Fatima Zohra Benhalouche, Yannick Deville, Moussa Sofiane Karoui, Abdelaziz Ouamri IRAP, Université de Toulouse, UPS, CNRS, CNES, Toulouse, France Centre des Techniques Spatiales, Arzew, Algérie LSI, Université des Sciences et de la Technologie d’Oran Mohamed
Boudiaf, Oran, Algérie
4.1 Résumé
Dans ce travail, deux méthodes de démélange spectral non-linéaire sont proposées pour l’extraction des spectres d’endmembers hyperspectraux à partir de données hyperspectrales de télédétection spatiale de milieux urbains. Les deux méthodes proposées sont basées sur la factorisation non-linéaire en matrices non-négatives. La première méthode est conçue pour le mélange binon-linéaire, tandis que la seconde méthode traite le mélange linéaire-quadratique. Pour chacune des deux méthodes, deux algorithmes sont proposés. Le premier algorithme est basé sur la descente en gradient avec un taux d’apprentissage fixe, alors que le second est multiplicatif.
4.2 Synthèse technique
Avec les progrès dans les domaines du traitement du signal et de l’image, l’observation de la Terre basée sur l’imagerie hyperspectrale a été largement utilisée ces dernières années pour mieux comprendre et gérer nos ressources naturelles et notre environnement. Les capteurs d’imagerie hyperspectrale acquièrent simultané- ment des images à partir de centaines de bandes étroites et contiguës du spectre électromagnétique. Ces capteurs ont une résolution spectrale élevée, mais une faible résolution spatiale, ce qui donne des pixels caractérisés par des spectres mélangés contenant plus d’un matériau pur. Un tel cas empêche la reconnaissance directe des matériaux présents dans une scène imagée et nécessite un traitement supplémentaire pour séparer ces spectres mélangés.
Le démélange spectral aveugle est l’une des techniques les plus utilisées pour l’analyse d’images hyperspectrales. Ce procédé non-supervisé vise, dans un premier temps, à extraire les spectres purs des matériaux contenus dans une forme mélangée dans les données hyperspectrales analysées.
Suivant les méthodes consid- érées, les cartes d’abondance des matériaux purs sont extraites conjointement à leurs spectres ou lors d’une deuxième étape de traitement.
Lorsque le paysage de la scène imagée est plat et lorsque l’irradiance de la zone observée est homogène, le modèle de mélange considéré dans les techniques de démélange est linéaire.
Autrement, c’est-à-dire lorsque le paysage n’est pas plat (comme dans les environnements urbains) ou lorsque nous sommes en présence d’une hétérogénéité de l’irradiance de la zone observée, le modèle de mélange devient non-linéaire. Ce modèle de mélange non-linéaire peut être réduit à un modèle linéaire-quadratique ou bilinéaire, comme l’ont montré les travaux de nos équipes. Le modèle de mélange bilinéaire est un sous-ensemble de la forme de mélange linéaire-quadratique, qui considère les interactions de second ordre uniquement entre différents membres de la scène observée (i.e., les auto-interactions de second ordre ne sont pas prises en compte).
Dans ce travail, deux nouvelles méthodes, basées sur la factorisation linéaire-quadratique/bilinéaire
ANR HYEP Systèmes urbains durables (DS0601) – 2014 (pour la même fonction de coût) ont été développés. Ces algorithmes tiennent compte de la non-négativité des données manipulées. Le premier algorithme proposé utilise le schéma de descente en gradient projeté. Le second algorithme utilise des règles de mise à jour multiplicatives.
Les algorithmes développés ont été utilisés sur des données semi-synthétiques, c.-à-d. des spectres réels de matériaux purs mélangés d’une manière bilinéaire ou linéaire-quadratique. Les spectres purs réels considérés sont issus de bibliothèques spectrales. Les coefficients de mélange utilisés sont issus d’une classification réelle. Les performances obtenues sont comparées à celles de méthodes de la littérature et détaillées dans les arti- cles cités ci-dessous. Globalement, ces performances démontrent que les méthodes de démélange proposées donnent des résultats satisfaisants. Aussi, ces mêmes performances révèlent que ces méthodes d’extraction surpassent les méthodes testées de la littérature.
