Vers une nouvelle solution de cartographie des minéraux à partir d’images hyperspectrales acquises depuis un drone

Vers une nouvelle solution de cartographie des

minéraux à partir d’images hyperspectrales acquises

depuis un drone

Mémoire

Hachem Agili

Maîtrise en sciences géomatiques

Maître ès sciences (M. Sc.)

Québec, Canada

iii

Résumé

De nos jours, les drones se présentent comme une nouvelle tendance dans le domaine de la télédétection civile grâce à leur capacité de combler plusieurs lacunes inhérentes aux plateformes conventionnelles. Les capteurs hyperspectraux embarqués sur ces systèmes figurent parmi les solutions en émergence et qui offrent de nouvelles opportunités en matière de cartographie de la surface terrestre. Cette solution se caractérise par l’acquisition des données à très hautes résolutions spectrale, spatiale et temporelle. Le présent travail vise à faire progresser les connaissances relatives à l'élaboration de cartographie des minéraux établie à partir d'images acquises à l'aide de cette solution. Il aborde notamment les problèmes liés aux distorsions inhérentes au processus d’acquisition des données et les méthodes permettant de les corriger. Il s’intéresse également à la conception d’une méthode de classification qui soit adaptée aux caractéristiques de ces données notamment en termes du grand volume et de la haute résolution spatiale.

v

Abstract

Nowadays, unmanned aerial systems have become a new trend in the field of civilian remote sensing. These systems allow overcoming several shortcomings of conventional platforms. The hyperspectral sensors mounted on this type of platform are amongst the up and coming solutions that provide new opportunities for mapping land surface. This solution is characterized by the acquisition of data at very high spectral, spatial and temporal resolutions. The present work aims to advance knowledge about mineral mapping using images acquired with this solution. It particularly addresses issues related to the distortions of the data acquired from such a system and methods to correct them. It also focused on the conception of a classification method that is suited to the characteristics of these data particularly in terms of large volume and high spatial resolution.

vii

Table des matières

Résumé ... iii

Abstract ... v

Table des matières ... vii

Liste des figures ... xiii

Liste des tableaux ... xv

Remerciements ... xxi Avant-propos ... xxiii Chapitre 1 : Introduction ... 1 1.1. Mise en contexte ... 1 1.2. Problématique ... 3 1.3. Objectifs ... 5 1.3.1. Sous-objectif 1 ... 6 1.3.2. Sous-objectif 2 ... 6 1.3.3. Sous-objectif 3 ... 6 1.4. Méthodologie ... 6 1.5. Structure du mémoire ... 9

Chapitre 2 : Revue des concepts et état de l'art ... 11

2.1. Imagerie hyperspectrale : théorie et applications ... 11

2.1.1. L’histoire et le développement de l’imagerie hyperspectrale ... 11

2.1.2. Propriétés de l’imagerie hyperspectrale ... 14

2.1.2.1. La signature spectrale ... 14

2.1.2.2. Le mélange spectral ... 16

viii

2.2. Classification des images hyperspectrales ... 20

2.2.1. Les méthodes de classification supervisées ... 21

2.2.1.1. Les méthodes de mise en correspondance spectrale ... 21

a. Similarité d’angle spectral ... 22

b. Similarité de distance spectrale ... 23

2.2.1.2. Les méthodes d’apprentissage automatique ... 23

a. L’arbre de décision ... 24

b. Les réseaux de neurones ... 24

b. Séparateurs à vaste marge ... 25

2.2.2. Les méthodes de classification non supervisées ... 26

2.2.3. Les méthodes spatio-spectrales ... 27

2.3. Les drones : notions et concepts ... 28

2.3.1. Définition des drones ... 28

2.3.2. Développement des drones... 29

2.3.3. Types et caractéristiques des aéronefs sans pilotes ... 30

2.3.3.1. Classification des drones ... 30

2.3.3.2. Points forts des drones... 33

2.3.3.3. Limites des drones ... 34

2.3.4. Imagerie hyperspectrale depuis un drone ... 35

2.4. Conclusion ... 36

Chapitre 3 : Revue des méthodes de prétraitement des données d’imagerie hyperspectrale acquises depuis un drone ... 39

3.1. Corps de l’article ... 39

3.1.1. Introduction ... 41

ix

3.1.2.1. Évaluation de la qualité radiométrique des données hyperspectrales ... 43

3.1.2.2. La correction radiométrique ... 45

a. La correction de données manquantes ou dégradées ... 45

b. L’étalonnage radiométrique ... 47

3.1.2.3. Caractéristiques radiométriques des données hyperspectrales acquises depuis un drone ... 48

3.1.3. Correction atmosphérique ... 49

3.1.3.1. Les méthodes empiriques de correction ... 49

3.1.3.2. Les méthodes de correction basées sur une modélisation atmosphérique ... 51

3.1.3.3. Effet de l’atmosphère sur les données hyperspectrales acquises à l’aide d’un drone ... 52

3.1.4. Correction géométrique ... 52

3.1.4.1. Origines des erreurs géométriques ... 54

3.1.4.2. Méthodes de correction géométrique ... 56

a. Les approches non paramétriques ... 56

b. Les approches paramétriques ... 57

3.1.4.3. Correction géométrique des images hyperspectrales acquises depuis un drone ... 59

3.1.5. Discussions ... 59

3.1.6. Conclusions ... 61

3.2. Compléments à l’article ... 62

Chapitre 4 : Méthode proposée pour la classification des images hyperspectrales ... 63

4.1. Description des méthodes ... 63

4.1.1. Méthode de réduction de la dimensionnalité adoptée ... 64

4.1.1.1. Intérêt de la réduction de la dimensionnalité ... 64

x

4.1.2. Méthode de classification adoptée ... 68

4.1.2.1. Principe des SVM ... 68

4.1.2.2. Extension aux problèmes non linéaires ... 71

4.1.2.3. Extension à la classification en multi-classes ... 72

4.1.3. Méthodes d’évaluation de la classification ... 73

4.2. Présentation et analyse des résultats de traitement d’un jeu de données hyperspectrales ... 75

4.2.1. Description de l’environnement de développement ... 75

4.2.2. Description des jeux de données ... 75

4.2.3. Analyse canonique des corrélations ... 77

4.2.3.1. Approche de complémentarité spectrale ... 77

4.2.3.2. Approche de filtrage ... 80

4.2.4. Résultats de classification ... 83

4.2.4.1. Première expérimentation : paramètres du SVM ... 84

4.2.4.2. Expérimentation 2 : choix de l’approche de l’ACC ... 85

4.2.4.3. Expérimentation 3 : comparaison de la performance de l’ACC par rapport à l’ACP lorsque combinée au SVM ... 87

4.3. Conclusion ... 90

Chapitre 5 : Conclusions et perspectives... 93

5.1. Conclusions ... 93

5.1.1. Retour sur les objectifs du projet et la recherche effectuée ... 93

5.1.2. Contributions de la recherche ... 95

5.2. Perspectives ... 97

Bibliographie ... 99

xi Annexe A : Dernières composantes canoniques ... 111 Annexe B : Matrices de confusion ... 112

xiii

Liste des figures

Figure 1.1 : Diagramme de la méthodologie adoptée ... 8

Figure 2.1 : De l’imagerie monochrome à l’imagerie hyperspectrale ... 12

Figure 2.2: Illustration des bandes spectrales utilisées en imagerie hyperspectrale ... 14

Figure 2.3 : Exemples de signatures spectrales [17] ... 15

Figure 2.4 : Spectres de l’alunite fournis par un capteur multispectral (Landsat TM) et un capteur hyperspectral (AVIRIS) [18] ... 16

Figure 2.5: Exemple d’un spectre C issu du mélange des spectres A et B [19] ... 17

Figure 2.6 : Illustration schématique de deux types de mélange spectral [21] ... 18

