Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
35 personnes membres du GdR ISIS, et 23 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 100 personnes.
L'imagerie hyperspectrale a connu des forts développements au cours de la dernière décennie. L'acquisition d'un grand nombre de bandes spectrales offre de nouvelles informations très détaillées sur les scènes observées. Ceci ouvre la voie vers de nouvelles utilisations des images, en élargissant les possibilités de détection et d'identification dans des domaines d'application civils et militaires. A l'heure où les problématiques environnementales deviennent des enjeux importants, l'imagerie hyperspectrale est capable de fournir des informations complémentaires afin de mieux connaître l'état des écosystèmes.
L'objectif de cette journée organisée conjointement par le GdR ISIS et la CCT TSI du CNES est de mettre en avant des algorithmes innovants permettant de valoriser la donnée hyperspectrale, de montrer comment exploiter ces informations qui ne sont pas accessibles via d'autres capteurs, et de faire un point sur des cas d'applications originales de l'imagerie hyperspectrale. Les exposés permettront d'identifier quels sont les verrous en hyperspectral sur les systèmes imageurs, les applications, les méthodes et les algorithmes.
La journée comportera des "exposés" sur proposition des communautés signal/image, télédétection et géomatique.
Les membres du GdR-ISIS sont priés de s'inscrire sur le site du GdR. Toute autre personne intéressée par cette journée est invitée à contacter les organisateurs.
Compte tenu de la capacité d'accueil de la salle et des participants inscrits via la CCT TSI, les inscriptions sont maintenant closes pour cette réunion.
Important : cette journée aura lieu à l'INP-ENSEEIHT à Toulouse. Les informations pour s'y rendre et un plan d'accès sont disponibles en ligne (10 minutes à pied depuis la gare SNCF Toulouse-Matabiau ou depuis la station Jean-Jaurès accessible en navette depuis l'aéroport de Toulouse-Blagnac).
09h00 - 09h30 : Accueil
09h30 - 09h45 : Présentations introductives (GdR ISIS & CCT CNES TSI)
09h45 - 10h25 : Rodophe Marion (CEA)
Apport de l'imagerie hyperspectrale pour l'étude des sites industriels
10h25 - 11h05 : Audrey Minghelli (Université de Toulon, LSIS)
Utilisation des images hyperspectrales en zones côtières : potentiel et limites
11h05 - 11h20 : Pause
11h20 - 11h40 : Tristan Petit (Ifremer, DYNECO)
Hyperspectral remote sensing of coral reefs by semi-analytical model inversion - comparison of inversion schemes
11h40 - 12h00 : Xavier Briottet (ONERA, Centre de Toulouse)
Hyperspectral Imagery for Environmental urban Planning : HYEP
12h00 - 12h30 : Présentations orales des posters ("Spotlight talks")
12h30 - 13h30 : Repas
13h30 - 14h30 : Session posters
14h30 - 15h10 : Hervé Carfantan (Université de Toulouse, IRAP)
Problématiques de l'imagerie hyperspectrale pour des observations en astrophysique depuis le sol
15h10 - 15h30 : Vincent Mazet (Université de Strasbourg, ICube)
Décomposition conjointe de spectres en imagerie multispectrale astronomique
15h30 - 15h50 : Arnaud Le Bris (IGN, MATIS)
Occupation du sol fine en milieu urbain
15h50 - 16h05 : Pause
16h05 - 16h25 : Eugénie Terreaux (Centralesupélec, SONDRA)
Le problème de la grande dimension pour la détection et l'estimation sur une image hyperspectrale
16h25 - 16h45 : Cécile Louchet (Université d'Orléans, MAPMO)
Segmentation d'images hyperspectrales utilisant des estimations par noyaux de densité fonctionnelle
16h45 - 17h05 : Hilda Deborah (Université de Poitiers, XLIM)
New Bidimensional and Tridimensional Representations for Hyperspectral Image Analysis
17h05 - 17h35 : Discussion
Rodophe Marion
CEA
Les sites industriels sont à l'origine d'importantes quantités de rejets (e.g., effluents atmosphériques, stockage de résidus solides, rejets liquides et boues) ayant un impact direct sur l'environnement et la santé. La caractérisation de ces rejets représente donc un enjeu majeur en termes de suivi de la qualité de l'air, des sols et des eaux. La télédétection hyperspectrale fait partie des nouveaux outils disponibles pouvant contribuer à la détection, à la localisation et à la cartographie des polluants générés par ces activités anthropiques. Au cours de cette présentation, nous illustrerons l'apport de cette technique pour la détection des fumées industrielles (gaz et aérosols) et l'identification des minéraux marqueurs des procédés mis en jeu dans les usines.
Audrey Minghelli
Université de Toulon, LSIS
L'imagerie hyperspectrale est également utilisée en couleur de l'eau, et particulièrement en zones côtières. Dans cet exposé, nous présenterons les données hyperspectrales aériennes et satellitaires, ce qu'apporte l'hyperspectral par rapport au multispectral, les applications de l'hyperspectral en zones côtières, les méthodes et les différentes sources d'incertitudes.