4.3 Références
4.3.1 Papiers majeurs avant HYEP
1. W. Fan, B. Hu, J. Miller, and M. Li, "Comparative study between a new nonlinear model and common linear model for analyzing laboratory simulated-forest hyperspectral data,"
International Journal of Remote Sensing, vol. 30(11), pp. 2951-2962, 2009.
2. J. M. Bioucas-Dias, A. Plaza, N. Dobigeon, M. Parente, Q. Du, P. Gader, and J. Chanussot,
"Hy- perspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 5(2), pp. 354-379, 2012.
3. I. Meganem, P. Deliot, X. Briottet, Y. Deville, and S. Hosseini, "Linear-Quadratic Blind Source Separation Using NMF to Unmix Urban Hyperspectral Images," IEEE Transactions on Signal Processing, vol. 62, pp. 1822-1833, 2014.
4. I. Meganem, P. Deliot, X. Briottet, Y. Deville, and S. Hosseini, "Linear-quadratic mixing model for reflectances in urban environments," IEEE Transactions on Geoscience and Remote Sensing, vol. 52, pp. 544-558, 2014.
4.3.2 Papiers publiés hors HYEP par la communauté pendant la période 2014-2018 1. 1. N. Dobigeon, J.-Y. Tourneret, C. Richard, J.C.M. Bermudez, S. McLaughlin, A.O. Hero,
"Nonlinear Unmixing of Hyperspectral Images: Models and Algorithms," IEEE Signal Processing Magazine, vol. 31(1), pp. 82-94, 2014.
2. Y. Deville and L.T. Duarte, "An Overview of Blind Source Separation Methods for Linear-Quadratic and Post-nonlinear Mixtures," Latent Variable Analysis and Signal Separation, Lecture Notes in Computer Science, vol. 9237, Liberec, Czech Republic, pp. 155-167, 2015.
4.3.3 Papiers publiés par HYEP
1. Y. Deville, "Matrix Factorization for Bilinear Blind Source Separation: Methods, Separability and Conditioning," in Proc. EUSIPCO 2015, Nice, France, 2015.
2. F. Z. Benhalouche, Y. Deville, M. S. Karoui, and A. Ouamri, "Bilinear matrix factorization using a gradient method for hyperspectral endmember spectra extraction," in Proc. IEEE IGARSS 2016, Beijing, China, 2016.
3. F. Z. Benhalouche, Y. Deville, M. S. Karoui, and A. Ouamri, "Hyperspectral endmember spectra ex- traction based on constrained linear-quadratic matrix factorization using a projected gradient method," in Proc. IEEE MLSP 2016, Vietri sul Mare, Italy, 2016.
ANR HYEP Systèmes urbains durables (DS0601) – 2014
5 Hypersharpening des images hyperspectrales de télédétection spatiale par factorisation linéaire-quadratique en matrices non- négatives
Fatima Zohra Benhalouche, Moussa Sofiane Karoui, Yannick Deville, Abdelaziz Ouamri, Issam Boukerch
IRAP, Université de Toulouse, UPS, CNRS, CNES, Toulouse, France Centre des Techniques Spatiales, Arzew, Algérie LSI, Université des Sciences et de la Technologie d’Oran Mohamed
Boudiaf, Oran, Algérie
5.1 Résumé
Le processus d’hypersharpening (ou multisharpening, suivant les auteurs) des données hyperspectrales con- siste à combiner des données observables hyperspectrales de faible résolution spatiale avec des images mul- tispectrales, observables aussi, de haute résolution spatiale. Les données obtenues, non observables, sont caractérisées par une haute résolution spectrale et une haute résolution spatiale. Dans ce travail, plusieurs approches d’hypersharpening sont proposées.