Figure 2.7 : Similarité d’angle spectral ... 22

Figure 2.8 : Similarité de distance spectrale : ... 23

Figure 2.9 : Exemple d’un réseau de neurones ... 25

Figure 2.10: Représentation schématique d’un classifieur SVM ... 26

Figure 2.11 : Classification des drones désignée par le DHS (Departement of Homeland Security) [47] ... 31

Figure 2.12: Exemples de drone de type VTOL. ... 32

Figure 2.13: Un exemple de drone de type LASE ... 32

Figure 3.1: La perte d’une ligne de données [58]. ... 46

Figure 3.2: Effet de lignage [58] ... 46

Figure 3.3 : Schéma des composantes d’un modèle de transfert radiatif ... 51

Figure 3.4 : Principe de fonctionnement d’un capteur pushbroom [5] ... 54

Figure 3.5: Variations de l’attitude de la plateforme : roulis, tangage et lacet ... 54

Figure 3.6 : Effets des variations des conditions de vol sur la région imagée [8] ... 55

xiv

Figure 4.1 : Principe des SVM : ... 69

Figure 4.2 : Passage de l’espace des entrées à l’espace des caractéristiques en utilisant un noyau k . ... 71

Figure 4.3 : Stratégies de classification SVM en multi-classes ... 73

Figure 4.4 : Image en vraie couleur du campus de l’Université d’Houston ... 76

Figure 4.5: Vérité de terrain de la scène traitée ... 77

Figure 4.6 : Deux blocs d’image spectralement complémentaires ... 78

Figure 4.7 : Variation des corrélations canoniques en fonction des composantes canoniques résultant de l’application de l’approche de la complémentarité spectrale ... 79

Figure 4.8 : Les huit premières composantes canoniques résultant de l’application de l’ACC sur deux blocs d’image qui sont spectralement complémentaires ... 80

Figure 4.9 : Images utilisées dans l’approche de filtrage ... 81

Figure 4.10 : Variation des corrélations canoniques en fonction des composantes canoniques résultant de l’application de l’approche de filtrage ... 82

Figure 4.11 : Les huit premières composantes canoniques résultant de l’application de l’ACC sur l’image hyperspectrale originale et sa version filtrée ... 83

Figure 4.12 : Précisions globales des deux approches d’ACC en fonction de la variable canonique et du nombre de composantes utilisées ... 86

Figure 4. 13 : Résultats de classification obtenus par application des deux méthodes de classification : a- résultat de la méthode ACC+SVM ... 88

Figure 4.14 : comparaison des erreurs de commission et d’omission pour les deux méthodes ACC+SVM et ACP+SVM ... 90

Figure A.1: Les quatre dernières composantes canoniques résultant de l’application de l’ACC sur deux blocs d’image qui sont spectralement complémentaires : ... 111

Figure A.2: Les quatre dernières composantes canoniques résultant de l’application de l’ACC sur l’image hyperspectrale originale et sa version filtrée ... 111

xv

Liste des tableaux

Tableau 2.1: Principales différences entre imagerie hyperspectrale et imagerie

multispectrale ... 12

Tableau 2.2: Principaux capteurs hyperspectraux actuellement disponibles ... 13

Tableau 3.1 : Comparaison entre les plateformes d’acquisition aéroporté et drone et les types d’erreurs inhérentes à chacune d’elles ... 60

Tableau 4.1 : Exemple de matrice de confusion ... 73

Tableau 4.2: Comparaison des performances des approches multi-classes de SVM ... 84

Tableau 4. 3 : Comparaison des performances de SVM suivant le noyau utilisé ... 84

Tableau 4.4 : Comparaison des performances des deux approches d’ACC ... 85

Tableau 4.5 : Comparaison des performances des deux méthodes de classification : la méthode ACC+SVM et la méthode ACP+SVM ... 89

Tableau B.1: Matrice de confusion issue de l’application de la méthode ACC+SVM ... 112

xvii

À ma Tunisie…

À mes parents. À mon épouse, Amal. À mon fils, Chahine.

xix

Et ma réussite ne dépend que d'Allah. En Lui je place ma confiance, et c'est vers Lui que je reviens repentant.

– Saint Coran : Sourate 11, Verset 88

Qui n’aime pas gravir la montagne, vivra éternellement au fond des vallées. – Abou El Kacem Chebbi, Poète Tunisien

xxi

Remerciements

Il serait difficile de passer sous silence toutes les personnes qui ont contribué de près ou de loin à la réalisation de mes travaux de recherche dans le cadre de cette maîtrise. Tout d’abord, j’aimerais remercier sincèrement ma directrice de recherche, Madame Sylvie Daniel, professeure au Département des sciences géomatiques de l’Université Laval. Merci Sylvie de m’avoir accepté de me diriger premièrement dans le cadre du stage de mon projet de fin d’étude puis dans le cadre de cette maîtrise. Merci de m’avoir offert cette opportunité de travailler sur un projet aussi stimulant et innovateur. Merci également pour ta grande disponibilité, ta générosité et ton parfait encadrement qui ont grandement contribué au succès de mon parcours tout au long de cette maîtrise.

Mes remerciements s’adressent également à mon codirecteur de recherche, Monsieur Karem Chokmani, professeur à l’Institut National de la Recherche Scientifique. Merci Karem pour tes précieux conseils qui m’ont permis d’avancer dans mon projet de maîtrise et de le rendre meilleur. Merci également pour la précieuse opportunité que tu m’avais offerte d’être parmi ton équipe de stagiaires à l’INRS. Cette belle expérience m’a permis de découvrir un autre volet dans le vaste monde de la télédétection et d’élargir mes connaissances dans ce domaine.

Je tiens à remercier aussi Monsieur Santiago Forteza, directeur général de la Compagnie Civis It, et l’organisme Mitacs d’avoir financé la première partie de mon projet de maîtrise. Je remercie également la Mission Universitaire de Tunisie en Amérique du Nord (MUTAN) pour m'avoir offert une bourse d’exemption des frais majorés de scolarité.

Merci aussi au corps professoral du département des sciences géomatiques en particulier Monsieur Michel Boulianne d’avoir accepté la correction de ce mémoire de maîtrise. Je remercie également tous les étudiants gradués du département qui ont contribué à la bonne ambiance de notre laboratoire de recherche.

Enfin, je prendrai un moment pour honorer les personnes qui m’ont soutenu moralement et étaient pour moi une source d’inspiration tout au long de mon parcours dans cette maîtrise. Je commence par mon père, un homme bon et généreux dont l’appui moral et financier m’a permis de poursuivre mes études universitaires. Je remercie ensuite ma

xxii

mère qui m’a toujours épaulé dans tous mon parcours académique à travers ses encouragements et ses invocations. Et pour finir, j‘aimerais exprimer ma reconnaissance à mon épouse pour son soutien moral inconditionnel. Je salue sa patience et je la remercie de partager cette aventure avec moi.

xxiii

Avant-propos

Le dépôt de ce mémoire met fin à deux ans de travaux dans le cadre de cette maîtrise en sciences géomatiques. Ces travaux ont mené à la rédaction d’un article scientifique qui s’intitule « Revue des méthodes de prétraitement des données d’imagerie hyperspectrale acquises depuis un drone ». Cet article, intégré dans le chapitre 3 de ce mémoire, a été soumis et accepté par le comité de lecture de la revue Geomatica. Il sera inclus dans son numéro spécial (Vol. 68, No. 4, Décembre 2014) dédié aux systèmes d’aéronefs sans pilote dans le domaine de la géomatique. La publication de ce numéro est prévue au début 2015. En tant que premier auteur de cet article, ma contribution était majeure à chacune des étapes de la réalisation (c.-à-d. revue de la littérature, travail de synthèse, rédaction du manuscrit, soumission, réponse aux réviseurs). Les coauteurs de cet article sont ma directrice de recherche, Madame Sylvie Daniel, et mon codirecteur, Monsieur Karem Chokmani.

