmes dโimagerie intรจgrent ร la fois un capteur PAN couvrant le domaine spectral visible et un capteur HS couvrant le domaine rรฉflectif : cโest le cas de PRISMA [2], EO-1 [17] (ALI + Hyperion), ou encore HYPXIM [4, 5] (futur capteur).
Domaines spectraux
Dans cette รฉtude, les images HS couvrent le domaine rรฉflectif [0,4 โ 2,5 ยตm]. Ce domaine spectral est composรฉ du domaine visible [0,4 โ 0,8 ยตm] et dโune partie du domaine infrarouge (courtes longueurs dโondes : [0,8 โ 2,5 ยตm]) [18]. Dans la suite, nous divisons frรฉquemment le domaine rรฉflectif en plusieurs sous-domaines :
[0,4 โ 0,8 ยตm] visible ;
[0,8 โ 1,0 ยตm] proche infrarouge, ou Near-InfraRed (NIR) ;
[0,4 โ 1,0 ยตm] visible et proche infrarouge, ou Visible and Near-InfraRed (VNIR) ;
[1,0 โ 2,5 ยตm] infrarouge courtes longueurs dโonde, ou Short-Wave InfraRed (SWIR);
[1,0 โ 2,0 ยตm] SWIR I ;
[2,0 โ 2,5 ยตm] SWIR II.
Fusion dโimages
Dans la suite de cette รฉtude, la fusion de deux types dโimages A et B est notรฉe fusion A+B. Les diffรฉrentes applications de fusion dโimages sont dรฉsignรฉes ainsi :
MS+PAN pansharpening ;
HS+MS hypersharpening ;
HS+PAN pansharpening hyperspectral, abrรฉgรฉ en ยซ pansharpening HS ยป ;
HS+2PAN pansharpening HS avec deux voies PAN (introduit dans cette รฉtude).
Reprรฉsentation matricielle des images
Nous assimilons les images traitรฉes (PAN, MS, HS) aux matrices de donnรฉes ou cubes de donnรฉes qui les reprรฉsentent (Fig. 2), et nous les dรฉsignons de la faรงon suivante : R lโimage HS de rรฉfรฉrence, aux dimensions (Ni , Nj , Nฮป), utilisรฉe pour simuler les images HS et PAN respectivement par dรฉgradations spatiale et spectrale. Ni , Nj et Nฮป dรฉsignent respectivement les nombres de lignes, de colonnes et de bandes spectrales. H lโimage HS en entrรฉe de la mรฉthode de fusion, aux dimensions (ni , nj , Nฮป). ni โค Ni et nj โค Nj dรฉsignent respectivement les nombres de lignes et de colonnes. P lโimage PAN, aux dimensions (Ni , Nj , 1) ou simplement (Ni , Nj ). F lโimage fusionnรฉe, aux dimensions (Ni , Nj , Nฮป). I k la k iรจme bande spectrale dโune image I (pouvant correspondre ร R, H ou F). Iโ une image I sous-รฉchantillonnรฉe spatialement (dans notre cas, aux dimensions spatiales de lโimage HS). Iโ une image I sur-รฉchantillonnรฉe spatialement (dans notre cas, aux dimensions spatiales de lโimage PAN). I une image I intรฉgrรฉe spectralement sur le domaine PAN. Pห une pseudo-image PAN, autrement dit sur-รฉchantillonnรฉe spatialement (aux dimensions spatiales PAN) et intรฉgrรฉe spectralement sur le domaine PAN.
Pixels HS purs, mixtes et endmembers
Un pixel HS dont la signature spectrale est celle dโun unique matรฉriau est qualifiรฉ de pixel pur. Autrement dit, il sโagit dโun pixel HS couvrant une zone constituรฉe dโun unique matรฉriau ร la rรฉsolution spatiale PAN. Ainsi, plus la rรฉsolution spatiale de lโimage HS est faible, plus la zone couverte par chaque pixel HS est รฉtendue spatialement, ce qui diminue la probabilitรฉ que ce pixel soit pur. ร lโinverse, nous supposons quโร la rรฉsolution spatiale PAN, tous les sous-pixels sont purs. Cette assertion nous permet de formuler lโhypothรจse suivante :
un pixel HS est pur si et seulement sโil est associรฉ ร des sous-pixels PAN de valeurs de luminance spectrale homogรจnes, comme illustrรฉ dans la Fig. 4. Cette hypothรจse nous permet de dรฉduire quโun pixel HS est pur directement ร partir des variations de luminance spectrale du groupe de pixels PAN associรฉsย .
