Segmentations d'Images Hyperspectrales Par Morphologie Mathématique - Morphologie mathématique (CMM) Access content directly
Conference Poster Year : 2007

Hyperspectral image segmentation by Mathematical Morphology

Segmentations d'Images Hyperspectrales Par Morphologie Mathématique

Abstract

Les images hyperspectrales sont des fonctions multivariées discrètes composées de quelques centaines ou bien de quelques milliers de bandes spectrales. Dans un sens général, une image hyperspectrale associe en un point (pixel) d'une image bidimensionnelle une réponse spectrale, temporelle ou un index : c'est à dire un vecteur de données. A chaque longueur d'onde, temps ou index correspond une image 2D, à niveaux de gris, appelée canal. Le nombre de canaux, qui peut aller d'une dizaine jusqu'à quelques milliers, dépend de la nature du problème considéré (images satellites, images spectroscopiques, séries temporelles, …). Ce nombre de canaux peut être source de redondance de l'information spectrale. Aussi il est nécessaire de réduire cette information. Nous proposerons deux méthodes : une par approche modèle et une autre par analyse de données : l'Analyse Factorielle des Correspondances (AFC). L'approche modèle consiste à ajuster un modèle sur chaque pixel vecteur. On obtient donc les paramètres du modèle pour chacun des pixels. A partir de ces paramètres on crée des cartes de paramètres en disposant les valeurs ajustées à la position du pixel considéré. Quant à l'AFC, elle consiste à passer de l'espace image à l'espace factoriel. A l'issue de cette étape on obtient une autre image hyperspectrale au nombre de canaux restreint soit dans l'espace paramètre soit dans l'espace factoriel. Afin de segmenter l'image, deux approches sont possibles. L'une, dite spatiale, consiste à ne tenir compte que de la position d'un pixel vecteur par rapport aux autres pixels vecteurs et notamment ses voisins. Une première méthode peut consister à utiliser des outils de segmentation de manière marginale sur chacun des canaux. L'autre approche, dite spectrale, ne tient compte que de la comparaison du spectre de chaque pixel vecteur aux spectres de tous les autres pixels, sans tenir compte de leurs positions relatives. Afin de combiner les approches spatiales et spectrales pour la segmentation, nous proposons une nouvelle méthode, combinant les deux approches, à partir de segmentation par Ligne de Partage des Eaux (LPE). La LPE requiert la norme d'un gradient et des marqueurs. La norme du gradient est une image scalaire positive et les marqueurs indiquent les cibles recherchées sur l'image. Le gradient va contenir l'information spatiale et les marqueurs l'information spectrale. Pour une image hyperspectrale il faut utiliser des gradients vectoriels. Ainsi plusieurs gradients adaptés aux espaces image, paramètre et factoriel sont testés. En outre les marqueurs sont obtenus par classification de type "kmeans" dans l'espace des correspondant à celui du gradient considéré. La segmentation par LPE est ensuite effectuée. Les résultats sont illustrés avec des images multispectrales thermiques.
Fichier principal
Vignette du fichier
poster_EHINC2007_font.pdf (1.02 Mo) Télécharger le fichier
poster_EHINC2007_G_Noyel.pdf (160.24 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
licence : CC BY NC ND - Attribution - NonCommercial - NoDerivatives
licence : CC BY NC ND - Attribution - NonCommercial - NoDerivatives

Dates and versions

hal-04062907 , version 1 (07-04-2023)

Licence

Attribution - NonCommercial - NoDerivatives

Identifiers

  • HAL Id : hal-04062907 , version 1

Cite

Guillaume Noyel, Jesus Angulo, Dominique Jeulin. Segmentations d'Images Hyperspectrales Par Morphologie Mathématique. Ecole d'Hiver d'imagerie Numérique Couleur, Jan 2007, Poitiers, France. ⟨hal-04062907⟩
12 View
8 Download

Share

Gmail Facebook X LinkedIn More