Filtering, dimensionality reduction, classification and morphological segmentation of hyperspectral images - Archive ouverte HAL Access content directly
Theses Year : 2008

Filtering, dimensionality reduction, classification and morphological segmentation of hyperspectral images

Filtrage, réduction de dimension, classification et segmentation morphologique hyperspectrale

(1)
1
Guillaume Noyel

Abstract

Hyperspectral image processing is the generalization of analysis of color images, having three components red, green and blue, to multivariate images having several tens or hundreds of components. In a general way, hyperspectral images are not only acquired in the domain of wavelengths but correspond to a pixel description by a set of values: i.e. a vector. Each one of the components of an hyperspectral image is a spectral channel, and the vector which is associated to each pixel is called spectrum. In order to validate the generality of our processing methods, we have applied them to several kinds of imageries corresponding to the most various hyperspectral images : some pictures with a few tens of components acquired in the domain of wavelengths, some satellite images of remote sensing, some temporal series of Dynamic Contrast Enhanced Magnetic Resonance Imagery (DCE-MRI) and some temporal series of thermal imagery. During this PhD, we have developed a complete chain for automatic segmentation of hyperspectral images by morphological technics. In order to realize it, we have perfected an efficient method of spectral denoising using Factor Correspondence Analysis (FCA). This method preserves spatial contours, which is very useful for morphological segmentation. Then, we have reduced the dimension of the image using data analysis methods, or using spectral modelling, in order to get another representation of the image with a reduced number of channels. Starting from this image of smaller dimension, we have made a classification (supervised or not) in order to group pixels into homogeneous spectral classes. However, the obtained classes being not spatially homogeneous, i.e. connected, a segmentation stage is necessary. We have demonstrated that the recent method of the Probabilistic Watershed is particularly adapted to the segmentation of hyperspectral images. It is based on different realizations of markers, conditioned by the spectral classification, to get some realizations of contours by Watershed. These contours realizations ensure the estimate of a probability density function (pdf) which is very easy to segment by a standard Watershed. Finally, the probabilistic Watershed is conditioned by the spectral classification. Therefore, it produces spatio-spectral segmentations with very smooth contours. This treatment chain has been applied on series of DCE-MRI and gives us the possibility to build an automatic method for computer aided detection of cancerous tumors. Moreover, some other segmentation approaches have been developed for hyperspectral images: η-bounded regions and µ-geodesic balls. Thanks to the introduction of regional information, they improve the segmentations by quasi-flat zones which are only based on local information. Finally, we have perfected a very efficient method to compute all the pixels pairs of geodesic distances in an image. It reduces until 50 % the number of operations compared to a naïve approach and until 30 % compared to other methods. The efficient computation of this table of distances opens very promising perspectives for spatio-spectral dimensionality reduction.
Le traitement d'images hyperspectrales est la généralisation de l'analyse des images couleurs, à trois composantes rouge, vert et bleu, aux images multivariées à plusieurs dizaines ou plusieurs centaines de composantes. Dans un sens général, les images hyperspectrales ne sont pas uniquement acquises dans le domaine des longueurs d'ondes mais correspondent à une description d'un pixel par un ensemble de valeurs : c'est à dire un vecteur. Chacune des composantes d'une image hyperspectrale constitue un canal spectral, et le vecteur associé à chaque pixel est appelé spectre. Pour valider la généralité de nos méthodes de traitement, nous les avons appliquées à plusieurs types d'imagerie correspondant aux images hyperspectrales les plus variées : des photos avec quelques dizaines de composantes acquises dans le domaine des longueurs d'ondes, des images satellites de télédétection, des séries temporelles d'imagerie par résonance dynamique (DCE-MRI) et des séries temporelles d'imagerie thermique. Durant cette thèse, nous avons développé une chaîne complète de segmentation automatique des images hyperspectrales par des techniques morphologiques. Pour ce faire, nous avons mis au point une méthode efficace de débruitage spectral, par Analyse Factorielle des Correspondances (AFC), qui permet de conserver les contours spatiaux des objets, ce qui est très utile pour la segmentation morphologique. Puis nous avons fait de la réduction de dimension, par des méthodes d'analyse de données ou par modélisation des spectres, afin d'obtenir un autre représentation de l'image avec un nombre restreint de canaux. A partir de cette image de plus faible dimension, nous avons effectué une classification (supervisée ou non) pour grouper les pixels en classes spectralement homogènes. Cependant, les classes obtenues n'étant pas homogènes spatialement, i.e. connexes, une étape de segmentation s'est donc avérée nécessaire. Nous avons démontré que la méthode récente de la Ligne de Partage des Eaux Probabiliste était particulièrement adaptée à la segmentation des images hyperspectrales. Elle utilise différentes réalisations de marqueurs aléatoires, conditionnés par la classification spectrale, pour obtenir des réalisations de contours par Ligne de Partage des Eaux (LPE). Ces réalisations de contours permettent d'estimer une fonction de densité de probabilité de contours (pdf) qui est très facile à segmenter par une LPE classique. En définitive, la LPE probabiliste est conditionnée par la classification spectrale et produit donc des segmentations spatio-spectrales dont les contours sont très lisses. Cette chaîne de traitement à été mise en œuvre sur des séquences d'imagerie par résonance magnétique dynamique (DCE-MRI) et a permis d'établir une méthode automatique d'aide au diagnostic pour la détection de tumeurs cancéreuses. En outre, d'autres techniques de segmentation spatio-spectrales ont été développées pour les images hyperspectrales : les régions η-bornées et les boules µ-géodésiques. Grâce à l'introduction d'information régionale, elles améliorent les segmentations par zones quasi-plates qui n'utilisent quant à elles que de l'information locale. Enfin, nous avons mis au point une méthode très efficace de calcul de toutes les paires de distances géodésiques d'une image, puisqu'elle permet de réduire jusqu'à 50 % le nombre d'opérations par rapport à une approche naïve et jusqu'à 30 % par rapport aux autres méthodes. Le calcul efficace de ce tableau de distances offre des perspectives très prometteuses pour la réduction de dimension spatio-spectrale.
Fichier principal
Vignette du fichier
These_Guillaume_Noyel_s.pdf (34.97 Mo) Télécharger le fichier
Loading...

Dates and versions

pastel-00004473 , version 1 (15-12-2008)

Identifiers

  • HAL Id : pastel-00004473 , version 1

Cite

Guillaume Noyel. Filtrage, réduction de dimension, classification et segmentation morphologique hyperspectrale. Mathématiques [math]. École Nationale Supérieure des Mines de Paris, 2008. Français. ⟨NNT : 2008ENMP1558⟩. ⟨pastel-00004473⟩
1360 View
2368 Download

Share

Gmail Facebook Twitter LinkedIn More