Celles-ci sont basées sur le démélange linéaire-quadratique des données considérées de milieux urbains et utilisent différents algorithmes de factorisation linéaire-quadratique en matrices non-négatives.
5.2 Synthèse technique
En imagerie hyperspectrale de télédétection spatiale, les capteurs collectent des centaines ou des milliers de canaux spectraux dans le domaine du visible et de l’infrarouge (0,4-2,5 µm). Les capteurs hyperspectraux ont une résolution spectrale élevée qui permet une détection et une identification précise des matériaux présents dans une scène observée, mais leur résolution spatiale est souvent inférieure à celle des capteurs multispec- traux à faible résolution spectrale.
Plusieurs méthodes de fusion ont été conçues pour fusionner des données multispectrales ou hyperspectrales avec une image panchromatique à haute résolution spatiale. Ces processus de pansharpening ont été étendus, au cours des dernières décennies, afin de fusionner des images hyperspectrales et multispectrales. La fusion des deux derniers types d’images diffère du processus de pansharpening traditionnel étant donné que les informations spatiales de haute résolution ne sont pas contenues uniquement dans une seule bande spectrale (image panchromatique), mais dans plusieurs bandes spectrales (image multispectrale). Par conséquent, beaucoup de méthodes de pansharpening sont inapplicables pour fusionner des images hyperspectrales et multispectrales.
Les méthodes de fusion des données hyperspectrales et multispectrales, appelées multisharpening ou hy- persharpening, sont une nouvelle façon d’améliorer la résolution spatiale des données hyperspectrales. Ces méthodes visent à fusionner les informations spectrales des données hyperspectrales avec les informations spatiales obtenues à partir de données multispectrales à haute résolution spatiale.
Récemment, quelques méthodes linéaires ont été proposées pour réaliser le processus d’hypersharpening des données hyperspectrales. Ces méthodes utilisent les techniques de démélange linéaire des données considérées et sont basées sur la factorisation en matrices non-négatives. Les techniques de démélange linéaire consis- tent à décomposer linéairement les données
ANR HYEP Systèmes urbains durables (DS0601) – 2014 Dans les travaux que nous avons réalisées dans le cadre du projet HYEP, plusieurs méthodes d’hypersharpening des images hyperspectrales sont proposées. Ces méthodes, liées aux techniques de démélange linéaire- quadratique que nous développons aussi dans le cadre de HYEP, sont basées sur la factorisation linéaire- quadratique en matrices non-négatives. La première méthode démélange indépendamment, d’une manière
linéaire-quadratique, les deux types de données considérés. La seconde méthode procède au démélange linéaire-quadratique d’une manière couplée et itérative entre les données hyperspectrales et celles multispec- trales en utilisant une boucle principale et deux sous-boucles.
Dans chaque sous-boucle, un seul type de données est démélangé. La troisième méthode réalise ce même démélange d’une manière conjointe dans une seule boucle. La dernière méthode optimise un critère conjoint de démélange linéaire-quadratique incluant la dégradation spatiale entre les données considérées. Après la phase de démélange, les méthodes proposées recombinent, aussi d’une manière linéaire-quadratique, les informations de haute résolution spectrale avec les informations de haute résolution spatiale pour l’obtention de données spatialement et spectralement bien résolues.
Les méthodes proposées ont été testées sur une série de données synthétiques et sur des données réelles (don- nées hyperspectrales EO-1 Hyperion et données multispectrales EO-1 ALI et Landsat ETM+) couvrant une partie de la région d’Oran (Algérie). Les résultats obtenus sont comparés à ceux issus de méthodes linéaires de la littérature et sont détaillés dans les articles cités ci-dessous. Les performances des méthodes proposées sont nettement meilleures que celles des méthodes testées de la littérature. Ces performances sont analysées sur le plan des distorsions spatiale et spectrale, ainsi qu’en matière de temps de calcul.
