Compression des images hyperspectrales
These en pdf
Table des matières
1 Contexte
1.1 Les contraintes de l’hyperspectral
1.1.1 Pourquoi faire des images hyperspectrales ?
1.1.2 Acquisition des images hyperspectrales
1.1.2.1 Types de capteurs
1.1.2.2 Dégradations typiques sur les données
1.1.3 Espace et satellites
1.1.3.1 Circuits électroniques pour le spatial
1.1.3.2 Acquisition au fil de l’eau et régulation de débit
1.1.3.3 Taille des images
1.1.3.4 Visibilité des stations et stockage bord
1.2 Propriétés des images hyperspectrales
1.2.1 Des dimensions aux propriétés différentes
1.2.2 Problème de la normalisation
1.2.3 Un espace presque vide
1.2.4 Une estimation de l’entropie
1.3 Compression
1.3.1 Notions de base
1.3.1.1 Transformée
1.3.1.2 Codage des coefficients
1.3.1.3 Codeur entropique
1.3.2 État de l’art
1.3.2.1 Compression par quantification vectorielle
1.3.2.2 Codage par transformée
1.3.3 Applications
2 Critères qualité pour les images hyperspectrales
2.1 Taxinomie des critères qualité
2.1.1 Définition
2.1.2 Intérêt pour la compression
2.1.3 Méthodes d’évaluation
2.1.4 Les méthodes bivariantes
2.1.5 Extension isotrope de critères de traitement du signal
2.1.6 Critères orientés hyperspectral
2.1.6.1 Critères basés sur les vecteurs spectraux
2.1.6.2 Maximum Spectral Angle (MSA)
2.1.6.3 Distance de Mahalanobis
2.1.6.4 Similarité spectrale (SS)
2.1.6.5 RMSCCE (Root Mean Squared Correlation Coefficient Error)
2.1.6.6 Valeurs propres
2.1.6.7 Mesures de détectabilité
2.1.7 Critères statistiques évolués
2.1.7.1 Critère Q
2.1.7.2 Fidélité (F)
2.1.7.3 Structural Content (SC)
2.1.7.4 Normalized Cross-Correlation (NCC)
2.1.8 Critères issus de la théorie de l’information
2.1.8.1 Spectral Information Divergence (SID)
2.1.8.2 Information mutuelle
2.2 Démarche proposée pour l’évaluation des critères
2.2.1 Applications de référence
2.2.1.1 Détection d’anomalies
2.2.1.2 Classification
2.2.1.3 Valeurs propres
2.2.2 Images hyperspectrales testées
2.2.3 Dégradations appliquées
2.2.3.1 Bruit blanc gaussien additif
2.2.3.2 Flou
2.2.3.3 Phénomène de Gibbs
2.2.3.4 Compression
2.2.4 Démarche
2.3 Résultats de l’étude
2.3.1 Présentation des résultats
2.3.2 Interprétation graphique et sensibilité des applications
2.3.3 Interprétation des critères de qualité
2.3.4 Évaluation quantitative
2.3.5 Critères de qualité proposés
2.4 Conclusion
3 Compression des images hyperspectrales
3.1 JPEG 2000 pour l’hyperspectral
3.1.1 La norme JPEG 2000
3.1.2 Adaptation aux images hyperspectrales
3.2 Choix de la décomposition optimale
3.2.1 Décomposition anisotropique 3D en ondelettes
3.2.2 Optimisation débit-distorsion
3.2.2.1 Le problème d’allocation
3.2.2.2 Algorithme
3.2.3 Résultats sur les images 2D
3.2.4 Décomposition en ondelettes optimale pour l’hyperspectral
3.2.5 Décomposition fixe
3.3 Structures d’arbres
3.3.1 Idées principales
3.3.2 Principes généraux de EZW et SPIHT
3.3.3 Étude statistique pour le choix de la structure d’arbre
3.3.4 Adaptation de EZW
3.3.5 Adaptation de SPIHT
3.4 Comparaison des résultats
3.5 Variations avec la notation binaire signée
3.5.1 Un inconvénient de EZW
3.5.2 Utilisation de la notation binaire signée
3.5.3 Utiliser les dépendances spatiales
3.6 Conclusion
4 Vers une plus grande flexibilité
4.1 Décomposition et arbre utilisés
4.2 Le codage par groupes
4.2.1 Pourquoi ?
4.2.2 Comment ?
