Development and evaluation of new spatial-spectral classification methods of hyperspectral images

L'imagerie hyperspectrale, grâce à un nombre élevé de bandes spectrales très fines et contigües, est capable d'associer àchaque pixel d'une image une signature spectrale caractéristique du comportement réflectif du matériau ou du mélange dematériaux présents dans ce pixel. La plupart des algorithmes de classification tirent profit de cette grande profusiond'information spectrale mais exploitent très peu l'information contextuelle existant entre les pixels appartenant à un mêmevoisinage. L'objectif de cette thèse est de réaliser de nouveaux algorithmes utilisant simultanément les informations spectraleet spatiale à des fins de classification et d'étudier la complémentarité de ces deux types d'information dans divers contextes.Dans cette optique nous avons développé trois scénarios de classification sensiblement différents, chacun étant adapté à untype d'application particulier.Nous avons tout d'abord développé un procédé d'extraction puis de classification vectorielle d'un ensemble de caractéristiquesspectrales et spatiales. Les caractéristiques spectrales sont extraites au moyen de méthodes visant à réduire la dimension desimages hyperspectrales tout en conservant une majorité de l'information utile. Les caractéristiques spatiales sont quant àelles produites par l'intermédiaire d'outils de caractérisation de la texture (matrices de co-occurrence et spectres de texture)ou de la forme (profils morphologiques). Nous nous sommes ensuite intéressés à la modélisation markovienne et avonsentrepris d'adapter un algorithme de classification de type Conditional Random Field à un contexte hyperspectral. Notretroisième et dernière approche s'appuie sur une segmentation préalable de l'image afin de réaliser une classification parzones et non plus par pixels.L'information spectrale pure permet de regrouper efficacement des pixels présentant des signatures spectrales similaires etsuffit généralement dans le cadre de problèmes de classification ne faisant intervenir que des classes sémantiquement trèsprécises, liées à un unique type de matériau. Les classes plus générales (utilisées par exemple pour des applicationsd'aménagement des sols) se composent en revanche de plusieurs matériaux parfois communs à plusieurs classes et agencésselon des motifs qui se répètent. Caractérisables à la fois spatialement et spectralement, ces classes sont susceptibles d'êtreplus complètement décrites par une utilisation simultanée de ces deux types d'information. Pour conclure cette étude, nousavons effectué une comparaison des trois méthodes d'intégration de l'information spatiale au processus de classification selonles trois critères sont la précision de classification, la complexité algorithmique et la robustesseThanks to a high number of thin and contiguous spectral bands, the hyperpectral imagery can associate to each pixel of animage a spectral signature representing the reflective behaviour of the materials composing the pixel. Most of theclassification algorithms use this great amount of spectral information without noticing the contextual information betweenthe pixels that belong to the same neighborhood. This study aims to realize new algorithms using simultaneously the spectraland spatial informations in order to classify hyperspectral images, and to study their complementarity in several contexts. Forthis purpose, we have developped three different classification scenarios, each one adapted to a particular type of application.The first scenario consists in a vectorial classification processus. Several spectral and spatial characteristics are extracted andmerged in order to form a unique data set, which is classified using a Support Vector Machine method or a Gaussian MixingModel algorithm. The spectral characteristics are extracted using dimension reduction method, such as PCA or MNF, while thespatial characteristics are extracted using textural characterization tools (co-occurrence matrices and texture spectra) ormorphological tools (morphological profiles). For the second scenario, we adapted a Conditional Random Field algorithm tothe hyperspectral context. Finally, the last scenario is an area-wise classification algorithm relying on a textural segmentationmethod as a pre-processing step.The spectral information is generally sufficient to deal with semantically simple classes, linked to a unique type of material.Complex classes (such as ground amenagment classes) are composed of several materials which potentially belong to morethan one class. Those classes can be characterized both spectrally and spatially, which means that they can be morecompletly described using both spectral and spatial informations. To conclude this study, we compared the threespectral/spatial classification scenarios using three criterions : classification accuracy, algorithmic complexity and strength