Chapitre 5 : Conclusions et perspectives
5.2. Perspectives
Ce projet de recherche a conduit à plusieurs résultats qui peuvent être le point de départ pour plusieurs travaux futurs. Ainsi, nous exposons dans ce paragraphe quelques perspectives de recherche qui permettrait de pousser plus loin le travail déjà accompli. En premier lieu, des améliorations pourraient être apportées à l’outil de configuration des paramètres d’acquisition des données hyperspectrales depuis un drone. Elles consistent principalement à l’intégration d’une rubrique supplémentaire qui offre à l’utilisateur la possibilité de choisir le modèle d’aéronef sans pilote approprié. Ce choix pourrait être basé sur les caractéristiques de la plateforme d’acquisition en termes d’altitude de vol maximale, de la charge utile, de la vitesse de vol… etc. Cette amélioration permettrait à l’utilisateur de tester différentes combinaisons de drones et de capteurs afin de faire le bon choix du système qui va être mis en œuvre.
Parmi les perspectives qui peuvent découler de ce travail figurent aussi l’étude d’une façon plus approfondie des distorsions présentes dans les images hyperspectrales acquises depuis un drone. Cette étude devrait être focalisée en premier lieu sur l’influence des gaz atmosphériques ainsi que les aérosols sur la qualité des données. Dans ce contexte, l’effet de la variation de l’altitude de vol sur l’ampleur des distorsions générées par ces deux constituants de l’atmosphère devrait être analysé. La qualité géométrique des images doit être également étudiée d’une façon plus rigoureuse en proposant des méthodes qui soient bien adaptées au contexte d’acquisition depuis un drone. Cette étude qui englobe ces distorsions doit se baser sur des données acquises avec différentes conditions de vols (altitude, type du drone, constituants de l’atmosphère). Ceci permettrait d’avoir des données corrigées qui reflètent la réalité de la scène imagée.
Concernant la méthode de classification proposée dans ce travail, elle devrait être tout d’abord testée en utilisant des images acquises dans différents contextes en particulier dans un milieu minier. Ces tests permettraient de valider la robustesse de cette méthode et la
98
répétabilité de sa performance. Ensuite, des améliorations pourraient être apportées à cette méthode afin d’augmenter sa précision. En effet, comme la majorité des approches disponibles pour le traitement des données hyperspectrales, la méthode proposée ne prend en compte que la dimension spectrale de l’image (c.-à-d. traitement pixel par pixel). L’intégration de la dimension spatiale de ces données dans la méthode de classification pourrait améliorer les résultats. Cette approche s’applique particulièrement bien dans le contexte de l’utilisation du drone vu la haute résolution spatiale des données acquises depuis cette plateforme. La prise en compte de l’information spatiale pourrait être très utile notamment dans le cas de problème de classification où les régions à discriminer sont très proches spectralement (ex. différents types de gazon ou les toits des bâtiments résidentiels et commerciaux). Dans ces régions, nous avons remarqué que la technique de classification pixel par pixel a atteint ses limites vu la faible différence spectrale entres les régions qui induisent des confusions. Ainsi, l’information spatiale permet d’homogénéiser les objets détectés en éliminant les pixels qui sont mal classifiés grâce à sa capacité de prendre en compte le contexte et les caractéristiques des objets à classer (taille, forme, orientation,…).
À la fin de ce mémoire de maitrise, nous pourrons conclure que le système qui combine le drone avec les capteurs hyperspectraux reste encore une solution en émergence puisqu’elle est peu abordée dans la littérature par rapport aux approches classiques d’acquisition de données d’imagerie. De nos jours, nous pouvons bien constater que ces deux technologies sont de plus en plus accessibles et que leurs coûts d’acquisition sont de moins en moins élevés. Ainsi, cette solution présente un grand potentiel de recherche dans l’avenir afin de clairement identifier ses capacités et ses faiblesses et de proposer des méthodes d’exploitation des données acquises adaptées à la grande diversité d’applications des drones qui se profile.
99
Bibliographie
[1] C. J. Moon, M. K. G. Whateley, A. M. Evans., Introduction to Mineral
Exploration (2nd Edition), 2006.
[2] B. Agar, ASTER Alteration Mineral Mapping, Australian Geological & Remote Sensing Services, 2006.
