Module 10 : Analyse d’images hyperspectrales Flashcards
Quelle est la résolution de l’imagerie hyperspectrale?
Haute résolution
Combien de canaux on utilise en imagerie hyperspectrale?
50 à 900
En quoi consiste l’imagerie hyperspectrale?
L’imagerie hyperspectrale consiste en une acquisition simultanée d’images en de nombreuses bandes spectrales étroites et contiguës.
Nommez des caractéristiques de l’imagerie hyperspectrale (4)
- Très haute résolution spectrale (10nm)
- Permet d’extraire des informations sur les substances composant les matériaux imagés
- Nombre de bandes assez grand donc les différences plus fines entre les signatures qui semblent similaires sont visibles (permet de discriminer les classes)
- Résolution spatiale variable : 17m, 506m, 15m, 30m…
Comment les données hyperspectrales sont-elles visualisées généralement?
Sous la forme de cube de données.
C’est quoi un spectromètre?
Appareil destiné à la mesure de la répartition d’un rayonnement complexe en fonction de la longueur d’onde ou de la fréquence s’il s’agit d’ondes, de la masse ou de l’énergie des particules individuelles s’il s’agit de particules.
Que peut-on faire avec des données hyperspectrales? (applications)
- Suivi des cultures
- Suivi et contrôle du stress de la végétation,
- Déversement d’hydrocarbures et autres composants chimiques,
- Industrie minière,
- Détection de changement dans la composition minéral des sols,
- Intervention sur les zones de catastrophe,
- Aménagement des terres,
- Sécurité alimentaire,
et plus encore
Avantage des données hyperspectrales?
- Résolution spectrale améliorée
- Bonne résolution spatiale
Quel problème cause le nombre important de bandes présentes dans les images hyperspectrales?
Temps de traitement des données vrm fucken long
Quel est le Fléau de la dimension?
nos affichages sont toujours en RVB -> 3 dimensions représentées. On rencontre des problèmes quand lorsque on cherche à analyser ou organiser des données dans des espaces dont la dimension est grande relativement au nombre d’observations.
Quel est le problème lié à la dimension des données hyperspectrales?
Lorsque le nombre de dimensions augmente, le volume de l’espace croît rapidement si bien que les données se retrouvent « isolées » et deviennent éparses (surclassification).
Vrai ou faux? Sur le plan statistique, plus on a de dimensions analysées, plus il faut d’échantillons pour arriver à une convergence
Vrè
Problèmes liés aux données hyperspectrales? (5)
- Compression et transmission des données
- Il y a une forte redondance dans les données
- Images généralement bruitées
- Comment extraire l’information pertinente de toutes ces données?
- Quelles bandes utiliser pour quels besoins?
Quels prétraitements doivent être faits pour exploiter les images hyperspectrales?
- Réduction de la dimensionnalité
- Sélection des bandes
- Extraction des Endmembers
C’est quoi un endmember?
Endmember : composant « pur » présentant une signature spectrale pure et idéale, utilisé pour identifier des classes spectrales.
Quels genre de traitements on peut faire sur des images hyperspectrales?
- Détection d’anomalies (Connaissant la signature des éléments ‘attendus’ (sécurité alimentaire))
- Détection de cibles
- Analyse des pixels mixtes (classification, quantification, identification)
- Compression de données
- Caractérisation de signature spectrale
Quelles sont les principales techniques pour faire la réduction des données? (Réduction de la dimension spectrale)
- Analyse en composantes principales
- Transformée en ondelettes
C’est quoi le but de l’analyse en composantes principales?
Réduire le nombre de dimensions (bandes) et produire une compression de l’information de plusieurs bandes dans un nombre plus restreint de bandes.
Ces nouvelles bandes s’appellent composantes principales.
Transformation orthogonale du système d’axes qui vise à rassembler, statistiquement, le plus d’information possible dans un nombre le plus restreint possible de dimensions.
Comment on fait la sélection des bandes pour l’analyse en composantes principales? (techniques)
- Sélection uniforme des bandes
- Sélection basée sur des statistiques (moyenne, variance, dissymétrie, aplatissement…)
- Sélection contrainte des bandes (liée à la corrélation)
Comment procède a méthode Spectral Angle Mapper?
On compare la signature spectrale du pixel avec une signature spectrale connue (déterminée au laboratoire ou sur le terrain avec un radiomètre).
- Les signatures spectrales du pixel et de la référence sont représentées par des vecteurs
- La méthode consiste à calculer l’angle entre ces 2 vecteurs
Dans quels cas la méthode Spectral Angle Mapper fonctionne-t-elle bien?
Dans des zones où la surface est homogène.
Quel est le résultat de la classification Spectral Angle Mapper?
Le résultat de la classification SAM est une image présentant le meilleur match pour chaque pixel.
C’est quoi un pixel mixte?
Un mélange de plusieurs signatures au sein d’un pixel.
C’est quoi le démixage spectral?
Le démixage spectral consiste à déterminer les proportions de chaque composant commun au sein du pixel.
Comment s’effectue le démixage spectral? (Étapes)
- Décomposition du pixel en ses différents matériaux de base (endmembers)
- Détermination de la proportion (i.e. abondance) de chaque endmember dans le pixel
- Hypothèse: Proportions spatiales = proportions spectrales
Comment on fait pour sélectionner des endmembers?
- Bibliothèques de signatures spectrales
- Acquisition de signatures spectrales in-situ en utilisant un spectroradiomètre portatif
- Extraction des pixels « purs » directement à partir de l’image (s’il en existe). Nécessite une reconnaissance sur le terrain.
C’est quoi la méthode Pixel Purity Index?
C’est la recherche de pixels purs dans l’espace multidimensionnel des paramètres. Ils sont généralement situés aux extrémités.