Classification et extraction de caractéristiques d'images de télédétection hyperspectrale

En télédétection, les techniques d'imagerie spectrale sont généralement classées en trois catégories selon leur résolution spectrale : multispectrale, hyperspectrale et ultraspectrale. À résolution spatiale égale, plus la résolution spectrale est élevée, plus le nombre de bandes spectrales est important, plus le volume de données est grand et plus les informations obtenues sur l'objet mesuré sont riches.

Tableau comparatif des caractéristiques techniques spectrales

La classification d'images hyperspectrales distingue les types de cibles multiples en attribuant des étiquettes correspondantes à des groupes présentant des caractéristiques similaires ; les échantillons portant la même étiquette sont considérés comme appartenant à la même classe. La précision de la classification influe directement ou indirectement sur les performances de l'application.

Comparées aux images ordinaires, les images hyperspectrales présentent deux caractéristiques :

1) Une haute résolution spectrale, des courbes spectrales quasi continues, de multiples bandes et un grand volume de données permettent une classification fine, mais présentent en même temps des problèmes tels qu'une redondance importante des données et une forte corrélation inter-spectrale.

2) La résolution spatiale limitée et la présence d'un grand nombre de pixels mixtes peuvent engendrer le fléau de la dimensionnalité. De par leur structure et leurs caractéristiques uniques, les images de télédétection hyperspectrale sont difficiles à exploiter directement par les méthodes de traitement d'images traditionnelles, ce qui représente un défi majeur pour le domaine du traitement du signal et de l'information.

Avant 1990, la classification d'images hyperspectrales (y compris multispectrales) et d'autres techniques de traitement étaient des méthodes conventionnelles. De 1990 à 2015, les principales méthodes reposaient sur l'extraction de caractéristiques et l'apprentissage général. Depuis 2015, l'accent est mis sur les méthodes d'apprentissage profond. Depuis 2022, on observe une tendance vers des méthodes d'apprentissage, de fusion de données et de connaissances, ou des méthodes conjointes.

Les méthodes de classification d'images multispectrales et hyperspectrales peuvent être globalement classées en quatre catégories.

Satellite de télédétection hyperspectrale

Spécifications techniques typiques des satellites hyperspectraux représentatifs et de leurs imageurs spectraux, tant au niveau national qu'international :

Extraction de caractéristiques pour la classification d'images hyperspectrales

Les caractéristiques des données d'imagerie hyperspectrale concernent principalement les propriétés spectrales, spatiales et temporelles, ainsi que les combinaisons spatio-spectrales, spatio-temporelles et spatio-temporelles-spectrales. En classification d'images hyperspectrales, les propriétés spectrales courantes incluent les zones d'absorption, la réflectance, la symétrie, la position et le nombre de pics et de creux sur la courbe spectrale, sa pente, ainsi que son gradient et ses statistiques d'ordre supérieur. Les propriétés spatiales des images hyperspectrales comprennent principalement l'amplitude, la couleur, la texture, la forme et les relations spatiales. Les propriétés temporelles incluent principalement la stabilité dans le temps, la dérivée temporelle et le taux de variation.

Caractéristiques hyperspectrales et méthodes d'extraction de caractéristiques

L'extraction de caractéristiques à partir d'images hyperspectrales comprend principalement la sélection, l'extraction et la fusion de ces caractéristiques. Les méthodes d'extraction de caractéristiques spectrales des données de télédétection hyperspectrale et leur classification sont présentées dans le tableau ci-dessous :

Méthodes d'extraction et de classification des caractéristiques spectrales des images de télédétection hyperspectrale

La sélection de caractéristiques consiste généralement à sélectionner directement m (m

L'extraction de caractéristiques consiste à transformer l'espace vectoriel n-dimensionnel d'origine (les données originales sont des données cubiques hyperspectrales) puis à identifier son sous-espace de caractéristiques. Elle implique la recherche d'une relation de transformation qui convertit l'ensemble de données tridimensionnel d'origine en un sous-espace de caractéristiques m-dimensionnel, générant ainsi m nouvelles caractéristiques. L'extraction de caractéristiques recherche généralement des paramètres reflétant diverses cibles dans toutes les bandes de données ; de toute évidence, son coût de calcul est bien supérieur à celui de la sélection de caractéristiques, ce qui la rend intrinsèquement lente.

La combinaison ou fusion de caractéristiques exploite les avantages de plusieurs caractéristiques, comme la combinaison de caractéristiques spectrales, spatiales et temporelles, ou encore la combinaison de caractéristiques d'énergie directe avec des caractéristiques de transformation (telles que les dérivées). Les performances de l'extraction manuelle de caractéristiques sont étroitement liées à des facteurs tels que les connaissances de l'expert du domaine, les propriétés physico-chimiques, les modèles et l'expérience.

Références : He Mingyi, Li Qiang, Guo Ying, Yan Hongmei. 2025. Aperçu et perspectives de la classification intelligente des images hyperspectrales. Journal of Image and Graphics, 30(6) : 2207-2238.