[3] A. M. Shafaroudi, M. H. Karimpour, C. R. Stern, S. A. Mazaheri, Hydrothermal
Alteration Mapping in SW Birjand, Iran, Using the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Image Processing.Journal of Applied Sciences, 2009.
[4] M. Brandmeier, S. Erasmi, C. Hansena, A. Höwelinga, K. Nitzschea, T. Ohlendorf,M. Mamani, G. Wörner, Mapping patterns of mineral alteration in volcanic
terrains using ASTER data and field spectrometry in Southern Peru, Journal of South
American Earth Sciences, 2013.
[5] J. R. Jensen, Introductory digital image processing A remote sensing perspective, 3ème edition, 2005.
[6] S. S. Salaj, R. Upadhyay, S. K. Srivastav, Prabhakaran, Mineral Abundance
Mapping Using Hyperion Dataset in Part of Udaipur Dist Rajasthan, India, India
geospatial forum, 2012.
[7] J. Théau P. Ménard, Le drone: une plateforme émergente pour l’acquisition de
données de télédétection, Bulletin de l’association Québécoise de télédétection, 2010.
[8] J. A. Richards, X. Jia, Remote sensing digital image analysis, 4èmeedition, 2006. [9] F. A. Kruse, S. L. Perry, A. Caballero, District-level mineral survey using
airborne hyperspectral data, Los Menucos, Argentina ANNALS OF GEOPHYSICS, VOL.
49, N. 1, 2006.
[10] M. Couture, R.-P. Fournier, La recherche en sciences et en génie, Guide
100
[11] A. Cockburn, Agile software development: the cooperative game. 2ndedition. Addison-Wesley Professional, 2006.
[12] Survey of Hyperspectral and Multispectral Imaging Technologies, Research and technology organization, north Atlantic treaty organization, 2007.
[13] K. Uto, H. Seki, G. Saito, Y. Kosugi, Characterization of Rice Paddies by a
UAV-Mounted Miniature Hyperspectral Sensor System, IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing, Vol. 6 No 2, 2013.
[14] J. J. Mitchell, N. F. Glenn, M. O. Anderson, R.C. Hruska, A. Halford, C. Baun, N. Nydegger, , Unmanned aerial vehicle (UAV) hyperspectral remote sensing for dry land
vegetation monitoring, Hyperspectral Image and Signal Processing (WHISPERS), 4th
Workshop, 2012.
[15] S. Duan, Z. Li , B. Tang, , H. Wu, L. Ma, E. Zhao, Land Surface Reflectance
Retrieval from Hyperspectral Data Collected by an Unmanned Aerial Vehicle over the Baotou Test Site Chuanrong, PLOS ONE, Vol. 8, Issue 6, 2013.
[16] R. Hruska, J. Mitchell, M. Anderson, Nancy F. Glenn, Radiometric and
Geometric Analysis of Hyperspectral Imagery Acquired from an Unmanned Aerial Vehicle,
Remote Sensing Journal, 4(9), 2012.
[17] Liu F, Seinstra FJ, Plaza A; Parallel hyperspectral image processing on
distributed multicluster systems. J. Appl. Remote Sens.,5(1), 2011.
[18] R. N. Clark, Spectroscopy of Rocks and Minerals, and Principles of
Spectroscopy, in Manual of Remote Sensing, Remote Sensing for the Earth Sciences, Vol.
3, John Wiley and Sons, 1999.
[19] R. B. Smith, Introduction to hyperspectral imaging, Micro Images, Inc, 2012. [20] S. Homayouni, Caractérisation des Scènes Urbaines par Analyse des Images
Hyperspectrales, Thèse de doctorat, École v Nationale Supérieure des Télécommunications
101 [21] J. M. Bioucas-Das, A. Plaza, G, camps-Valls, P. Schunders, N. M. Nasrabadi, J. Chanussot, Hyperspectral Remote Sensing Data Analysis and Future Challenges, IEEE Geoscience and Remote Sensing Magazine, Vol. 1 Num 2, 2013.
[22] Y. Yanmin; W. Na, C. Youqi, H. Yingbin, T. Pengqin, Soil moisture monitoring
using hyper-spectral remote sensing technology, Geoscience and Remote Sensing (IITA-
GRS), vol.2, 2010.