Mes travaux de recherche ont mené également à la présentation d’une communication au colloque Vision Géomatique 2014 à Gatineau au mois de novembre 2014. Cette conférence portait sur un outil qui a été développé au cours de mes travaux de recherche. Cet outil qui prend la forme d’une application web permet de configurer un ensemble de paramètres d’acquisition d’images hyperspectrales depuis un drone.

1

Chapitre 1 : Introduction

1.1. Mise en contexte

L’exploration minière constitue une phase clé au début d’un long cycle de l’industrie de l’exploitation minière. Ce stade vise à identifier de nouvelles sources de métaux, de minéraux et de pierres exploitables. L’exploration minière a été mise en œuvre à travers une grande variété de techniques à savoir les techniques géologiques, géochimiques, géophysiques ou encore les forages. La télédétection figure parmi les approches qui ont connu un grand succès dans ce type d’application. En effet, depuis le lancement du programme Landsat1 _{dans les années 1970, les compagnies minières ont présenté un grand}

intérêt pour l’utilisation de la télédétection afin d’identifier les minéraux de surfaces [1]. Cet intérêt s’explique par les avantages offerts par la télédétection par rapport aux approches classiques tels que sa capacité à cartographier des régions de grandes étendues avec plus d'efficacité que les relevés de terrain. De plus, de nombreuses régions sont peu propices aux levés terrain compte tenu de leur éloignement, ou du manque d'infrastructures pour s’y rendre, ou bien encore de l’hostilité du territoire du point de vue topographique ou du climat. L'industrie de l'exploration minérale s’est donc tournée vers la télédétection comme une technologie adaptée pour cartographier les terrains difficiles. À cette fin, plusieurs solutions ont été proposées et mises en œuvre [2-4].

L’imagerie multispectrale figure parmi les premières techniques de télédétection qui ont été mises en œuvre pour la cartographie des minéraux [1]. Son principe repose sur l’acquisition d’informations sur des phénomènes ou des éléments à la surface terrestre en exploitant l’interaction du rayonnement électromagnétique avec ceux-ci selon un nombre limité de longueurs d’ondes. Cette technologie a été exploitée principalement à l’aide de capteurs installés sur des plateformes satellitaires tel que le capteur Landsat Thematic

Mapper (TM) qui fait partie des premiers capteurs satellitaires utilisés pour l’identification

des minéraux de surface [2]. Le capteur ASTER2 _{(Advanced Spaceborne Thermal Emission}

and Reflection Radiometer) figure également parmi les capteurs qui ont été largement

1_{landsat.gsfc.nasa.gov}

2

utilisés dans des applications d’exploration minière grâce à ses performances améliorées par rapport au capteur Landsat TM [3,4]. Toutefois, l’indentification et la discrimination de certains minéraux reste peu précise à cause de la faible résolution spectrale des images multispectrales [5]. Afin de pallier ce problème, des capteurs avec un pouvoir d’identification accru ont été développés. Il s’agit des capteurs hyperspectraux ou encore des spectromètres imageurs. Ces capteurs représentent l'une des tendances technologiques les plus importantes en matière de télédétection, qui combine l'imagerie et la spectroscopie dans un système unique [6]. Ce système permet d’acquérir des images sur un grand nombre de bandes spectrales (de l’ordre de quelques centaines de bandes) à très haute résolution spectrale (largeur de bande très étroite de l’ordre de dizaine de nanomètre).

L’imagerie hyperspectrale peut se présenter, grâce à sa haute résolution spectrale, comme une approche pertinente pour l’identification des matériaux, ainsi que l’évaluation du potentiel d’un terrain pour produire des minéraux. En effet, le capteur hyperspectral est capable d’enregistrer les rayonnements solaires réfléchis de la surface terrestre et qui sont principalement dus à la réflectivité des matériaux. Cette réflectivité, ou encore la signature spectrale, est unique pour chaque matériau et est basée sur ses propriétés telles que sa composition chimique et physique et sa texture [5].

Actuellement, les solutions de cartographie hyperspectrale disponibles sur le marché sont principalement de type aéroporté ou satellitaire. Les levés aéroportés offrent des résolutions spatiales plus élevées et des acquisitions plus rapides par rapport aux capteurs satellitaires. Cependant, ce mode d’acquisition présente plusieurs limitations. En effet, les acquisitions aéroportées sont effectuées sur des durées limitées et sur de faibles fréquences (ex. une fois par mois ou tous les trois mois). Ceci est dû à la faible disponibilité des avions, la difficulté parfois de mise en œuvre d’une telle acquisition (ex. besoin d’un aéroport à proximité du site de levé) ainsi qu’au coût de vol très élevé.

Grâce aux avancées technologiques en matière de miniaturisation des instruments de navigation (systèmes de positionnement, unités inertielles) et des capteurs hyperspectraux, de nouvelles solutions d’acquisition basées sur les systèmes aériens sans pilote sont désormais accessibles. Ces systèmes, appelés encore drones, se présentent comme une nouvelle tendance dans le domaine de la télédétection et connaissent un essor sans

3 précédent dans le domaine civil depuis le début de la dernière décennie [7]. Ce type de système qui permet de combler plusieurs lacunes des solutions classiques (c.-à-d. aéroportées et satellitaires) se présente comme une solution efficace pour la cartographie de la surface terrestre. Son succès repose sur plusieurs facteurs tels que la facilité et la rapidité de leur mise en œuvre qui permet d’avoir des cartes mises à jour fréquemment, l’acquisition d’images à très haute résolution spatiale (de l’ordre de quelques centimètres). Ce mode d’acquisition offre également des vols à basses altitudes réduisant ainsi les nuisances d’acquisition dues aux nuages. Ces vols sont caractérisés aussi par le taux de risque très réduit vu l’absence de pilote, la faible nuisance à l’environnement et la diminution des coûts des opérations d’exploration par rapport au mode aéroporté [7].

L’avènement de cette solution technologique a suscité l’intérêt des acteurs dans le domaine de l’exploration minière. En effet, grâce à sa capacité d’acquérir des données d’imagerie à très haute résolution spectrale, spatiale et temporelle, cette solution permet de mener des campagnes d’exploration sur des régions bien ciblées et par conséquent de produire des cartographies très précises par rapport aux solutions conventionnelles de télédétection.

1.2. Problématique

L’utilisation du drone dans le domaine civil est encore en phase d’exploration et n’a pas encore atteint sa maturité notamment lorsqu’il est combiné avec un capteur hyperspectral. Peu de travaux ont été consacrés à l’étude de ce système et de ses capacités ainsi que ses limites. En effet, cette solution émergente offre de nombreux avantages par rapport aux plateformes traditionnelles. Cependant, elle conduit à de nouveaux problèmes notamment en termes de dégradations qui sont liées aux caractéristiques du système d’imagerie ainsi qu’au processus d’acquisition. Ainsi, comme toute donnée de télédétection, les données d’imagerie hyperspectrale acquises depuis un drone doivent être corrigées de ces différentes dégradations. Celles-ci peuvent se résumer en trois principaux types. Le premier, connu sous le nom d’erreurs radiométriques, regroupe les distorsions qui affectent les valeurs de luminance associées aux pixels de l’image. Ces distorsions sont dues principalement à l'instrumentation utilisée pour l’enregistrement des données. Elles se manifestent lorsque le capteur ne fonctionne pas correctement ou lorsqu’il est mal calibré

4

[5]. Ces erreurs se présentent dans l’image comme des pixels erronés. Le deuxième type de distorsions est causé par les effets atmosphériques. Ces distorsions résultent des interactions entre les rayonnements électromagnétiques et les éléments constitutifs de l’atmosphère (ex. aérosol, molécule d’eau, etc.) [8]. Ces interactions induisent une déformation des propriétés optiques et spectrales des matériaux. Le signal enregistré dépend ainsi de la réflectance de la surface terrestre et des effets de l’atmosphère. Le troisième type de dégradation affecte la structure géométrique de l'image. Elles provoquent une dégradation significative de la qualité géométrique des images capturées. Elles peuvent se manifester à l’échelle du pixel (changement des dimensions de celui-ci) ou encore à l’échelle de l’image pour laquelle les relations spatiales entre les pixels ainsi que leur positionnement dans l’image peuvent être altérés.

