Extraction de navires en mer basée sur la télédétection satellitaire hyperspectrale

Les méthodes de classification d'images hyperspectrales diffèrent fondamentalement des méthodes multispectrales traditionnelles. Une courbe spectrale continue peut être obtenue pour chaque pixel d'une image hyperspectrale. Ceci permet de comparer les courbes spectrales obtenues pour chaque pixel de l'image avec celles de référence. Idéalement, si les deux courbes spectrales sont similaires, cela permet de déterminer la substance dont le pixel est le plus proche.

Les caractéristiques des images hyperspectrales permettent de les appliquer non seulement à la classification d'images en général, mais aussi à l'identification de matériaux et à la détection de cibles. La classification d'images se concentre davantage sur le couvert végétal et la composition des matériaux, tandis que l'identification et la détection de cibles recherchent des objets spécifiques, le résultat étant « présent » ou « absent ». C'est pourquoi nous désignons la classification, l'identification de matériaux et la détection d'images hyperspectrales par le terme de reconnaissance spectrale.

Dans les scénarios d'identification des navires maritimes, l'identification spectrale hyperspectrale offre une approche prometteuse pour identifier les cibles maritimes et distinguer différents types de navires dans des environnements maritimes complexes.

Procédures spécifiques

1. correction atmosphérique

Utilisez l'une des méthodes suivantes pour la correction atmosphérique :

Correction atmosphérique rapide (QUAC)

Modèles de transfert radiatif (6S, FLAASH)

Méthodes de correction atmosphérique statistique (réflectance IAR, résidus logarithmiques, champ plat, ligne empirique)

Soustraction sombre simplifiée

2. Sélectionner les échantillons cibles, calculer les spectres cibles et de fond.

Lors de l'application de la projection de sous-espace orthogonal (OSP), du filtre à interférences minimisées à contrainte cible (TCIMF) et du filtre à interférences minimisées à contrainte cible à réglage de mélange (MTTCIMF), au moins deux spectres cibles sont requis, ou en outre, des spectres facilement confondus avec les spectres cibles doivent être sélectionnés comme spectres de fond pour aider à améliorer la précision de la détection.

3. Transformation MNF

La transformation MNF permet de séparer le bruit et de réduire la dimensionnalité des données afin de diminuer la charge de calcul. Les méthodes d'identification MTMF (Mixture Tuned Matched Filter) et MTTCIMF (Mixture Tuned Target-Constrained Interference-Minimized Filter) sont basées sur la MNF.

Procédures spécifiques

4. Choisir les méthodes d'analyse appropriées

Les méthodes courantes sont les suivantes :

Filtrage adapté (MF)

Minimisation de l'énergie sous contrainte (CEM)

Estimateur de cohérence adaptatif (ACE)

Cartographe d'angle spectral (SAM)

Projection orthogonale de sous-espace (OSP)

Filtre à interférences minimisées et contraintes par la cible (TCIMF)

TCIMF à mélange optimisé (MTTCIMF)

Filtrage adapté au mélange (MTMF)

5. Extraction de la cible

En utilisant un seuil basé sur des règles ou en sélectionnant des nuages ​​de points avec des scores MF élevés et de faibles valeurs d'infaisabilité à partir d'un nuage de points basé sur les scores MF et les valeurs d'infaisabilité, les cibles détectées peuvent être identifiées.

6. Post-traitement

Les petits amas présents dans les résultats sont éliminés par des méthodes de post-traitement (méthodes convolutionnelles et qualitatives, etc.). Simultanément, le nombre minimal de pixels par cluster est défini en fonction de la taille cible afin d'éliminer les petits amas isolés. La vectorisation et d'autres transformations sont effectuées selon les besoins.

ESPACE XIOPM

Résultats d'extraction

▲Composition en vraies couleurs d'images hyperspectrales originales

▲ Zones cibles 1 et 2

▲ Zones cibles 3 et 4

▲ Zone cible 5

▲ Courbes spectrales de chaque cible et du fond

Comme le montre l'image ci-dessus, les courbes spectrales des cibles 2 et 4 sont relativement similaires, ce qui suggère qu'il s'agit du même type de navire. Bien que l'identification spectrale hyperspectrale soit très prometteuse, plusieurs défis subsistent quant à l'identification des navires en mer.

1. Volume et traitement des données : La grande quantité de données générées par les capteurs hyperspectraux nécessite des algorithmes de traitement efficaces et des ressources informatiques importantes.
2. Variabilité spectrale : En raison de l’influence de facteurs tels que la composition des matériaux et la rugosité de la surface de la mer, les caractéristiques spectrales peuvent varier, ce qui nécessite des algorithmes de classification robustes.
3. Disponibilité des données : Pour les applications maritimes, l'acquisition d'images hyperspectrales de haute qualité est cruciale pour l'entraînement et la validation des modèles de classification.
4. Fusion de données : Les données hyperspectrales doivent être fusionnées avec d'autres sources d'information (telles que des données optiques et radar à haute résolution) afin d'améliorer la précision de la reconnaissance.