[23] A. Zare, J. Bolton, P. Gader, M. Schatten, Vegetation Mapping for Landmine Detection Using Long-Wave Hyperspectral Imagery, Geoscience and Remote Sensing, IEEE Transactions on , vol.46, no.1, 20080
[24] P E. Dennison, D A. Roberts, Daytime fire detection using airborne
hyperspectral data, Remote Sensing of Environment, Volume 113, Issue 8, 2009.
[25] C. Nadeau, R. A. Neville, K. Staenz, N. T. O’Neill, A. Royer, Atmospheric
effects on the classification of surface minerals in an arid region using Short-Wave Infrared (SWIR) hyperspectral imagery and a spectral unmixing technique, Can. J. Remote
Sensing, Vol. 28, No. 6, 2002.
[26] Barnaby W. Rockwell, Roger N. Clark, Charles G. Cunningham, Stephen J. Sutley, Carol A. Gent, Robert R. McDougal, K. Eric Livo, and Raymond F. Kokaly,
Mineral mapping in the Maryslave volcanic field, Utah using AVIRIS data, United States
Geological Survey.
[27] B.A. Martini, E.A. Silver, W.L. Pickles, P.A. Cocks, Hyperspectral Mineral
Mapping in Support of Geothermal Exploration: Examples from Long Valley Caldera, CA and Dixie Valley, NV, USA.
[28] Trude V.V. King, M. R. Johnson, B. E. Hubbard, Benjamin J. Drenth,
Identification of Mineral Resources in Afghanistan, Detecting and Mapping Resource Anomalies in Prioritized Areas Using Geophysical and Remote Sensing (ASTER and HyMap) Data, U.S. Department of the Interior U.S. Geological Survey, 2011.
[29] F. A. Kruse, , J. W. Boardman, J. F. Huntington, Comparison of Airborne
Hyperspectral Data andEO-1 Hyperion for Mineral Mapping, IEEE transaction on
102
[30] B. Waske , J. A. Benediktssonac, K. Árnason, J. R. Sveinsson, Mapping of
hyperspectral AVIRIS data using machine-learning algorithms, Canadian Journal of
Remote Sensing, Volume 35, Issue SUPPL. 1, 2009.
[31] R. Ablin, C. H. Sulochana, A Survey of Hyperspectral Image Classification in
Remote Sensing International Journal of Advanced Research in Computer and
Communication Engineering, Vol.2, Issue 8, 2013
[32] J. M. Bioucas-Dias, A. Plaza, G. Camps-Valls, P. Scheunders, N.M. Nasrabadi, J. Chanussot, Hyperspectral remote sensing data analysis and future challenges, Geoscience and Remote Sensing Magazine, IEEE Volume 1, Issue2, 2013.
[33] S. Rashmi, S. Addamani, Venkat, S. Ravikiran, Spectral Angle Mapper
Algorithm for Remote Sensing Image Classification, International Journal of Innovative
Science, Engineering & Technology, Vol. 1 Issue 4, 2014
[34] L. Breiman, Random forests, Machine learning, Vol. 45, No 1, 2001.
[35] J. Ham, Y. Chen, M. M. Crawford, J. Ghosh, Investigation of the random forest
framework for classification of hyperspectral data, IEEE Transactions on Geoscience and
Remote Sensing, Volume 43, Issue 3, 20050
[36] S. Haykin, Neural networks, Macmillan College PublishingCompany,1994 [37] B. T. Abe, O. O. Olugbara, T. Marwala, Classification of Hyperspectral Images
Using Machine Learning Methods, IAENG Transactions on Engineering Technologies,
Volume 247, 2014,
[38] V. Vapnik, The nature of statistical learning theory, Springer- Verlag, 1995 [39] S. Van der Linden, A. Janz, B. Waske, M. Eiden, P. Hostert, Classifying
segmented hyperspectral data from a heterogeneous urban environment using support vector machines. Journal of Applied Remote Sensing, Volume 1, 2007.
[40] G. Mercier, M. Lennon, Support vector machines for hyperspectral image
classification with spectral-based kernels, Geoscience and Remote Sensing Symposium
103 [41] B. Luo, J. Chanussot, Unsupervised classification of hyperspectral images by
using linear unmixing algorithm, Image Processing (ICIP), 16th IEEE International
Conference, 2009.
[42] S. Bandyopadhyay, S. Saha, Unsupervised Classification Similarity Measures,
Classical and Metaheuristic Approaches, and Applications, Springer, 2013.