Ces trois types de distorsions sont de même nature que celles présentes dans les images acquises depuis des capteurs embarqués sur des plateformes classiques (c.-à-d. avion et satellite). Cependant, vu la différence du contexte d’acquisition à partir du drone par rapport aux plateformes classiques (en termes d’altitude de vol, de stabilité, de dimensions du capteur…etc.) ces imperfections ne se manifestent pas de la même façon et avec la même ampleur. Par conséquent, les images hyperspectrales acquises depuis un drone doivent être nécessairement corrigées afin de faire face à ces imperfections en utilisant des méthodes qui prennent en compte les spécificités du drone par rapport aux plateformes classiques d’acquisition.

Après le processus de correction, les données doivent être ensuite exploitées en appliquant les traitements qui permettent d’aboutir à la cartographie de la scène imagée. Pour ce faire, deux types de traitement sont souvent appliqués. Le premier consiste à réduire la grande dimensionnalité des données. En effet, le principe de l’imagerie hyperspectrale repose sur l’acquisition des images sur un grand nombre de bandes spectrales (des dizaines voire des centaines). Si l'on considère chaque image comme une matrice bidimensionnelle, on obtient alors avec les données hyperspectrales une matrice tridimensionnelle (appelée encore cube de données hyperspectrales). Étant donné ce grand volume de données difficile à exploiter, la réduction de la dimensionnalité des données est souvent nécessaire afin d’éliminer la redondance de l’information spectrale et par conséquent la réduction du volume calculatoire de traitement [9]. Le deuxième traitement

5 consiste à appliquer une méthode de classification qui permet de distinguer les différents éléments représentatifs de la scène imagée. Cette méthode doit être adaptée aux caractéristiques des données acquises depuis un drone notamment en termes de très haute résolution spatiale.

À la lumière de ce qui précède, nous pouvons constater qu’afin d’exploiter les données d’imagerie hyperspectrale acquises depuis un drone et d’en faire ressortir de l’information utile, un processus de correction doit être appliqué. Ce processus doit être appliqué à l’aide de méthodes qui prennent en compte les conditions d’acquisition depuis le drone. Dans le contexte minier dans lequel s’inscrit cette recherche, une méthode de traitement doit être également appliquée afin de produire une cartographie de la scène imagée tout en prenant en considération le grand volume de données et leur très haute résolution spatiale.

Ainsi, la problématique de notre projet de recherche peut être énoncée de la manière suivante :

Quelles sont les différentes corrections et traitements adaptés aux données hyperspectrales acquises depuis un drone afin de faire face aux imperfections inhérentes à ce type de solution et de produire une cartographie des éléments d’intérêt présents dans la zone d’étude?

1.3. Objectifs

Le présent travail de recherche vise à apporter une réponse à la problématique énoncé dans le paragraphe précédent. Pour ce faire, nous avons ciblé comme objectif principal d’enrichir les connaissances dans le domaine de l’imagerie hyperspectrale acquise à base de drone en matière de correction des dégradations inhérentes au processus d’acquisition et aux méthodes de traitements des données permettant de produire des cartographies des éléments d’intérêt présents dans la zone d’étude. Ce travail a été envisagé dans une perspective d’explorer le potentiel de l’imagerie hyperspectrale acquise depuis un drone dans une application de cartographie des minéraux de surface. Ce domaine d’application figure parmi les domaines privilégiés pour un usage des drones et de l’imagerie

6

hyperspectrale. Dans la présente recherche, il constituera donc un cadre applicatif et ne se retrouvera pas alors au cœur des préoccupations des objectifs ciblés.

Afin d’atteindre l’objectif principal de ce projet, celui-ci a été décliné en trois sous-objectifs.

1.3.1. Sous-objectif 1

Le premier sous-objectif vise à déterminer et documenter les différentes imperfections qui affectent les images hyperspectrales acquises depuis un drone ainsi que les méthodes permettant de les corriger. Le travail effectué dans ce premier sous-objectif permet d’identifier les spécificités du drone par rapport aux plateformes classiques d’acquisition en termes de distorsions et d’approches de correction.

1.3.2. Sous-objectif 2

Le deuxième sous-objectif consiste à proposer une méthode de classification adaptée aux images hyperspectrales acquises depuis un drone afin de produire une cartographie des éléments d’intérêt présents dans la scène imagée. Cette méthode doit être adaptée aux caractéristiques de ces données notamment en termes de grand volume de données et de très haute résolution spatiale.

1.3.3. Sous-objectif 3

Le troisième sous-objectif vise à valider les performances de l’approche de classification proposée lorsqu’elle est appliquée à des images hyperspectrales à très haute résolution spatiale. Pour ce faire, des méthodes qualitatives et quantitatives d’évaluation doivent être appliquées.

1.4. Méthodologie

La démarche méthodologique adoptée dans le cadre de ce travail s’articule selon les deux méthodes de recherche suivantes : la méthode exploratoire et la méthode hypothético-déductive [10].

7 La méthode exploratoire a consisté à effectuer une étude bibliographique qui ciblait les différents travaux s’intéressant à l’imagerie hyperspectrale et aux drones. Cette étude a été mené sur deux niveaux à savoir une étude préliminaire qui visait à définir le projet de recherche (contexte, problématique, objectif) et une étude avancée qui s’interessait aux différents points d’intérêt abordés dans la recherche. L’étude bibliographique avancée a visé en premier lieu le recensement des notions et des concepts liés à chacune des deux technologies objet de ce travail à savoir le drone et l’imagerie hyperspectrale. En deuxième lieu, cette étude a ciblé la détermination des différentes dégradations présentes dans les données d’imagerie hyperspectrale acquise aussi bien depuis les plateformes classique (i.e. avion, satellite) que les système d’aéronefs sans pilote. Les differents procédés de correction de données des images hyperspectrales ont été également recensés et synthétisés. Enfin, l’étude bibliographique a été orientée vers le recencement des principales méthodes de classfication des données hyperspectrales ainsi que les forces et les faiblesses de chacune de ces méthodes. Cette dernière étude bibliographique a contribué à assoir les orientations de la deuxième approche méthodologique décrite ci-après.

La deuxième approche méthodologique, étant hypothético-déductive, consiste à combiner le processus de recherche avec l’experimentation. Au cours de cette phase, les traitements requis pour répondre au deuxième et au troisième sous objectifs (cf. paragraphe 1.3.3) ont été conçus et developpés d’une façon itérative selon une méthode de type Agile [11]. Celle-ci inclut des phases de tests pour valider l’adéquation de la solution vis-à-vis de l’objectif visé. Le choix de cette méthode itérative a eu pour but également d’ajuster ces traitements afin qu’ils soient adaptés aux données acquises à partir d’un drone. Afin de tester les algorithmes implémentés et les valider, nous avons utilisé des données d’imagerie hyperspectrale aéroportée qui ont des caractéristiques proches de celles du drone. Le recours à ce type de données s’explique par les contraintes en termes des delais d’achats et de deploiement du système à base drone.

L’ensemble des étapes intervenant dans notre approche méthodologique est synthétisé par le diagramme présenté dans la figure suivante.

