Pourquoi la compression hyperspectrale est-elle importante ? De centaines de bandes à quelques caractéristiques (Partie 1)

Cependant, des problèmes se posent : plus l’information est riche, plus la charge de données est importante. L’avantage des images hyperspectrales réside dans leur grand nombre de bandes, mais c’est également le cas pour les données elles-mêmes. Chaque pixel possède une courbe spectrale relativement longue, ce qui entraîne directement une augmentation des coûts de stockage, une charge de calcul accrue, un ralentissement de l’apprentissage des modèles et une complexité accrue pour les tâches de classification, de détection et d’inversion ultérieures. Par conséquent,Une question fondamentale du traitement d'images hyperspectrales est la suivante : peut-on compresser des centaines de bandes en un petit nombre de caractéristiques tout en préservant autant d'informations utiles que possible ? C'est précisément la question.Compression hyperspectraleOu le problème que la réduction de dimensionnalité spectrale doit résoudre.

Figure 2.Schéma de principe d'une application de réduction de dimensionnalité hyperspectrale

Il est important de noter que la « compression » ne se limite pas ici à la simple réduction de la taille du fichier. Plus précisément, elle consiste à transformer l'information spectrale multidimensionnelle de chaque pixel en une représentation plus compacte et de faible dimension. Autrement dit, il ne s'agit pas tant de l'espace disque occupé par le fichier, mais plutôt de savoir si l'information provenant de centaines de bandes peut être représentée par 15, 10, voire moins de caractéristiques, tout en conservant la capacité d'effectuer des tâches de classification. Ceci soulève une contradiction classique : conserver une dimensionnalité trop élevée n'apporte qu'une amélioration limitée de l'efficacité de calcul ; une compression excessive peut entraîner la perte d'informations spectrales cruciales. Le défi de la compression hyperspectrale ne réside pas simplement dans la réduction de la dimensionnalité, mais plutôt dans la détermination des informations à supprimer et de celles à conserver.

D'un point de vue méthodologique, la compression hyperspectrale peut être globalement catégorisée en plusieurs types : méthodes de réduction de dimensionnalité linéaire, méthodes de réduction de dimensionnalité non linéaire, etc.Décomposition en composantes indépendantesMéthodes et méthodes d'auto-encodeurs basées sur l'apprentissage profond.La différence entre eux ne réside pas seulement dans leur forme algorithmique ; plus important encore, ils répondent à deux questions selon des perspectives différentes :Où se situe la redondance spectrale ? Comment l’information effective est-elle préservée ?

La méthode la plus classique est l'ACP, ou analyse en composantes principales.Son principe de base est très intuitif : de nombreuses bandes adjacentes d'une image hyperspectrale sont fortement corrélées, et il existe une redondance importante entre les informations. Par conséquent, le spectre original peut être projeté sur un nouvel ensemble de directions, en privilégiant la conservation des composantes principales ayant subi les plus grandes variations et en éliminant les contributions mineures. Les avantages de l'ACP résident dans sa simplicité, sa stabilité et sa grande efficacité de calcul, ce qui en fait une méthode fondamentale de choix pour le traitement hyperspectral. Lors de nombreux projets de réduction de dimensionnalité hyperspectrale, l'ACP est souvent la première méthode employée.

Cependant, l'ACP présente également des limitations importantes. Il s'agit essentiellement d'une méthode linéaire, alors que la réponse spectrale des objets réels est souvent influencée par une combinaison de facteurs, notamment les propriétés des matériaux, les conditions d'éclairage, les effets atmosphériques, les caractéristiques de réflectance et d'absorption. Par conséquent, les relations entre les bandes spectrales ne sont pas nécessairement linéaires. Ainsi, lorsque la structure des données est complexe, l'ACP peut ne pas être en mesure de les représenter correctement.Données hyperspectralesLes caractéristiques non linéaires dans.

C’est pourquoi la méthode KPCA a été introduite.L'ACP à noyau (KPCA) peut être considérée comme une extension non linéaire de l'ACP.Elle projette les données dans un espace de caractéristiques de dimension supérieure grâce à des fonctions noyau, ce qui facilite la mise en évidence et la distinction des relations spectrales initialement complexes et imbriquées. Comparée à l'ACP, l'ACP à noyau (KPCA) offre une meilleure capacité à exprimer des structures spectrales complexes, mais au prix d'un coût de calcul plus élevé. Pour l'imagerie hyperspectrale à grande échelle ou les tâches de traitement en temps réel, l'efficacité de la KPCA doit être un critère essentiel.