[43] M. Khodadadzadeh, J. Li, A. Plaza,H. Ghassemian, J. M. Bioucas-Dias, X. Li,
Spectral–Spatial Classification of Hyperspectral Data Using Local and Global Probabilities for Mixed Pixel Characterization, IEEE Transactions on Geoscience And
Remote Sensing, Vol. 52, No. 10, 2014.
[44] J. Li, J. Bioucas-Dias, and A. Plaza, Spectral–spatial hyperspectral image
segmentation using subspace multinomial logistic regression and Markov random fields,
IEEE Trans. Geosci. Remote Sens, vol. 50, no. 3, pp. 809–823, Mar. 2012
[45] Y. Tarabalka, J. A. Benediktsson, J. Chanussot, J. C. Tilton, Multiple Spectral–
Spatial Classification Approach for Hyperspectral Data, IEEE Transactions on Geoscience
And Remote Sensing, Vol. 48, No. 11, 2010.
[46] A. C. Watts , V. G. Ambrosia, E. A. Hinkley, Unmanned Aircraft Systems in
Remote Sensing and Scientific Research: Classification and Considerations of Use, Remote
Sens 4. 2012.
[47] P. Polski, DHS View of Unmanned Aerial Vehicle Needs. In Proceedings of AIAA 3rd Unmanned Unlimited Technical Conference, Chical, IL, USA, 2004.
[48] H. Eisenbeiß, UAV Photogrammetry 2009 ETH ZURICH
[49] T. Arnold, M. De Biasio, A. Fritz, R. Leitner, UAV-based multispectral
environmental monitoring, Sensors, IEEE , 2010
[50] A. S. Laliberte, M. A. Goforth, C. M. Steele, A. Rango, Multispectral Remote
Sensing from Unmanned Aircraft, Image Processing Workflows and Applications for
Rangeland Environments RemoteSens3. 2011.
[51] G. J. Grenzdörffer, A. Engel, B. Teichert, The Photogrammetric Potential Of
104
[52] J. J. Cress, J. L. Sloan, M. E. Hutt, Implementation of unmanned aircraft systems
by the U.S. Geological Survey, Geocar to International, 2011.
[52] Brunn, A., Fischer, C., Dittmann, C., Richter, R., Quality Assessment,
Atmospheric and Geometric Correction of airborne hyperspectral HyMap Data, 3rd
EARSeL Workshop on Imaging Spectroscopy, 2003.
[53] Darvishsefat, A., Kellenberger,T., Itten, K., Application of hyperspectral data
for forest stand mapping, International Archives of Photogrammetry, Remote Sensing and
Spatial Information Sciences, vol. 34, Part 4, 2002.
[54] Honkavaara, E., Hakala, T., Kirjasniemi, J., Lindfors, A., Mäkynen, J., Nurminen, K., Ruokokoski, P., Saari, H., Markelin, L.,New light-weight stereosopic
spectrometric airborne imaging technology for high-resolution environmental remote sensing – Case studies in water quality mapping, International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-1/W1, ISPRS Hannover Workshop 2013.
[55] Green, R.O., Pavri, B.E., Chrien, T.G., On-orbit radiometric and spectral
calibration characteristics of EO-1 Hyperion derived with an underflight of AVIRIS and In situ measurements at Salar de Arizaro, Argentina,IEEE Transactions on Geoscience and
Remote Sensing, 41 (6 PART I), pp. 1194-1203,2013.
[56] Gao, B.-C. An operational method for estimating signal to noise ratios from data
acquired with imaging spectrometers, Remote Sensing of Environment, 43 (1), pp. 23-33,
1993.
[57] Tuominen, J., Lipping, T.,Oy, P., Detection of Environmental Change Using
Hyperspectral Remote Sensing at Olkiluoto Repository Site, 2011.
[58] Luis, G.-C., Alonso, L., Guanter, L., Gustavo, C.-V., Calpe, J., Moreno, J.Correction of systematic spatial noise in push-broom hyperspectral sensors: Application
to CHRIS/PROBA images, Applied Optics, 47 (28), pp. F46-F60, 2008.
[59] Liu, Y., Wang, T., Ma, L., Wang, N., Spectral calibration of hyperspectral data
105 Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6), pp. 2630-2638,2014.
[60] Zarco-Tejada, P.J., González-Dugo, V., Berni, J.A.J. Fluorescence, temperature
and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera, Remote Sensing of Environment, 117,
pp. 322-337,2012.