   )LJXUH'LDJUDPPHGHODPpWKRGRORJLHDGRSWpH eWXGHELEOLRJUDSKLTXHSUpOLPLQDLUH 'pILQLWLRQGXSURMHWGHUHFKHUFKHSUREOpPDWLTXH REMHFWLIHWPpWKRGRORJLH 'pWHUPLQDWLRQGHV GLVWRUVLRQVDIIHFWDQWOHV GRQQpHVK\SHUVSHFWUDOHV DFTXLVHVGHSXLVXQGURQH HWOHXUVPpWKRGHVGH FRUUHFWLRQ 5HFHQVHPHQWGHV QRWLRQVHWGHV FRQFHSWVOLpVDX[ GURQHVHWDX[ FDSWHXUVG¶LPDJHULH K\SHUVSHFWUDOH 5HYXHGHV PpWKRGHVGH FODVVLILFDWLRQGHV LPDJHV K\SHUVSHFWUDOHV eWXGHELEOLRJUDSKLTXHDYDQFpH

$SSU

RFKH

H[S

ORUDWRLU

H

$SSU

RFKHK

\S

RWKpW

LFRGpGXFW

LYH



9

1.5. Structure du mémoire

Ce mémoire est organisé en cinq chapitres. Le premier chapitre a introduit le contexte de la recherche proposée ainsi que la problématique à résoudre. Il a défini également les objectifs de cette recherche et la méthodologie à mettre en œuvre afin de répondre à cette problématique. Le deuxième chapitre va être consacré à la présentation des différentes notions liées à l’imagerie hyperspectrale, à une synthèse des principales méthodes de classification des données d’imagerie hyperspectrale ainsi qu’à une revue qui porte sur les drones. Le troisième chapitre, qui est structuré sous la forme d’un article, passera en revue les différents types de distorsions affectant les données hyperspectrales acquises depuis un drone ainsi que les méthodes à mettre en œuvre pour les corriger. Le quatrième chapitre présentera les fondements théoriques de l’approche de classification adoptée dans ce travail ainsi que les résultats obtenus suite à l’application de cette approche. L’évaluation des résultats sera abordée d’un point de vue aussi bien qualitatif que quantitatif. Le cinquième et dernier chapitre de ce mémoire apportera les conclusions issues de la recherche menée dans le cadre de cette maîtrise et présentera un retour sur les objectifs ciblés dans ce projet, sur les contributions apportées et proposera quelques perspectives relatives à ce projet pour des travaux futurs.

11

Chapitre 2 : Revue des concepts et état de l'art

Dans le présent chapitre, les principaux éléments et concepts qui sont intervenus dans ce travail de recherche vont être présentés. En premier lieu, les notions relatives à l’imagerie hyperspectrale ainsi que les applications qui ont tirées profit de cette technologie seront présentées. En deuxième lieu, les principales méthodes de classification de ce type de données ainsi que leurs forces et faiblesses seront exposées. Enfin, les notions et les concepts liés aux drones vont être abordés.

2.1. Imagerie hyperspectrale : théorie et applications

2.1.1. L’histoire et le développement de l’imagerie

hyperspectrale

L’observation de la Terre à l’aide de la télédétection a vu le jour grâce aux capteurs monochromes. Ces capteurs qui ont été largement utilisés dans des applications militaires reposent sur l’acquisition des données d’imagerie sur un seul intervalle de longueurs d’onde (cf. figure 2.1-A). Les évolutions technologiques des capteurs monochromes ont conduit à l’apparition des capteurs qui effectuent l’observation de la Terre sur plusieurs intervalles de longueurs d’onde (cf. figure 2.1-B). Cette technique d’acquisition d’images, connu sous le nom d’imagerie multispectrale, a permis une meilleure représentation de la surface terrestre. Cette nouvelle ère de la télédétection a commencé avec le projet Landsat3au début des années 1970, qui a été suivi par un très grand nombre de missions impliquant des capteurs multispectraux (ex. SPOT, IKONOS, QuickBird…etc.).

Parallèlement aux progrès des capteurs multispectraux, d’autres études ont été menées notamment dans l’industrie optoélectronique qui ont conduit à l’apparition d’un nouveau mode d’imagerie. Celui-ci a permis d’impliquer un nombre de bandes beaucoup plus grand que celui offert par les capteurs multispectraux. Cette technique d’imagerie, baptisée hyperspectrale, permet en fait d’acquérir des données d’imagerie sur des dizaines voire des centaines de bandes spectrales étroites et contiguës [5]. Les images obtenues ne

12

sont plus alors à deux dimensions spatiales mais une troisième dimension spectrale est introduite. Ces données sont généralement représentées sous la forme d’un « cube » hyperspectral (cf. figure 2.1-C).

Figure 2.1 : De l’imagerie monochrome à l’imagerie hyperspectrale : A- Image monochromatique, B- Image multispectrale, C- Cube hyperspectral

L’imagerie hyperspectrale se distingue de l’imagerie multispectrale selon plusieurs caractéristiques. Les principales différences entre ces deux types d’imagerie sont résumées dans le tableau ci-dessous :

Tableau 2.1: Principales différences entre imagerie hyperspectrale et imagerie multispectrale

Imagerie hyperspectrale Imagerie multispectrale

Un grand nombre de bandes spectrales (des dizaines à des centaines)

Quelques bandes (de 3 à 10)

Bandes étroites (de l’ordre de 10 nm) et contiguës

Bandes larges (de l’ordre de 100 nm) et irrégulièrement espacées

Un spectre quasi-continu pour chaque pixel

Représentation spectrale discrète

L'ère de la télédétection hyperspectrale a commencé réellement avec le lancement du capteur aéroporté AVIRIS4 _{(Airborne Visible Infrared Imaging Spectrometer) par la NASA}

en 1983 [12]. Ce capteur a été le premier à acquérir des données sur des bandes continues et

13 étroites sur une gamme spectrale de 400 à 2500 nm. À la suite du lancement d’AVIRIS, d’autres capteurs hyperspectraux satellitaires et aéroportés ont été développés et rendus opérationnels. Le tableau ci-dessous résume les principaux imageurs hyperspectraux qui sont actuellement disponibles:

Tableau 2.2: Principaux capteurs hyperspectraux actuellement disponibles

Capteur Organisme/pays _{spectrale (nm)}Résolution Nombre de _{bandes spectrale (µm)}Plage

Capteurs satellitaires Hyperion NASA États Unis 10 242 0,4-2,5 CHRIS ESA Union Européen 1,3 à 12 79 0,14-1,05 HySI ISRO Inde 10 64 0,4-0,95 Hj-1A CAST Chine 5 110-128 0,45-0,95 Capteurs aéroportés AVIRIS JPL/NASA États Unis 10 224 0,4-2,5

HYDICE Naval Research

Lab. États Unis 10 210 0,4-2,5 CASI ITRES Canada 3,5 288 0,4-1,0 HyMap Integrated Spectronics Australie 15 126 0,45-2,5

Les capteurs cités ci-dessus représentent des solutions classiques qui sont largement utilisées pour différents types d’application. Cependant, ils présentent plusieurs limitations

14

telles que la faible fréquence d’acquisition, la faible résolution spatiale, les coûts élevés d’acquisition. Afin de combler ces lacunes, de nouvelles solutions qui exploitent les systèmes d’aéronefs sans pilote sont de plus en plus utilisées [13-16]. Ces systèmes permettent de réaliser des levés à très haute résolution spatiale grâce à la basse altitude de vol de la plateforme d’acquisition et d’effectuer des acquisitions fréquentes avec des coûts relativement faibles (les notions et les concepts liés à ces systèmes seront abordés plus en détails dans le paragraphe 2.3).

