Contribution à la réduction de la dimensionnalité et la classification des images hyperspectrales en utilisant 'information mutuelle et la texture

Abstract

L’imagerie hyperspectrale de télédétection (IHS) permet d’acquérir des centaines de bandes pour la même région. Ainsi, un spectre complet de réflectance est construit pour chaque pixel de la scène. Cette grande quantité de données augmente la discrimination des objets à classifier. Cependant, deux défis s’imposent : la malédiction de dimensionnalité et le problème de pertinence des bandes nécessaires pour distinguer les classes. La problématique consiste à réduire la dimensionnalité des IHS pour augmenter la performance de la classification. Dans le cadre du travail de cette thèse, nous avons proposé des méthodes originales pour trouver le groupe réduit d’attributs « bandes » les plus informatifs et pertinents à la classification des IHS. D’une part, nous avons exploité l’information spectrale en utilisant l’information mutuelle normalisée et la probabilité d’erreur dans des approches filtres et Wrapper. Des seuils sont introduits pour le contrôle de la redondance utile. D’autre part, nous avons proposé l’utilisation conjointe de l’information spectrale-spatiale en ajoutant les caractéristiques de textures des bandes. Le classifieur SVM a été retenu pour le développement de nos approches proposées suite à l’évaluation de plusieurs classifieurs. Les approches introduites ont été validées en utilisant trois images hyperspectrales réelles fournies par le capteur hyperspectral AVIRIS de la NASA et le capteur ROSIS. Ces méthodes proposées améliorent la performance de classification avec un faible coût de calcul en comparaison avec les méthodes récentes