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
6.1 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, deux approches d’hypersharpening sont proposées. Celles-ci sont basées sur le démélange linéaire des données considérées et utilisent un critère conjoint de factorisation en matrices non-négatives. Ce critère inclut la dégradation spatiale entre les deux types de données considérées.
6.2 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 peuvent être regroupés en quatre classes : projection-substitution de composantes, analyse multi-résolution, méthodes bayésiennes et variationnelles. L’hybridation entre les méthodes de ces quatre classes est aussi possible. Les approches de pansharpening ont été étendues, 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 inapplica- bles 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 ont été proposées pour réaliser le processus d’hypersharpening des don- nées 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 manipulées en une collection de spectres purs et leurs fractions d’abondance correspondantes. Cette décomposition est réalisée avec la prise en compte de la contrainte de non-négativité dans les méthodes de factorisation en matrices non-négatives. Ces méthodes de la littérature soit sont gourmandes en temps de calcul, soit ne prennent pas en compte, dans le critère optimisé, la dégra- dation spatiale entre les données hyperspectrales et celles multispectrales.
Dans le travail que nous avons réalisé dans le cadre du projet HYEP, deux méthodes d’hypersharpening des images hyperspectrales ont été proposées. Ces méthodes, liées aux techniques de démélange linéaire, sont basées sur la factorisation linéaire en matrices non-négatives. Dans ces méthodes proposées, une mise à jour conjointe des fractions d’abondance à haute et basse résolution spatiale est utilisée. Cette mise à
ANR HYEP Systèmes urbains durables (DS0601) – 2014 jour, découlant directement du critère optimisé, prend en compte la dégradation spatiale entre les images considérées. La première méthode proposée utilise un algorithme de descente en gradient projeté avec des taux d’apprentissage adaptatifs. Dans la seconde méthode, un algorithme multiplicatif est proposé. Cette deuxième méthode utilise de nouvelles règles de mise à jour multiplicatives qui sont déduites de la première méthode proposée en exprimant les taux d’apprentissage en tant que fonctions des variables hyperspectrales et multispectrales manipulées.
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 de la littérature et détaillés dans l’article cité 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.
6.3 Références
6.3.1 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.
6.3.2 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 Geoscience and Remote Sensing, 52(10), pp. 6574-6583, 2014.
3. Q. Wei, J. M. Bioucas-Dias, N. Dobigeon, and J.-Y. Tourneret, "Hyperspectral and Multispectral Images Fusion Based on a Sparse Representation," IEEE Transactions on Geoscience
ANR HYEP Systèmes urbains durables (DS0601) – 2014
6.3.3 Papiers publiés par HYEP
1. M. S. Karoui, Y. Deville, F. Z. Benhalouche, and I. Boukerch, "Hypersharpening by Joint Criterion Nonnegative Matrix Factorization," IEEE Transactions on Geoscience and Remote Sensing, 55(3), pp. 1660-1670, 2017.