2.1.2. Propriétés de l’imagerie hyperspectrale

2.1.2.1. La signature spectrale

Comme toute technique de télédétection passive, l’imagerie hyperspectrale utilise le soleil comme source d’illumination. Elle enregistre les rayonnements généralement sur (ou sur une partie de) la région spectrale allant de 0,4 μm jusqu’à 2,5 μm. Cette partie du spectre électromagnétique est divisée en trois principales plages spectrales (cf. figure 2.2) :

 Le visible (VIS) : 0,4-0,7 μm;

 Le proche infrarouge (NIR) : 0,7-1,1 μm;

 L’infrarouge à ondes courtes (SWIR): 1,1-2,5 μm;

15 Les différents matériaux d’une scène reflètent et absorbent les rayonnements solaires sur la gamme spectrale illustrée ci-dessus selon leurs propriétés telles que leurs compositions chimiques et physiques, leurs températures et leurs textures. Par conséquent, le signal émis ou réfléchi diffère selon l’objet. Le principe de l’imagerie hyperspectrale repose sur la mesure de l’intensité du rayonnement réfléchi par les matériaux qui parvient au capteur pour chaque longueur d’onde. Ces valeurs d’intensité enregistrées traduisent le comportement des matériaux vis-à-vis du rayonnement solaire (c.-à-d. absorption ou réflexion du signal).

Figure 2.3 : Exemples de signatures spectrales [17]

L’imagerie hyperspectrale permet l’identification des matériaux à la surface terrestre à partir de l’intensité du rayonnement qu’ils ont réfléchi pour chacune des longueurs d’onde, ce qui est communément appelé la signature spectrale (cf. figure 2.3). Celle-ci est unique pour chaque matériau. En effet, elle présente un pouvoir discriminatoire beaucoup plus efficace que les données acquises par des capteurs à bandes spectrales larges tels que les capteurs multispectraux. Ceci peut être expliqué par le caractère quasi continu de cette signature assuré par le grand nombre de valeurs qui la constitue [8]. Au contraire, dans le cas de l’imagerie multispectrale, on ne dispose que de quelques échantillons de valeurs (4-10) pour représenter la signature spectrale. Cette comparaison est bien illustrée par la figure 2.4 qui montre deux spectres pour l’alunite, l’un acquis avec un capteur multispectral

16

(Landsat TM) et l’autre acquis avec un capteur hyperspectral (AVIRIS). On remarque que le niveau de détails représentés dans le spectre acquis avec le capteur AVIRIS (résolution spectrale de 10 nm) est beaucoup plus élevé que celui du spectre acquis avec le capteur Landsat TM (résolution spectrale variant de 65 à 250 nm).

Figure 2.4 : Spectres de l’alunite fournis par un capteur multispectral (Landsat TM) et un capteur hyperspectral (AVIRIS) [18]

2.1.2.2. Le mélange spectral

Le mélange spectral figure parmi les caractéristiques de l’imagerie hyperspectrale. En effet, cette technique d’imagerie conduit généralement à des pixels mixtes qui présentent des spectres non "purs" c’est-à-dire que le signal enregistré pour un pixel donné provient de plusieurs matériaux à la fois (cf. figure 2.5).

17 Figure 2.5: Exemple d’un spectre C issu du mélange des spectres A et B [19]

La technique de dé-mélange (appelé aussi démixage) spectrale figure parmi les enjeux de traitement et d’analyse des données hyperspectrales. Cette technique permet l’estimation des proportions des matériaux à une résolution inférieure à la taille du pixel. Pour ce faire, deux modèles de mélange spectral peuvent être recensés dans la littérature (cf. figure 2.6). Le premier considère le pixel comme une combinaison linéaire de spectres purs (endmembers) pondérés par leurs abondances respectives. Ce modèle qui est largement cité dans la littérature peut être adopté lorsque les matériaux présents dans le pixel sont spatialement disjoints (cf. figure 2.6-A) [20]. Le deuxième modèle décrit ce mélange comme intime dans lequel les constituants purs sont spatialement indissociables (ex. grains minéraux dans le sol ou dans la roche) (cf. figure 2.6-B) [21]. Le spectre issu de ce type de mélange est non linéaire. Plusieurs approches ont été proposées afin de faire face à ce phénomène en se basant sur des modèles mathématiques beaucoup plus complexes et rigoureux que celui du modèle linéaire. Une revue des principales méthodes appliquées dans ce contexte sont présentés dans la référence suivante [21].

18

Figure 2.6 : Illustration schématique de deux types de mélange spectral : A- modèle linéaire : 𝜶𝒊

représentent les proportions de chaque matériau, 𝒎𝒊 représentent les matériaux présents dans la

scène, y est le signal résultant du mixage linéaire B- Modèle non linéaire : 𝜽 représente les paramètres qui modélisent la scène, f est une fonction non linéaire qui modélise le phénomène de

mixage, y est le signal résultant du mixage non linéaire [21]

2.1.3. Potentiel de l’imagerie hyperspectrale pour la

cartographie des minéraux

Depuis plusieurs années, l’imagerie hyperspectrale fait l’objet d’études pour différents types d’applications civiles et militaires. En effet, ce type d’imagerie a montré un grand potentiel pour la détection et l’identification des objets et des matériaux grâce à son pouvoir discriminatoire très élevé. Ainsi, une large panoplie d’applications a tiré profit de l’imagerie hyperspectrale telle que les travaux liés à l’agriculture (ex. suivi de la qualité des cultures et du sol [22]), à l’écologie (ex. détection de la pollution et des incendies [23]) ou encore à la défense (ex. détection des mines [24])

Dans le cadre de notre projet, nous nous sommes intéressés au potentiel de l’imagerie hyperspectrale pour la cartographie des minéraux de surface à des fins d’exploration minière. Ce type d’application a été le sujet de plusieurs travaux qui ont été menés aussi bien par des compagnies minières que par des organismes gouvernementaux.

19 Dans le contexte de l’exploration minière, le capteur AVIRIS a été largement utilisé pour effectuer des mesures de réflectance sur la bande SWIR-2 (2000-2500 nm) [25]. Cette bande est considérée comme la plus utile pour identifier des minéraux, tels que les carbonates et les argiles, ou les matériaux qui se retrouvent souvent en association avec des métaux précieux (ex. or, argent)[25]. Ce capteur, a été également utilisé pour des travaux d’exploration dans des régions volcaniques tels que les études menés par l’USGS (United States Geological Survey) dans la région de Maryslave [26]. Le capteur australien HyMap (Hyperspectral Mapping) figure aussi parmi les systèmes hyperspectraux aéroportés qui ont été mis en œuvre à des fins de cartographie de minéraux [27]. Ce capteur a été exploité dans plusieurs travaux tels que le projet mis en œuvre par l’USGS en collaboration avec le DoD (Departement of Defence) en Afghanistan [28]. Celui-ci avait pour objectif la détection et la cartographie des ressources minérales de ce pays en exploitant le pouvoir d’identification de HyMap ainsi que le capteur satellitaire ASTER.

Alors que les données hyperspectrales aéroportées étaient disponibles depuis les années 1980, le lancement en Novembre 2000 par la NASA de la plateforme satellitaire EO-1 équipée du capteur Hyperion5 _{a marqué la mise en place d’une capacité spatioportée}

de la cartographie hyperspectrale. Hyperion a été testé sur différents sites dans le monde afin d’évaluer sa capacité pour la cartographie des minéraux. Les premiers travaux ont été réalisés sur des régions pour lesquelles des vérités terrain ainsi que des données hyperspectrales aéroportées étaient disponibles [29]. Les résultats obtenus montrent que les données Hyperion peuvent être exploitées afin de produire des cartographies géologiques. Une grande variété de minéraux a été identifiée à partir de ces images acquises depuis ce capteur à savoir les carbonates, le chlorite, la kaolinite, l’alunite, la silice hydrothermale, etc.

Ces travaux ne constituent que quelques exemples qui montrent le potentiel de la télédétection hyperspectrale en termes de cartographie des minéraux. Ce grand intérêt vis-à-vis de ce type d’imagerie s’explique par l’augmentation de la résolution spectrale par rapport aux autres types d’imagerie qui permet de diminuer les chances de confusion entre

20

les signatures spectrales semblables et contribue ainsi à une meilleure détection des matériaux de surface.