Une autre méthode est l'ICA, ou analyse en composantes indépendantes.Contrairement à l'ACP, qui vise à maximiser la variance, l'ICA cherche à décomposer le signal original en plusieurs composantes indépendantes. Dans le cas des images hyperspectrales, différents éléments du sol, le fond et le bruit peuvent coexister dans le spectre des pixels. L'ICA a pour objectif d'identifier davantage de structures indépendantes au sein de ce signal complexe. Son avantage réside dans sa capacité à extraire certaines composantes indépendantes, mais elle est sensible à la distribution des données et aux hypothèses du modèle ; ses performances dépendent donc de la scène et du taux de compression. Bien qu'elle puisse parfois donner de bons résultats dans certaines plages de valeurs, elle n'est pas nécessairement la méthode la plus stable.

Si l'on considère conjointement l'ACP, l'ACP à noyau et l'ACI, on constate que la logique de base des méthodes traditionnelles est relativement claire :Tous tentent d'extraire une représentation plus compacte du spectre original de haute dimension grâce à des transformations mathématiques.Le problème réside toutefois dans le fait que la plupart de ces méthodes s'appuient sur des règles prédéfinies. Elles ignorent si la tâche suivante consiste en une classification, une détection ou une inversion, et ne savent pas nécessairement quelles caractéristiques sont les plus importantes pour la tâche finale.

Ceci nous amène à la catégorie de méthodes suivante : les autoencodeurs.Un auto-encodeur, ou AE, peut être compris comme un réseau neuronal qui « comprime d'abord puis restaure ».La première partie, appelée encodeur, compresse le spectre original de haute dimension en caractéristiques de basse dimension ; la seconde partie, appelée décodeur, reconstruit le spectre original à partir de ces caractéristiques. Durant l’apprentissage, le modèle s’améliore continuellement en optimisant la compression du spectre afin de minimiser les distorsions.Erreur de reconstructionL'avantage de l'AE (réduction orientée aspect) réside dans le fait qu'elle ne se contente pas de réduire la dimensionnalité selon des règles fixes, mais qu'elle apprend plutôt les relations de transformation non linéaires à partir des données. Par conséquent, dans les scénarios de compression à taux élevé, l'AE présente souvent un potentiel supérieur aux méthodes linéaires traditionnelles.

Outre l'AE, il existe aussi le DAE, qui est...auto-encodeur de débruitageLes niveaux de bruit varient souvent selon les bandes spectrales des images hyperspectrales, notamment dans certaines bandes du proche infrarouge sensibles au bruit atmosphérique et au bruit du capteur. L'objectif de l'analyse d'images numériques (DAE) n'est pas seulement d'apprendre des représentations compressées, mais aussi de rendre le modèle plus robuste au bruit. Autrement dit, il ne s'agit pas seulement d'apprendre à compresser des spectres de haute dimension en caractéristiques de basse dimension, mais aussi de tenter de reconstruire une représentation spectrale plus stable en présence de bruit. Cependant, la DAE n'est pas une solution miracle. Si ses capacités sont supérieures, l'aléatoire de son apprentissage est également plus marqué, ce qui exige une meilleure qualité des données, un paramétrage précis et une plus grande stabilité de l'apprentissage.

On constate ici que la voie technique de la compression hyperspectrale se dessine progressivement :L'ACP recherche la simplicité et la stabilité, l'ACP à noyau (KPCA) met l'accent sur la représentation non linéaire, l'ICA se concentre sur la décomposition en composantes indépendantes, tandis que l'AE et le DAE s'appuient sur des réseaux neuronaux pour apprendre automatiquement des caractéristiques de faible dimension à partir des données.

Figure 3. Schéma récapitulatif de la méthodologie

Ces méthodes partagent un objectif commun : conserver plus d'informations utiles avec moins de dimensions.Mais la question essentielle est de savoir ce qui constitue précisément une « information utile ». Si l’objectif est simplement de reconstruire le spectre original après compression, le critère d’évaluation pourrait être l’erreur de reconstruction. En revanche, si la tâche suivante consiste à classifier l’occupation du sol, ce qui importe réellement n’est pas la précision de la reconstruction des courbes spectrales, mais la capacité des caractéristiques compressées à distinguer les différents types d’occupation du sol.

C’est également un point essentiel qui devra être abordé dans le prochain article : la compression hyperspectrale ne doit pas se concentrer uniquement sur l’erreur de reconstruction, mais aussi sur les performances de la mission.