Apprentissage en grande dimension pour la détection automatique et robuste de cibles en imagerie hyperspectrale

Le système d'imagerie hyperspectrale pour des applications en télédétection spatiale comporte quatre composantes principales : (1) la source d’illumination; (2) les conditions d'atmosphère; (3) la surface de la scène ciblée; et (4) le capteur hyperspectral. Le capteur hyperspectral est capable d'acquérir simultanément la même scène spatiale suivant de centaine de longueurs d'ondes contiguës et très étroites. La combinaison de toutes ces bandes spectrales constitue une image hyperspectral ayant deux dimensions spatiales et une dimension spectrale. Chaque pixel test de l'image suit une distribution particulière qui est inconnue pour l'utilisateur. Cette distribution, même si spécifiée, peut dépendre de deux paramètres tels que la moyenne et la matrice de covariance, où les deux sont souvent complètement inconnus pour l'utilisateur. Lorsque la dimension spectrale est très grande, la détection de cibles devient délicate et caractérise une des applications les plus importantes en imagerie hyperspectrale. Notons qu'en raison de la présence des conditions d'atmosphère, l'énergie réfléchie (initialement émise par la source d'illumination externe et puis modifiée par l'atmosphère) de la surface de la scène est très différente de celle que le capteur reçoit car elle repasse de nouveau par l'atmosphère. À cet égard, certains effets qui produisent une forte variabilité spectrale du pixel test doivent toujours être prises en compte. Il est bien connu que le modèle de signal pour les pixels de test en imagerie hyperspectrale est fondamentalement différent de celui du modèle additif utilisé dans les applications radar ou de communication. Dans cette thèse de doctorat, nous nous concentrons plus particulièrement sur des modèles de pixels de test de type αt + (1 - α)b,  avec 0 ≤ α ≤ 1, "t" la signature de la cible d'intérêt, et "b" la signature du fond (située dans la même position spatiale de t). Une information préalable sur la signature t peut être disponible à l'utilisateur et qui peut être extraite à partir des librairies spectrales en lignes. Différents détecteurs de cibles en imagerie hyperspectrale ont été proposés dans la littérature. Par exemple, le détecteur matched filter, le détecteur matched subspace, et le détecteur adaptive subspace. La performance de ces détecteurs classiques dépend fortement de la qualité d'estimation de la moyenne et la matrice de covariance. Durant cette thèse de doctorat, les techniques du shrinkage et de la parcimonie pourront être exploitées pour développer, en grande dimension spectrale de nouveaux estimateurs de la matrice de covariance afin de réaliser une détection robuste de cibles dans les images hyperspectrales avec le minimum de fausses alarmes. L'imagerie hyperspectrale, bien que faisant l'objet de nombreux travaux scientifique depuis de nombreuses années, doit toujours faire face à certaines problématiques toujours ouvertes. Dans le cadre de ce projet, l'objectif est de réaliser une détection précise et robuste de cibles principalement en grande dimension spectrale et en considérant tous les défis qui peuvent se présenter en réalité (ex., la présence des conditions d'atmosphère, le bruit du capteur, la grande dimension spectrale, la mixture de la cible avec le fond surtout lorsque α est très petite, la forte ressemblance de la signature de cible par rapport au fond, et l'absence de connaissance de la distribution originale des pixels de test). Le fait de travailler à résoudre tous les défis mentionnés reste une tâche très difficile à réaliser en imagerie hyperspectrale.

Unité de recherche d'accueil : Laboratoire Informatique et Société Numérique (LIST3N)

Site web LIST3N : http://recherche.utt.fr/list3n

Les candidats doivent être titulaires d'un diplôme d'ingénieur ou de master dans les domaines de traitement du signal et des images. Des compétences sont attendues plus particulièrement en mathématiques appliquées, traitement statistique du signal, programmation en matlab. Des connaissances en imagerie hyperspectrale ou optique seront un plus.