2.2. Classification des images hyperspectrales

La classification peut être définie comme un processus qui permet d’attribuer une étiquette unique à chaque pixel de l’image pour créer une carte thématique de la scène imagée [21]. L’étiquette choisie correspond à une classe parmi un ensemble de classes possibles. La classification des images hyperspectrales a été un domaine de recherche très actif ces dernières années notamment avec l’avènement de ce type d’image à très haute résolution spatiale [21].

En suivant le développement historique des approches de classification, des méthodes, dites classiques, ont été d’abord utilisées [20]. Ces méthodes (ex. maximum de vraisemblance) ont été conçues pour le traitement des images multispectrales, puis elles ont été généralisées aux données hyperspectrales. Leur principe se base sur des modèles de densité de probabilité des matériaux présents dans la scène. Ces modèles déterminent la chance de trouver un pixel qui appartient à une classe de l’image. Toutefois, ces méthodes classiques sont de moins en moins utilisées pour le traitement des images hyperspectrales à cause des difficultés qui se présentent lors de leurs mises en œuvre. Parmi celles-ci figurent la faible précision de classification à cause du nombre élevé de bandes spectrales [30], la difficulté d’avoir des informations a priori pour les données hyperspectrales (ex. densité de probabilité de chaque classe pour l’apprentissage du classifieur) ainsi que le volume calculatoire très élevé [31]. Ainsi, d’autres techniques de classification qui sont adaptées aux données hyperspectrales ont été développées et appliquées afin de faire face à ces difficultés [30].

Classiquement, les méthodes de classification des images hyperspectrales sont classées en deux grandes familles : supervisées et non supervisées. Dans cette section, nous présentons les principales techniques associées à ces deux familles qui sont utilisées pour la classification des images hyperspectrales (Albin et al. [31] propose une revue plus exhaustive de ces méthodes). Nous décrivons également quelques techniques hybrides,

21 dites spatio-spectrales, qui combinent l’information spatiale de l’image avec l’information spectrale.

2.2.1. Les méthodes de classification supervisées

Les méthodes de classification supervisées sont les plus utilisées pour la classification des images hyperspectrales [32]. Ces méthodes commencent par une étape d’apprentissage afin d’instruire le classifieur. Pour ce faire, une bonne connaissance des matériaux présents sur le terrain observé est nécessaire. Cette connaissance est assurée à l’aide d’une vérité terrain qui a été définie avant l’étape d’acquisition des données. Il s’agit d’un ensemble de données qui permet de réaliser un bon apprentissage ainsi que de valider la classification.

Dans le contexte de l’imagerie hyperspectrale, deux types d’approches de classification supervisée peuvent être appliquées : la classification par pixel, la classification par sous-pixel. La classification par pixel [31] vise à créer une carte thématique à partir de l’image originale en supposant que chaque pixel correspond à une seule classe. Donc le traitement de l’image se fait pixel par pixel. Ce type d’approche est largement utilisé pour la classification des images à très haute résolution spatiale dans lesquelles chaque pixel correspond généralement à un seul matériau pur. Toutefois, la classification des images à faible résolution spatiale fait appel aux méthodes qui utilisent les informations à l’échelle du sous pixel. Ces méthodes nécessitent une étape préliminaire de démixage qui permet de définir le pourcentage de chaque matériau présent dans le pixel [31].

Dans le cadre de notre étude qui traite des données d’imagerie hyperspectrale à très haute résolution spatiale, nous nous intéresserons seulement aux méthodes de classification par pixel. Ces méthodes peuvent être classées en deux principales catégories : les techniques de mise en correspondance spectrale et les méthodes d’apprentissage automatique.

2.2.1.1. Les méthodes de mise en correspondance spectrale

Les méthodes de correspondance spectrale (spectral matching) figurent parmi les techniques qui sont couramment utilisées pour la classification des données d'imagerie

22

hyperspectrale [20]. Elles sont basées sur la similarité spectrale en comparant les spectres de l'image avec les signatures spectrales connues (ou encore les spectres de référence).

Les techniques de mise en correspondance spectrale considèrent chaque pixel comme un vecteur n-dimensionnel, où n est le nombre de bandes spectrales. Le vecteur de référence pour une classe peut être obtenu en se référant à des librairies spectrales (ex. librairie de l’USGS) ou encore à partir de pixels sélectionnés manuellement en calculant, par exemple, la moyenne des vecteurs spectraux associés. Leur principe consiste à comparer des spectres inconnus (c.-à-d. pixels de l’image) avec un spectre de référence en se référant à une mesure de similarité. Pour ce faire, différentes méthodes ont été proposées dans la littérature. Dans les paragraphes qui suivent, nous présentons les deux mesures de similarité les plus utilisées pour la correspondance spectrale.

a. Similarité d’angle spectral

La similarité d’angle spectrale adopte comme mesure de similarité l’angle entre deux réponses spectrales. La figure ci-dessous illustre cet angle (α) dans un cas bidimensionnel. Il est défini entre le spectre de pixel inconnu et le spectre de référence. Dans le cas d’une image hyperspectrale, un hyper-angle spectral se calcule entre deux vecteurs : un angle spectral faible signifie que les spectres de pixel et de référence sont similaires.

Figure 2.7 : Similarité d’angle spectral : 𝒓⃗ est le spectre de référence, 𝒑⃗⃗ est le spectre à classifier, α est l’angle entre le spectre à classifier et le spectre de référence

23 La technique de cartographie par la mesure de l’angle de similarité (spectral angle

mapper) figure parmi les méthodes qui ont été largement utilisées pour la classification des

images hyperspectrales [33]. Cette technique est relativement rapide et applicable dans le cas de détection d’une classe individuelle ou encore dans le cadre d’applications multi-classes.

b. Similarité de distance spectrale

Afin de calculer la similarité de distance spectrale (la proximité des vecteurs de données), différentes métriques peuvent être utilisées [20]. La distance euclidienne figure parmi les métriques qui sont fréquemment appliquées comme une mesure de similarité pour la classification des images hyperspectrales. Cette distance peut être illustrée dans un espace bidimensionnel comme le montre la figure ci-dessous.

Figure 2.8 : Similarité de distance spectrale : 𝒓⃗ est le spectre de référence, 𝒑⃗⃗ est le spectre à classifier, 𝒅𝑬 est la distance entre le spectre de référence et le spectre à classifier

La prise de décision pour accorder un pixel à une classe se base sur cette mesure de similarité. En effet, plus la distance est proche de zéro plus le pixel est similaire au spectre de référence.

2.2.1.2. Les méthodes d’apprentissage automatique

Bien que les méthodes de correspondance spectrale ont démontré un grand potentiel en matière de précision et de rapidité par rapport aux méthodes classiques de classification,

24

l’avènement des techniques d’apprentissage automatique dans le domaine de la classification a permis de générer des résultats qui sont généralement plus précis [30].

L'apprentissage automatique (machine learning) qui est un des champs d'étude de l'intelligence artificielle peut être défini comme la discipline concernée par le développement de méthodes automatisables qui permettent à une machine d'évoluer grâce à un processus d'apprentissage, et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques6_.