4.3 Permettre la progression en résolution
4.3.1 Introduction de la progression
4.3.2 Illustration sur un exemple
4.3.2.1 Codage progressif en qualité
4.3.2.2 Codage progressif en résolution
4.3.3 Permutation des progressions
4.4 Les désavantages du codage par groupes
4.4.1 Conservation de la progression en qualité
4.4.2 Organisation en couches et débit-distorsion
4.4.3 Connaître la distorsion pendant la compression
4.4.4 La formation du train binaire final
4.5 Résultats
4.5.1 Données
4.5.2 Performances de compression
4.5.3 Flexibilité
4.5.4 Codage de régions d’intérêt
4.6 Conclusions
5 Retour sur les critères qualité
5.1 Représentation des critères qualité
5.1.1 Représentation
5.1.2 Robustesse par rapport à l’amplitude de la dégradation
5.1.3 Robustesse par rapport à l’image utilisée
5.2 Validation
5.2.1 Une distance entre dégradations
5.2.2 Variation de niveau de dégradation (1er cas)
5.2.3 Dégradation inconnue (2ème cas)
5.2.4 Image différente (3ème cas)
5.2.5 Intérêt par rapport au PSNR
5.3 Impact de SPIHT-RA
5.4 Aller plus loin
Conclusion
A DWT
A.1 Implémentation générale
A.1.1 Approche convolutive
A.1.2 Approche lifting
A.2 La transformée entière
A.3 Notation des sous-bandes
B Exemples pour EZW et SPIHT
B.1 Déroulement sur EZW
B.2 Déroulement sur SPIHT
C Utilisation de JPEG2000
C.1 Correction préliminaire
C.2 Décorrélation interbandes par DWT
C.3 Décorrélation interbandes par KLT
C.4 Utilisation de Kakadu
D Données hyperspectrales
D.1 Images utilisées
D.2 Format des données
E Instruments
E.1 Démarche
E.2 Les capteurs actuels
E.2.1 AVIRIS
E.2.2 CASI, CASI-2
E.2.3 CASI-3
E.2.4 MIVIS
E.2.5 Hymap
E.2.6 Hyperion
E.2.7 CHRIS-PROBA
E.2.8 COIS-NEMO
E.2.9 Spectra
E.2.10 Autres capteurs
E.2.11 Résumé
1.1 Les contraintes de l’hyperspectral
1.1.1 Pourquoi faire des images hyperspectrales ?
1.1.2 Acquisition des images hyperspectrales
1.1.2.1 Types de capteurs
1.1.2.2 Dégradations typiques sur les données
1.1.3 Espace et satellites
1.1.3.1 Circuits électroniques pour le spatial
1.1.3.2 Acquisition au fil de l’eau et régulation de débit
1.1.3.3 Taille des images
1.1.3.4 Visibilité des stations et stockage bord
1.2 Propriétés des images hyperspectrales
1.2.1 Des dimensions aux propriétés différentes
1.2.2 Problème de la normalisation
1.2.3 Un espace presque vide
1.2.4 Une estimation de l’entropie
1.3 Compression
1.3.1 Notions de base
1.3.1.1 Transformée
1.3.1.2 Codage des coefficients
1.3.1.3 Codeur entropique
1.3.2 État de l’art
1.3.2.1 Compression par quantification vectorielle
1.3.2.2 Codage par transformée
1.3.3 Applications
2 Critères qualité pour les images hyperspectrales
2.1 Taxinomie des critères qualité
2.1.1 Définition
2.1.2 Intérêt pour la compression
2.1.3 Méthodes d’évaluation
2.1.4 Les méthodes bivariantes
2.1.5 Extension isotrope de critères de traitement du signal
2.1.6 Critères orientés hyperspectral
2.1.6.1 Critères basés sur les vecteurs spectraux
2.1.6.2 Maximum Spectral Angle (MSA)
2.1.6.3 Distance de Mahalanobis
2.1.6.4 Similarité spectrale (SS)
2.1.6.5 RMSCCE (Root Mean Squared Correlation Coefficient Error)
2.1.6.6 Valeurs propres
2.1.6.7 Mesures de détectabilité
2.1.7 Critères statistiques évolués
2.1.7.1 Critère Q
2.1.7.2 Fidélité (F)
2.1.7.3 Structural Content (SC)
2.1.7.4 Normalized Cross-Correlation (NCC)
2.1.8 Critères issus de la théorie de l’information