[61] Duan, S.-B., Li, Z.-L., Wu, H., Tang, B.-H., Ma, L., Zhao, E., Li, C., Inversion
of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data, International Journal of Applied Earth
Observation and Geoinformation, 26 (1), pp. 12-20, 2014.
[62] Gao, B.-C., Montes, M.J., Davis, C.O., Goetz, A.F.H., Atmospheric correction
algorithms for hyperspectral remote sensing data of land and ocean, Remote Sensing of
Environment, 113 (SUPPL. 1), pp. S17-S24, 2009.
[63] Agrawal, G., Sarup, J., Bhopal, M., Comparison of QUAC and FLAASH
Atmospheric Correction Modules on EO-1 Hyperion Data of Sanchi, International Journal
of Advanced Engineering Sciences and Technologies, 4(1), 2011.
[64] Conel, J.E., Green, R. O., Vane, G., Bruegge, C.J., Alley, R.E. Curtiss, B.J.,
Airborne imaging spectrometer: Radiometric spectral characteristics and comparison of ways to compensate for the atmosphere. Proceedings of SPIE, 1987.
[65] Kooistra, L., Suomalainen, J.M., Iqbal, S, Franke, G.J., Wenting, P.F.M., Bartholomeus, H.M.; Mücher, C.A.; Becker, R., Crop monitoring using a light-weight
hyperspectral mapping system for unmanned aerial vehicles: first results for the 2013 season, UAV-based Remote Sensing Methods for Monitoring Vegetation, Cologne 2013.
[66] Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., Hyper UAS - Imaging
spectroscopy from a multirotor unmanned aircraft system, Journal of Field Robotics, 31
(4), pp. 571-590, 2014.
[67] Kruse, F.A., Comparison of ATREM, ACORN, and FLAASH Atmospheric
Corrections Using Low-Altitude AVIRIS Data of Boulder, Colorado. Proceedings of 13th
106
[68] Dehaan, R.L., Weston, L.A., Rumbachs, R., The design and the development of a
hyperspectral unmanned aircraft mapping system for the detection of invasive plants.
Developing solutions to evolving weed problems. 18th Australasian Weeds Conference, Victoria2012.
[69] Garcia-Ruiz, F., Sankaran, S., Maja, J.M., Lee, W.S., Rasmussen, J., Ehsani, R.,
Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees, Computers and Electronics in Agriculture, pp. 106-115, 2013.
[70] Miller, R.L., Del Castillo, C.E., McKee, B.A., Remote Sensing of Coastal
Aquatic Environments: Technologies, Techniques and Applications, 366p, Springer, 2007.
[71] Mäkynen, J., Saari, H., Holmlund, C., Mannila, R., Antila, T. Multi- and
hyperspectral UAV imaging system for forest and agriculture applications, Proceedings of
SPIE - The International Society for Optical Engineering, 2012.
[72] Honkavaara, E., Saari, H., Kaivosoja, J., Pölönen, I., Hakala, T., Litkey, P., Mäkynen, J., Pesonen, L., Processing and assessment of spectrometric, stereoscopic
imagery collected using a lightweight UAV spectral camera for precision agriculture,
Remote Sensing, 5 (10), pp. 5006-5039, 2013.
[73] Somdatta, C., Chakrabarti, S., Pre-processing of Hyperspectral Data: A case
study of Henry and Lothian Islands in Sunderban Region, West Bengal, India, International
Journal of Geomatics & Geosciences, 2(2), p490, 2011.
[74] Breuer, Albertz, M.J., Geometric correction of airborne whiskbroom scanner
imagery using hybrid auxiliary data, International Society for Photogrammetry and Remote
Sensing Congress; 19th, International Society for Photogrammetry and Remote Sensing, 2000.
[75] Schläpfer, D., Schaepman, M.E., Itten, K.I.PARGE: Parametric geocoding
based on GCP-calibrated auxiliary data, Proceedings of SPIE - The International Society
for Optical Engineering, pp. 334-344, 1998.
[76] P. Kempeneers, Information Extraction from Hyperspectral Images Applied to
107 [77] Hughes, G., On the mean accuracy of statistical pattern
recognizers, Information Theory, IEEE Transactions on , vol.14, no.1, pp.55,63, Jan 1968
[78] N. Gorretta-Monteiro, Proposition d’une approche de segmentation d’images
hyperspectrales, Thèse de doctorat, Université Montpellier II, 2009.