Les méthodes d’apprentissage automatique ont connu un grand succès dans la classification des données hyperspectrales. Les paragraphes qui suivent citent les principales méthodes qui ont été utilisées dans ce contexte et qui ont montré un grand potentiel dans ce champ d’étude.

a. L’arbre de décision

Les méthodes d’arbre de décision utilisent un concept de classification hiérarchique. Dans ce concept, les données d’apprentissage sont successivement séparées en des sous-classes de plus en plus homogènes en se basant sur un ensemble de tests. Ces derniers, qui sont définis dans chaque nœud de l’arbre, sont généralement basés sur les données d’apprentissage et des mesures d’homogénéité. Ce type de méthode a suscité un grand intérêt dans le contexte de l’imagerie hyperspectrale grâce à deux principaux points forts à savoir la simplicité du principe et la rapidité de l’apprentissage [30]. La méthode de la Forêt Aléatoire [34] (Random Forest) figure parmi les méthodes d’arbre de décision qui ont connu un succès pour la classification des images hyperspectrales [35].

b. Les réseaux de neurones

Un réseau de neurones [36] typique se compose d'un grand nombre d'unités de traitement simples, appelés neurones, reliés par des connexions pondérées selon une architecture donnée. Cette architecture est généralement organisée sur un modèle en couches constitué d'une couche d'entrée, d’une ou plusieurs couches cachées et d’une couche de sortie (cf. figure 2.9). Dans le cas de l’imagerie hyperspectrale, les neurones de la couche d'entrée modélisent les pixels de l’image qui prennent la forme de vecteurs

25 spectraux. Les neurones de la couche de sortie représentent les classes où chaque classe sera un neurone de sortie. Les couches cachées sont constituées de plusieurs neurones et chaque neurone est relié à des neurones de la couche précédente et de la couche suivante. Les liens entre les neurones représentent des pondérations qui conduisent le flux d'informations à travers le réseau. Les méthodes de réseaux de neurones sont des classifieurs qui peuvent gérer des problèmes complexes avec un grand nombre de paramètres. Elles se caractérisent également par la simplicité de leurs mises en œuvre et leurs utilisations par rapport aux méthodes statistiques [37]. Toutefois, ce type de méthodes est souvent assimilé à une « boite noire » étant donné que l’utilisateur ne peut pas accéder au fonctionnement interne de cet algorithme et par la suite il n’a pas d’informations sur la relation les entrées et les sorties.

Figure 2.9 : Exemple d’un réseau de neurones

b. Séparateurs à vaste marge

Les méthodes de classification citées ci-dessus ont montré un grand potentiel dans la classification des données hyperspectrales. Cependant, celles-ci sont caractérisées par leur sensibilité à la malédiction de la dimension ou encore le phénomène de Hughes (cf. chapitre 4). Afin de faire face à ce problème, les méthodes à noyau ont été largement utilisées. Parmi ces méthodes figurent les séparateurs à vaste marge [38] (Support Vector

26

Machine (SVM)) qui ont été introduits dans le domaine de la télédétection au début de la

dernière décennie [29].

Le principe de cette méthode de classification consiste à générer un hyperplan qui maximise la séparation entre les classes des échantillons d'apprentissage dans un espace multidimensionnel (cf. figure 2.10). Au début, cette méthode avait été conçue pour effectuer une classification binaire et linéaire. Ensuite, SVM a été généralisé pour des problèmes multi-classes et non linéaires [39]. Contrairement aux autres approches d’apprentissage automatique, SVM fonctionne bien avec les petits ensembles de données d’apprentissage, même lorsque les ensembles de données sont de grandes dimensions [40]. SVM a été utilisé avec succès dans des applications hyperspectrales exigeantes [29], tels que la classification des zones urbaines [39] ou dans des applications forestières [40].

Grace à ses atouts et son potentiel dans la classification des images hyperspectrales, cette méthode a été adoptée dans notre travail. Elle sera abordée d’une façon plus détaillée dans le quatrième chapitre.

Figure 2.10: Représentation schématique d’un classifieur SVM

2.2.2. Les méthodes de classification non supervisées

27 Cette deuxième catégorie de méthodes consiste en des techniques de regroupement et segmentation dans lesquelles les pixels de chaque image sont assignés aux classes sans aucune connaissance a priori de l’utilisateur. La classification non supervisée passe par deux étapes. La première consiste à segmenter les données spectrales de l’image en classes inconnues mais naturellement distinctes. La deuxième étape consiste à étiqueter les classes segmentées [31]. L’étiquetage signifie la reconnaissance de chaque classe par rapport à la réalité proposée par l’interprétation (c.-à-d. utilisation des informations a posteriori).

Les techniques de classification non supervisées sont moins utilisées dans le contexte de l’imagerie hyperspectrale par rapport aux méthodes supervisées [31]. De ce fait, ce paragraphe va se limiter à ne citer que deux exemples de méthodes non supervisées. La méthode des K-moyennes peut être considérée parmi les méthodes les plus utilisées pour la classification non supervisée [41]. Son principe consiste à trouver d’une façon itérative un centre optimal pour chaque classe dans l’espace des caractéristiques. La technique ISODATA figure également parmi les méthodes de classification non supervisée [39]. Contrairement à la méthode des K-moyennes, cette technique ne nécessite pas une connaissance a priori du nombre de classes présentes dans l’image offrant ainsi plus de flexibilité dans le processus de groupement des pixels. Pour plus de détails sur ces deux techniques, nous invitons le lecteur à consulter les deux références suivantes [8,42].

2.2.3. Les méthodes spatio-spectrales

Dans le contexte de classification des données d’imagerie hyperspectrale, les méthodes qui exploitent l’information spectrale sont souvent les plus utilisées. Récemment des techniques hybrides qui combinent l’information spatiale et l’information spectrale de l’image ont été introduites dans le domaine de la classification des images hyperspectrales [43]. En effet, la combinaison de l’information spatiale avec l’information spectrale offre des avantages considérables dans l’amélioration de la qualité de la classification. Cette information peut être extraite a priori en utilisant par exemple des méthodes qui se basent sur la notion champs de Markov [44]. Cette technique exploite l’ensemble des pixels qui

sont dans le voisinage du pixel qui sera classifié. D’autres approches intègrent l’information spatiale en post-traitement c’est-à-dire après avoir appliqué la classification spectrale. Parmi les techniques qui utilisent ce principe on peut citer ECHO (extraction and

28

classification of homogeneous objects) ou encore la transformation morphologique

watershed qui permet de générer une classification qui soit plus homogène [45].

2.3. Les drones : notions et concepts

Ces dernières années, les aéronefs sans pilote ou encore les drones sont de plus en plus utilisés dans les applications civiles. Par ailleurs, les capteurs d'imagerie hyperspectrale sont devenus de plus en plus miniaturisés et économiquement plus abordables. La combinaison de ces deux technologies, qui étaient auparavant limités aux applications militaires, peut maintenant être considérée comme une solution efficace du point de vue technique et économique par rapport aux solutions classiques.

Dans ce paragraphe, nous présentons une revue des concepts et informations existantes concernant cette plateforme à savoir les différents types de drone, leurs atouts ainsi que leurs limites. Nous abordons également les différentes applications qui ont tiré profit des drones notamment celle qui combine cette technologie avec l’imagerie hyperspectrale.

2.3.1. Définition des drones

Selon Peter van Blyenburgh, Président d’Unmanned Vehicle Systems (UVS)

International, le drone peut être défini comme un véhicule aérien sans pilote motorisé et

réutilisables. Ce type de véhicule peut être contrôlé à distance, d’une façon semi-autonome ou autonome (grâce à un autopilote qui utilise un plan de vol déjà prédéfini). En le comparant aux avions, il est évident que la principale différence entre ces deux systèmes est l’absence physique d’un pilote à l’intérieur de l’aéronef. Toutefois, cela ne signifie pas nécessairement que le drone vole par lui-même de manière autonome. Dans de nombreux cas, l'équipage responsable d'un drone est plus grand que celle d'un avion conventionnel.

Le terme drone est largement utilisé dans le domaine de l'informatique, de la robotique, ainsi que de la photogrammétrie et de la télédétection. Plusieurs synonymes du mot drone peuvent être recensés dans la littérature comme aéronef piloté à distance (Remotely Piloted Aircraft (RPA)), avion téléguidé (Remotely Operated Aircraft (ROA)) ou encore systèmes de véhicule sans pilote (Unmanned Vehicle Systems (UVS)). La FAA