Analyse de textures dans l'espace hyperspectral par des méthodes probabilistes

In this work, we investigate the problem of texture analysis of urban areas. Texture is a spatial concept that refers to the visual homogeneity characteristics of an image, not taking into account color or grey level. The aim of this research is to define a model which allows a joint spectral and spatial analysis of texture, and then to apply this model to hyperspectral images. These images many more bands than classical multispectral images. We intend to make use of spectral information and improve simple spatial analysis. Textures are modeled by a vectorial Gauss-Markov random field, which allows us to take into account the spatial interactions between pixels as well as inter-band relationships for a single pixel. This field has been adapted to hyperspectral images by a simplification which avoids statistical estimation problems common to high dimensional spaces. In order to avoid these problems, we also reduce the dimensionality of the data, using a projection pursuit algorithm. This algorithm determines a projection subspace in which an index, called projection index, is optimized. This index is defined in relation to the proposed texture model so that, when a classification is being carried out, the optimal subspace maximizes the distance between predefined training samples. This texture analysis method is tested within a supervised classification framework. For this purpose, we propose two classification algorithms that we compare to two classical algorithms, one which uses texture information and one which does not. Tests are carried out on AVIRIS hyperspectral images.Dans cette thèse, on aborde le problème de l'analyse de texture pour l'étude des zones urbaines. La texture est une notion spatiale désignant ce qui, en dehors de la couleur ou du niveau de gris, caractérise l'homogénéité visuelle d'une zone donnée d'une image. Le but de cette étude est d'établir un modèle qui permette une analyse de texture prenant en compte conjointement l'aspect spatial et l'aspect spectral, à partir d'images hyperspectrales. Ces images sont caractérisées par un nombre de canaux largement supérieur à celui des images multispectrales classiques. On désire tirer parti de l'information spectrale pour améliorer l'analyse spatiale. Les textures sont modélisées par un champ de Markov gaussien vectoriel, qui permet de prendre en compte les relations spatiales entre pixels, mais aussi les relations inter-bandes à l'intérieur d'un même pixel. Ce champ est adapté aux images hyperspectrales par une simplification évitant l'apparition de problèmes d'estimation statistique dans des espaces de grande dimension. Dans le but d'éviter ces problèmes, on effectue également une réduction de dimension des données grâce à un algorithme de poursuite de projection. Cet algorithme permet de déterminer un sous-espace de projection dans lequel une grandeur appelée indice de projection est optimisée. L'indice de projection est défini par rapport à la modélisation de texture proposée, de manière à ce que le sous-espace optimal maximise la distance entre les classes prédéfinies, dans le cadre de la classification. La méthode d'analyse de texture est testée dans le cadre d'une classification supervisée. Pour ce faire, on met au point deux algorithmes que l'on compare avec des algorithmes classiques utilisant ou non l'information de texture. Des tests sont réalisés sur des images hyperspectrales AVIRIS