2.1.8.1 Spectral Information Divergence (SID)
2.1.8.2 Information mutuelle
2.2 Démarche proposée pour l’évaluation des critères
2.2.1 Applications de référence
2.2.1.1 Détection d’anomalies
2.2.1.2 Classification
2.2.1.3 Valeurs propres
2.2.2 Images hyperspectrales testées
2.2.3 Dégradations appliquées
2.2.3.1 Bruit blanc gaussien additif
2.2.3.2 Flou
2.2.3.3 Phénomène de Gibbs
2.2.3.4 Compression
2.2.4 Démarche
2.3 Résultats de l’étude
2.3.1 Présentation des résultats
2.3.2 Interprétation graphique et sensibilité des applications
2.3.3 Interprétation des critères de qualité
2.3.4 Évaluation quantitative
2.3.5 Critères de qualité proposés
2.4 Conclusion
3 Compression des images hyperspectrales
3.1 JPEG 2000 pour l’hyperspectral
3.1.1 La norme JPEG 2000
3.1.2 Adaptation aux images hyperspectrales
3.2 Choix de la décomposition optimale
3.2.1 Décomposition anisotropique 3D en ondelettes
3.2.2 Optimisation débit-distorsion
3.2.2.1 Le problème d’allocation
3.2.2.2 Algorithme
3.2.3 Résultats sur les images 2D
3.2.4 Décomposition en ondelettes optimale pour l’hyperspectral
3.2.5 Décomposition fixe
3.3 Structures d’arbres
3.3.1 Idées principales
3.3.2 Principes généraux de EZW et SPIHT
3.3.3 Étude statistique pour le choix de la structure d’arbre
3.3.4 Adaptation de EZW
3.3.5 Adaptation de SPIHT
3.4 Comparaison des résultats
3.5 Variations avec la notation binaire signée
3.5.1 Un inconvénient de EZW
3.5.2 Utilisation de la notation binaire signée
3.5.3 Utiliser les dépendances spatiales
3.6 Conclusion
4 Vers une plus grande flexibilité
4.1 Décomposition et arbre utilisés
4.2 Le codage par groupes
4.2.1 Pourquoi ?
4.2.2 Comment ?
4.3 Permettre la progression en résolution
4.3.1 Introduction de la progression
4.3.2 Illustration sur un exemple
4.3.2.1 Codage progressif en qualité
4.3.2.2 Codage progressif en résolution
4.3.3 Permutation des progressions
4.4 Les désavantages du codage par groupes
4.4.1 Conservation de la progression en qualité
4.4.2 Organisation en couches et débit-distorsion
4.4.3 Connaître la distorsion pendant la compression
4.4.4 La formation du train binaire final
4.5 Résultats
4.5.1 Données
4.5.2 Performances de compression
4.5.3 Flexibilité
4.5.4 Codage de régions d’intérêt
4.6 Conclusions
5 Retour sur les critères qualité
5.1 Représentation des critères qualité
5.1.1 Représentation
5.1.2 Robustesse par rapport à l’amplitude de la dégradation
5.1.3 Robustesse par rapport à l’image utilisée
5.2 Validation
5.2.1 Une distance entre dégradations
5.2.2 Variation de niveau de dégradation (1er cas)
5.2.3 Dégradation inconnue (2ème cas)
5.2.4 Image différente (3ème cas)
5.2.5 Intérêt par rapport au PSNR
5.3 Impact de SPIHT-RA
5.4 Aller plus loin
Conclusion
A DWT
A.1 Implémentation générale
A.1.1 Approche convolutive
A.1.2 Approche lifting
A.2 La transformée entière
A.3 Notation des sous-bandes
B Exemples pour EZW et SPIHT
B.1 Déroulement sur EZW
B.2 Déroulement sur SPIHT
C Utilisation de JPEG2000
C.1 Correction préliminaire
C.2 Décorrélation interbandes par DWT
C.3 Décorrélation interbandes par KLT
C.4 Utilisation de Kakadu
D Données hyperspectrales
D.1 Images utilisées
D.2 Format des données
E Instruments
E.1 Démarche
E.2 Les capteurs actuels
E.2.1 AVIRIS
E.2.2 CASI, CASI-2
E.2.3 CASI-3
E.2.4 MIVIS
E.2.5 Hymap
E.2.6 Hyperion
E.2.7 CHRIS-PROBA
E.2.8 COIS-NEMO
E.2.9 Spectra
E.2.10 Autres capteurs
E.2.11 Résumé