[79] H. Hotelling, Analysis of a complex of statistical variables into principal
components, Journal of Educational Psychology, vol. 24 n°6, 1933
[80] Hao Chen; Chen, C.H., Hyperspectral image data unsupervised classification
using Gauss-Markov random fields and PCA principle, Geoscience and Remote Sensing
Symposium, 2002. IGARSS '02. 2002 IEEE International , vol.3, no., pp.1431,1433 vol.3, 2002.
[81] Xia, J., Chanussot, J., Du, P., He, X. Spectral–Spatial Classification for
Hyperspectral Data Using Rotation Forests With Local Feature Extraction and Markov Random Fields (2014) IEEE Transactions on Geoscience and Remote Sensing.
[82] Tan, K., Chai, Y., Song, W., Cao, X. Identification of soybean seed varieties
based on hyperspectral image (2014) Nongye Gongcheng Xuebao/Transactions of the
Chinese Society of Agricultural Engineering, 30 (9), pp. 235-242.
[83] A. A. Green, M. Berman, P. Switzer, M.D. Craig, A Transform for Ordering
Multispectral Data in terms of Image Quality with Implications for Noise Removal, IEEE
Trans. Geosci. Remote Sens., vol. 26, n°1, 1988.
[84] Du, X., Sun, J., Xia, L. Hyperspectral images target recognition using projection
pursuit (2014) Lecture Notes in Electrical Engineering, 238 LNEE, pp. 1259-1264.
[85] Idrees, M., MohdShafri, H.Z., Saeidi, V. Imaging spectroscopy and light
detection and ranging data fusion for urban features extraction (2013) American Journal of
Applied Sciences, 10 (12), pp. 1575-1585
[86] H. Hotelling. Relations between two sets of variates. Biometrika, 28:321–377, 1936.
[87] M. Borga. Learning Multidimensional Signal Processing. PhD thesis, Linköping University, Sweden, 1998.
108
[88] H. Kwon ; N. M. Nasrabadi; Kernel canonical correlation analysis for
hyperspectral anomaly detection. Proc. SPIE 6233, Algorithms and Technologies for
Multispectral, Hyperspectral, and Ultraspectral Imagery XII, 623303 (May 04, 2006)
[89] Ö. M. Polat ; Y. Özkazanç; Blind source separation of the HyMap hyperspectral
data via canonical correlation analysis. Proc. SPIE 8743, Algorithms and Technologies for
Multispectral, Hyperspectral, and Ultraspectral Imagery XIX, 87431K (May 18, 2013) [90] R. Mayer ; G. Atkinson ; J. Antoniades ; M. Baumback ; D. Chester ; J. Edwards ; A. Goldstein ; D. Haas ; S. Henderson ; L. Liu; Fusion and normalization to enhance
anomaly detection. Proc. SPIE 7334, Algorithms and Technologies for Multispectral,
Hyperspectral, and Ultraspectral Imagery XV, 73340N (April 27, 2009) [91] Vapnik, V. (1998). Statistical Learning Theory. Wiley, New York.
[92] Mercier, G., Lennon, M., Support vector machines for hyperspectral image
classification with spectral-based kernels. In Geoscience and Remote Sensing Symposium,
2003.IGARSS’03.Proceedings. 2003 IEEE International, volume 1, pages 288–290. IEEE, 2003
[93] Stehman, S.V., Estimating the kappa coefficient and its variance under stratified
random sampling (1996) Photogrammetric Engineering and Remote Sensing, 62 (4), pp.
401-407.
[94] Gómez, D., Montero, J. Determining the accuracy in image supervised
classification problems (2011) Proceedings of the 7th Conference of the European Society
for Fuzzy Logic and Technology, EUSFLAT 2011 and French Days on Fuzzy Logic and Applications, LFA 2011
[95] Cohen, J., A coeficient of agreement for nominal scales. Educational and Psychological Measurement, 20: 37–46, 1960.