Les résultats obtenus avec les méthodes proposées sont très satisfaisants et encourageants. Ces mêmes ré- sultats ouvrent la perspective de l’utilisation des données panchromatiques afin d’améliorer davantage les performances obtenues.
5.3 Références
5.3.1 Papiers majeurs avant HYEP
1. R. B. Gomez, A. Jazaeri, and M. Kafatos, "Wavelet-based hyperspectral and multispectral image fu- sion," in Proc. SPIE, vol. 4383, pp. 36-42, 2001.
2. M. T. Eismann, R. C. Hardie, "Hyperspectral resolution enhancement using high-resolution multispec- tral imagery with arbitrary response functions," IEEE Transactions on Geoscience and Remote Sensing, vol. 43(3), pp. 455-465, 2005.
3. O. Berné, A. Tielens, P. Pilleri, and C. Joblin, "Non-negative matrix factorization pansharpening of hyperspectral data: An application to mid-infrared astronomy," in Proc. IEEE WHISPERS, 2010.
4. N. Yokoya, T. Yairi, and A. Iwasaki, "Coupled Nonnegative Matrix Factorization Unmixing for Hyper- spectral and Multispectral Data Fusion," IEEE Transactions on Geoscience and Remote Sensing, 50(2), pp. 528-537, 2012.
5. M. S. Karoui, Y. Deville, and S. Kreri, "Joint Nonnegative Matrix Factorization for Hyperspectral and Multispectral Remote Sensing Data Fusion," in Proc. IEEE WHISPERS, 2013.
5.3.2 Papiers publiés hors HYEP par la communauté pendant la période 2014-2018 1. Q. Wei, N. Dobigeon, and J.-Y. Tourneret, "Bayesian Fusion of Hyperspectral and Multispectral Im-ages," in Proc. IEEE ICASSP, pp. 3176-3180, 2014.
2. M. A. Bendoumi, M. He, and S. Mei, "Hyperspectral Image Resolution Enhancement Using High- Resolution Multispectral Image Based on Spectral Unmixing," IEEE Transactions on
ANR HYEP Systèmes urbains durables (DS0601) – 2014 Multispectral Images Fusion Based on a Sparse Representation," IEEE Transactions on Geoscience and Remote Sensing, 53(7), pp. 3658-3668, 2015.
4. Q. Wei, N. Dobigeon, and J.-Y. Tourneret, "Fast Fusion of Multi-Band Images Based on Solving a Sylvester Equation," IEEE Transactions on Image Processing, 24(11), pp. 4109-4121, 2015.
5. M. Selva, B. Aiazzi, F. Butera, L. Chiarantini, and S. Baronti, "Hyper-sharpening: A first approach on SIM-GA data," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), pp. 3008-3024, 2015.
5.3.3 Papiers publiés par HYEP
1. F. Z. Benhalouche, M. S. Karoui, Y. Deville, and A. Ouamri, "Hyperspectral Data Multi-sharpening based on Linear-Quadratic Nonnegative Matrix Factorization," in Proc. IEEE IGARSS, pp. 3290-3293, Milan, Italy, 2015.
2. F. Z. Benhalouche, M. S. Karoui, Y. Deville, and A. Ouamri, "Hyperspectral and multispectral data fusion based on linear-quadratic nonnegative matrix factorization," Journal of Applied Remote Sensing, 11(2), pp. 025008-1-18, 2017.
3. F. Z. Benhalouche, M. S. Karoui, Y. Deville, I. Boukerch, and A. Ouamri, "Multi-sharpening hyper- spectral remote sensing data by Multiplicative Joint-Criterion Linear-Quadratic Nonnegative Matrix Factorization," in Proc. IEEE ECMSM, pp. 1-6, San Sebastian, Spain, 2017.
Figure 1: Workflow of the main techniques studied during the HYEP project.
ANR HYEP Systèmes urbains durables (DS0601) – 2014