Some contributions to supervised classification of hyperspectral data
Contributions à la classification supervisée de données hyperspectrales
Résumé
This thesis presents three approaches to deal with different issues concerning supervised classification in hyperspectral (HS) images: spectral dimension reduction, spectral spatial combination and light source independence. The high dimensionality and collinearity of spectral variables necessitate specific processing methods to be used before classification. To tackle this issue, we propose an original supervised spectral dimension reduction method that uses orthogonal projections. The projection is performed so that the obtained scores minimize the within-class variability and preserve between-class distances. In addition, since the method is based on removing information, overfitting is prevented without the need for cross-validation. Then, in order to combine the spectral and spatial information, we propose using a spatial regularization on score image channels obtained with a supervised dimension reduction method. These channels, that are built to highlight class differences, allow edges to be obtained, in the spatial domain, that correspond to the actual class borders and not to the background variability. Therefore, applying an edge-preserving spatial regularization to the channels of this score image reduces the remaining within-class variability and thus leads to an easier classification. Finally, we propose an approach that allows, in the context of supervised classification, the prerequisite reflectance correction of the HS images to be unblocked. Under the assumption that classes have Lambertian reflectance, we show that, after log-transformation, the difference in lighting corresponds to a translation in the spectral space as well as in a score space obtained through linear supervised dimension reduction. Owing to the use of a supervised dimension reduction, classes form clusters in the low-dimensional score space. Using these clusters, we propose a method to estimate the translation that is robust against an unbalanced number of samples and missing classes. These three approaches have been evaluated and validated on two real HS datasets, i.e., classification of weeds in a wheat crop using close-range HS images, and classification of a rural area using remotely-sensed HS images.
Cette thèse présente trois approches pour gérer différentes problématiques de la classification supervisée des images hyperspectrales (HS) : réduction de la dimension spectrale, combinaison de l’information spectrale et spatiale et indépendance vis-à-vis de l’éclairement. La grande dimension et forte colinéarité des données spectrales nécessitent un traitement adapté avant classification. Pour pallier à ce problème, nous proposons une approche originale de réduction de dimension supervisée utilisant les projections orthogonales. La projection est réalisée afin que les scores obtenus minimisent la variabilité intraclasse tout en préservant les distances entre classes. De plus, la méthode étant basée sur de la suppression d’information, le sur-apprentissage peut être empêché sans nécessiter une validation croisée. Ensuite, afin de combiner l’information spectrale et spatiale, nous développons une approche de régularisation spatiale sur les canaux d’images de scores obtenus de manière supervisée. Ces scores, mettant en évidence les différences entre les classes, permettent dans le domaine spatial, d’obtenir des bordures correspondant aux variations entre classes et non au bruit de fond. Par conséquent, une régularisation spatiale qui préserve les contours, appliquée aux canaux de l’image des scores, réduit la variabilité intra-classe restant et facilite la classification. Enfin, nous présentons une démarche permettant, dans le contexte de classification supervisée, de s’affranchir de la correction en réflectance préalable des images HS. En faisant l’hypothèse que les classes ont des réflectances lambertiennes, nous montrons que, après une transformation logarithmique, la différence d'éclairement correspond à une translation dans l’espace spectral ainsi que dans l’espace des scores obtenu à partir d’une réduction de dimension supervisée linéaire. Grâce à l’utilisation de la méthode de réduction de dimension supervisée, les classes forment des clusters dans l’espace réduit. Nous proposons donc une méthode d’estimation de cette translation dans l’espace des scores, robuste aux variations du nombre d’individus par classe ainsi qu’aux aux classes manquantes. Ces trois approches ont été évaluées et validées sur deux jeux de données HS réels, i.e., classification d’adventices dans les champs de blé à partir d’image HS en proxi-détection et classification d’une zone rurale à partir de données HS en télédétection.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...