Analyse d’images multibandes et hyperbandes : stratégie de détection d’objets diffuss
| Titre | Analyse d’images multibandes et hyperbandes : stratégie de détection d’objets diffuss |
| Type | Mémoire de Master |
| Auteurs | Ahmad Ali |
| Directeurs | Chapeau-Blondeau François |
| Année | 2015 |
| URL | https://dune.univ-angers.fr/fichiers/14003759/20153MPHY4392/fichier/4392F.pdf |
| Mots-clés | Détection d'Anomalie, Image Hy, Objets étendus, Objets étendus tronqué, Poursuite de Projection, Taux de fausse alarme constante |
| Date de soutenance | 2015-06-26 |
| Résumé | Les méthodes de détection et de classification des objets, supervisées et non-supervisées, sont largement utilisées en traitement d'images multi/hyperbandes dont le spectre de chaque pixel est considéré soit discret (de 4 à 10 bandes) dans le cas d'images multibandes, ou continu (au delà de centaines de bandes) pour l'image hyperbande. Cependant, dans certains cadres applicatifs tels que l'analyse des galaxies en astronomie ou l'identification des cellules en biologie, l'absence de la base d'apprentissage exige l'utilisation d'approches non-supervisées qui devront rester efficaces. Le critère de base de ces méthodes est la recherche de pixels ayant des caractéristiques spectrales différentes de celles du fond, ces pixels sont nommés des "anomalies". Ce sont des "valeurs aberrantes qui s'écartent des autres observations au point d'éveiller les soupçons d'avoir été générées par autre mécanisme" (Hawkins, 1980). Dans ce travail, nous présenterons la "Poursuite des Composantes Anormales (PCA)", une méthode statistique non-supervisée qui porte sur la détection et la discrimination des objets rares dans une image hyperspectrale. La méthode citée combine deux approches : le test des hypothèses (HT) avec un taux de fausse alarme constante (TFAC) et la poursuite de projection (PP) basée sur l'algorithme ICA sous le critère de maximisation de Kurtosis. Cette méthode est appliquée sur des images hyperspectrales synthétiques incluant des objets étendus ou étendus tronqués à plusieurs niveaux du bruit, ceci afin d'évaluer les performances et la robustesse selon le niveau du bruit, et les différent catégories d'objets. |
| Résumé en anglais | Object detection and classification methods, supervised and unsupervised, are widely used in Multi/ hyper bands image processing whose spectrum of each spectral pixel is considered to be discrete (4 to 10 bands) for multi band images, or continuous (over hundreds of bands) for hyperband images. However, in some application frameworks such as analysis of galaxies in astronomy or identification of biological cells, etc., the lack of the learning base requires the use of unsupervised approaches that will remain effective. The basic criterion of these methods is looking for pixels having different spectral characteristics from the background, these pixels are named "anomalies". These are "outliers that deviate from other observations to the point of arousing suspicion of having been generated by other mechanism" (Hawkins, 1980). In this report, we present the "Anomalous Component pPursuit (ACP)", an unsupervised statistical method involves the detection and discrimination of the rare objects in a hyperspectral image. The cited method combines two approaches: hypothesis testing (HT) with a constant false alarm rate (CFAR) and Projection Pursuit (PP) algorithm based on the independant component analysis (ICA) with the kurtosis maximization criterion. This method is applied to synthetic hyperspectral images including extended objects or extended truncated objects at several levels of noise in order to evaluate the performance and robustness according to the noise level, and the different categories of objects. |
| Langue de rédaction | Français |
| Nb pages | 59 |
| Diplôme | Master Physique Appliquée et ingénierie physique |
| Editeur | Université Angers |
| Place Published | Angers |
| Libellé UFR | UFR de Sciences |