Traitement d'images hyperspectrales basé sur des méthodes tensorielles

Cette thèse est consacrée à l'analyse et au traitement d'images hyperspectrales principalement avec des modèles d'apprentissage en profondeur. Pour exploiter pleinement les informations spectrales et spatiales des données hyperspectrales, un réseau neuronal convolutif avec réglage des paramètres est proposé pour la classification hyperspectrale. En outre, pour résoudre le problème des échantillons étiquetés limités dans les images hyperspectrales, des méthodes d'extraction de caractéristiques non supervisées basées sur un réseau antagoniste génératif amélioré et un autoencodeur convolutif sont étudiées. De plus, un cadre d'autoencodeur de débruitage multi-échelle est conçu pour le débruitage et l'amélioration de la détection de cibles. Les résultats sur des données simulées et réelles montrent l'efficacité des méthodes proposées et leurs perspectives prometteuses pour les applications en imagerie hyperspectrale.This thesis is devoted to analyzing and processing hyperspectral images mainly with deep learning methods. To fully exploit the spectral-spatial information of hyperspectral data, convolutional neural network with parameter tuning is proposed for hyperspectral classification. Besides, to solve the problem of limited labeled samples in hyperspectral images, unsupervised feature extraction methods based on improved generative adversarial network and convolutional autoencoder are investigated. In addition, a multi-scale denoising autoencoder framework is designed for denoising and improvements of target detection. The results on simulated and real-world data demonstrate that the effectiveness of the proposed methods and their promising prospects in hyperspectral imaging applications