[96] 2013 IEEE GRSS Data Fusion Contest, Online: http://www.grss- ieee.org/community/technical-committees/data-fusion/
[97] Chutia, D., Bhattacharyya, D.K., Kalita, R., Goswami, J., Singh, P.S., Sudhakar, S. A model on achieving higher performance in the classification of hyperspectral satellite
109 [98] Guo, Z., Huang, W., Chen, L., Zhao, C., Peng, Y. Geographical classification of
apple based on hyperspectral imaging (2013) Proceedings of SPIE - The International
Society for Optical Engineering,
[99] Shen, Z.-Q., Huang, L., Tao, J.-B. Hyperspectral RS image road feature
extraction based on SVM (2012) Chang'an Daxue Xuebao (Ziran Kexue Ban)/Journal of
Chang'an University (Natural Science Edition), 32 (5), pp. 34-38
[100] Agili, H. 2014. Un outil pour la configuration des paramètres d'acquisition
d'images hyperspectrales depuis un drone. Colloque Vision Géomatique, Gatineau, 12
novembre 2014.
[101] Agili, H., Daniel, S., Chokmani, K. 2014. Revue des méthodes de prétraitement
des données d’imagerie hyperspectrale acquises depuis un drone. Geomatica, special issue
111
Annexes
Annexe A : Dernières composantes canoniques
(a) (b)
Figure A.1: Les quatre dernières composantes canoniques résultant de l’application de l’ACC sur deux blocs d’image qui sont spectralement complémentaires : a- 𝑪𝑽𝑿𝒊; 𝒊 = 𝟔𝟕 … 𝟕𝟎 b-
𝑪𝑽𝒀𝒊; 𝒊 = 𝟔𝟕 … 𝟕𝟎
(a) (b)
Figure A.2: Les quatre dernières composantes canoniques résultant de l’application de l’ACC sur l’image hyperspectrale originale et sa version filtrée : a- 𝑪𝑽𝑿𝒊; 𝒊 = 𝟏𝟒𝟏 … 𝟏𝟒𝟒 b- 𝑪𝑽𝒀𝒊; 𝒊 =
112
Annexe B : Matrices de confusion
Tableau B.1: Matrice de confusion issue de l’application de la méthode ACC+SVM
Données de vérité de terrain Classes G ra ss he alth y G ra ss str ess ed G ra ss sy nth etic Tr ee Soil Wa te r Re sid en tia l Co m m erc i al Ro ad Pa rk in g lo t 1 Pa rk in g lo t 2 court tennis Run nin g tr ac k To ta l Er reu rs d e co m m issi o n Do nn ées d e c la ss ifi ca tio n Grass healthy 867 28 0 2 0 0 0 0 0 12 0 0 0 909 0,046 Grass stressed 3 647 0 1 0 0 0 0 1 4 0 0 0 656 0,014 Grass synthetic 0 0 482 0 0 0 0 0 0 0 0 0 0 482 0,000 Tree 1 0 0 553 0 0 6 0 1 0 0 0 0 561 0,014 Soil 0 0 0 0 881 0 0 0 0 0 0 0 0 881 0,000 Water 1 0 0 0 0 116 0 0 0 0 0 0 0 117 0,009 Residential 0 0 0 1 0 1 457 33 0 1 32 1 1 527 0,133 Commercial 3 0 3 0 7 26 48 289 2 16 9 0 11 414 0,302 Road 0 0 0 1 0 0 4 0 323 10 3 0 0 341 0,053 Parking lot 1 0 0 0 1 0 0 1 0 31 635 25 0 0 693 0,084 Parking lot 2 0 0 1 2 0 0 7 0 1 0 176 13 1 201 0,124 tennis court 0 0 12 0 0 0 0 0 0 0 0 233 13 258 0,097 Running track 0 0 7 0 0 0 0 0 0 0 0 0 447 454 0,015 Total 875 675 505 561 888 143 523 322 359 678 245 247 473 6494 Erreurs d'omission 0,009 0,041 0,046 0,014 0,008 0,189 0,126 0,102 0,100 0,063 0,282 0,057 0,055
Tableau B.2: Matrice de confusion issue de l’application de la méthode ACP+SVM
Données de vérité de terrain Classes G ra ss he alth y G ra ss str ess ed G ra ss sy nth etic Tr ee Soil Wa te r Re sid en tia l Co m m erc i al Road Pa rk in g lo t 1 Pa rk in g lo t 2 court tennis Run nin g tr ac k To ta l Er reu rs d e co m m issi o n Do nn ées d e c la ss ifi ca tio n Grass healthy 860 35 0 7 0 0 0 0 3 10 1 2 2 920 0,065 Grass stressed 1 639 0 1 0 3 11 0 4 6 0 7 3 675 0,053