Un pixel HS qui nโest pas pur est qualifiรฉ de pixel mixte. Un tel pixel couvre donc une zone constituรฉe de diffรฉrents matรฉriaux ร la rรฉsolution PAN. Nous modรฉlisons ainsi son spectre comme une combinaison linรฉaire des signatures spectrales de ces diffรฉrents matรฉriaux. En effet, nous supposons, dโune part, que le spectre dโun pixel HS est la moyenne des signatures spectrales des zones couvertes par tous les pixels PAN associรฉs ; et, dโautre part, que tout sous-pixel ร la rรฉsolution spatiale PAN est pure. Dโaprรจs lโhypothรจse formulรฉe dans le paragraphe prรฉcรฉdent, nous considรฉrerons quโun pixel HS est mixte si et seulement sโil est associรฉ ร des sous pixels PAN dont les valeurs de luminance spectrale sont hรฉtรฉrogรจnes. Plusieurs critรจres sont proposรฉs dans la suite de lโรฉtude afin de mesurer lโhรฉtรฉrogรฉnรฉitรฉ dโun groupe de sous-pixels PAN.
|
Table des matiรจres
Introduction
I Images panchromatiques, multispectrales et hyperspectrales
II Domaines spectraux
III Fusion dโimages
IV Reprรฉsentation matricielle des images
V Rapport de rรฉsolutions spatiales
VI Pixels HS et sous-pixels PAN
VII Pixels HS purs, mixtes et endmembers
VIII Variabilitรฉ intra-classe
1 Introduction
2 รtat de lโart
2.1 Description des familles de mรฉthodes
2.2 Comparaison des mรฉthodes de fusion
2.2.1 รtudes comparatives de la littรฉrature
2.2.2 รvaluation des mรฉthodes
2.3 Limitations des mรฉthodes de pansharpening HS
2.4 Sรฉlection des mรฉthodes de rรฉfรฉrence
2.5 Dรฉmarche retenue
3 Construction de jeux de donnรฉes de complexitรฉ variable
3.1 Gรฉnรฉration des jeux de donnรฉes
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 rรฉfรฉrence de complexitรฉ croissante
3.3.1 Image synthรฉtique
3.3.2 Paysages agricoles
3.3.3 Paysages avec vรฉgรฉtation et bรขtiment
3.3.4 Paysages pรฉri-urbains
3.3.5 Paysages urbains
3.4 Synthรจse
4 Dรฉveloppement dโune procรฉdure robuste dโรฉvaluation de performances
4.1 Principe gรฉnรฉral
4.2 Critรจres de qualitรฉ
4.2.1 Choix des critรจres de qualitรฉ
4.2.2 Nouveaux critรจres de qualitรฉ
4.3 Processus dโรฉvaluation multi-รฉchelles
4.3.1 Analyse affinรฉe : localisation des groupes de pixels
4.3.2 Analyse locale : variation spatiale de lโerreur
4.3.3 Gรฉnรฉration des cartes dโoccupation des sols
4.4 Conclusion
5 รvolutions de SOSU pour des scรจnes de complexitรฉ spatiale rรฉduite : CASTOR
5.1 Description de la mรฉthode CASTOR
5.1.1 Dรฉtection des pixels mixtes
5.1.2 Segmentation de lโimage PAN
5.1.3 Extraction des endmembers par rรฉgion
5.1.4 Sรฉlection des endmembers
5.1.5 Estimation des abondances
5.1.6 Rรฉorganisation spatiale
5.1.7 รtape de fusion : mรฉthode Gain
5.1.8 Synthรจse des amรฉliorations apportรฉes
5.2 รvaluation des performances de CASTOR
5.2.1 Dรฉmonstration de concept de CASTOR
5.2.2 Application de CASTOR ร une scรจne agricole
5.2.3 Augmentation de la complexitรฉ spatiale : passage ร une scรจne pรฉri-urbaine
5.2.4 Analyse de performances globale
5.3 Comparaison des mรฉthodes Gain et CASTOR
5.4 Conclusion
Conclusion