Tristan Petit1, Touria Bajjouk1, Pascal Mouquet2, Sebastien Rochette1, Benoit Vozel3 et Christophe Delacourt2
1Ifremer, DYNECO, 2Université de Bretagne Occidentale, LDO, 3Université de Rennes 1, IETR
Coral reefs occupy a very small part of the ocean but the tremendous biodiversity that they offer makes them a very important ecosystem. Unfortunately, because of multiple factors such as global warming, sea acidification or erosion of seabed, more than 60 percent of the world's reefs are considered under immediate threat. It is thus essential to develop tools that enable an adequate monitoring of coral reef communities. Optical remote sensing, in particular the high spectral and spatial resolutions offered by airborne hyperspectral imaging, has strong potential for becoming a powerful large-scale monitoring tool of coral reef communities. In the late 90s, methods based on radiative transfer model inversion have shown promising results to extract information about seabed, depth and water column from the hyperspectral observation. However, low signal-to-noise ratio (SNR) combined to environmental variability makes the design of an optimal processing algorithm very difficult. Here we selected a state of the art forward semi analytical model and compared different inversion schemes, each one having its own theoretical strengths and weaknesses regarding the different confounding factors. More specifically, six inversion schemes were implemented, corresponding to the combinations between (i) three cost functions: Least Square (LS), Spectral Angle Mapper (SAM) and Least Square on spectral Derivative (LSD) and (ii) two physical constraints imposed on the seabed retrieval: Abundance Sum-to-one Constraint (ASC) and its Relaxed version RASC. We tested the performances of the six algorithms on hyperspectral images acquired over La Reunion reefs. Results were evaluated in terms of bottom depth and seabed abundances.
Xavier Briottet, en collaboration avec les partenaires du projet ANR HYEP
ONERA, Centre de Toulouse
Le projet HYEP financé par l'ANR (défi 6 système urbain et mobilité) a pour objectif de démontrer l'intérêt de capteurs hyperspectraux de seconde génération comme le capteur hyperspectral français (mission HYPXIM) pour l'étude des systèmes urbains. Cette mission propose des acquisitions hyperspectrales avec une résolution spatiale de 8m simultanément avec une voie panchromatique de résolution spatiale 1.8m. Ces produits hyperspectraux apportent à la multiplicité des satellites d'observation multispectraux des capacités spectrales et radiométriques remarquables notamment en milieu urbain. Le déroulement de l'ANR a permis de comparer les résultats de deux méthodes de correction atmosphérique à différentes résolutions (G. Roussel et al.). Elles sont définies selon des hypothèses variables et fournissent des résultats intéressants dans le cadre de classifications. L'ANR a aussi permis d'approfondir la réflexion sur les bases de données spectrales utilisables en traitement d'image pour valider les informations spectrales obtenues, valider les classes d'occupation ou d'utilisation du sol ou encore fournir des éléments de connaissance pour des algorithmes d'apprentissage. Des développements morpho-spectraux sont en cours pour identifier et extraire les caractéristiques physiques et géométriques des composants urbains (Gadal et al.) D'un point de vue méthodologique, dans le cadre de plusieurs travaux de thèse en cours, des développements ont été entrepris sur les méthodes de démélange, de fusion d'images panchromatique et hyperspectrale ou d'apprentissage par les diverses équipes impliquées. La présentation a pour but de présenter les principaux résultats obtenus à mi parcours.
Amina Ben Hamida et Alexandre Benoit
Université Savoie Mont Blanc, LISTIC
Dans le domaine multimédia, et en particulier pour la compréhension automatique du contenu des images, le « deep learning », ou apprentissage profond, est actuellement en train de supplanter toutes les autres approches. L'exposé envisagé se propose d'explorer comment le deep learning peut être utilisé dans le cas de l'imagerie hyperspectrale. Plus précisément, nous proposons une nouvelle architecture à base de réseau neuronal convolutionnel où les premières couches du réseau présente une structure tri-dimensensionnelle permettant de traiter conjointement les dimensions spatiales et la dimension fréquentielle. Cette approche est testée sur les images AVIRIS de l'université de Pavia. Nous étudions l'influence des paramètres du réseau et montrons que le traitement conjoint fréquence/espace fournit de meilleures performances qu'un traitement marginal de chaque composante, tout en réduisant le nombre de paramètres du réseau profond.
Axel Boulais, Yannick Deville et Olivier Berné
Université de Toulouse, IRAP
In astrophysics, hyperspectral images have become a common data type. For such data, each pixel is associated with an emission spectrum resulting from the mixture (which is assumed linear instantaneous) of the various components along the line of sight of the instrument. The study of the observed regions therefore involves the decomposition of the hyperspectral cube into a set of elementary spectra and associated abundance maps. Hyperspectral unmixing corresponds to a typical Blind Source Separation (BSS) problem, where the observed spectra, the elementary spectra and their associated abundance maps are respectively called, according to the BSS terminology, observations, mixing coefficients and sources.
Our work deals with a geometrical method for solving the hyperspectral unmixing problem in astrophysics. The method is based on a weak sparsity condition: for each source, there should exist at least one observed vector where only this source is non-zero. The method does not require but allows the sum-to-one constraint per pixel for the abundance maps. Considering each observed vector as an element of a vector space, the scatter plot of these vectors yields a simplicial cone. The identification of the edges of this simplicial cone provides an estimate of the scaled mixing coefficients. The observations being non-negative, our approach to find these edges is to successively identify the observed vectors which are furthest apart in the angular sense. The sources are finally reconstructed from the observed vectors and mixing coefficients with a non-negative least square algorithm. The proposed method, called MASS (Maximum Angle Source Separation), is effective for possibly correlated but linearly independent sources.
To evaluate the performance of our method, we conduct two types of experiments, one with synthetic data and the other one with real data. The different synthetic cubes are generated so as to simulate realistic spatial distributions of sources. Several sparsity factors are tested in order to evaluate the robustness of MASS to the presence of more or less pure pixels. Noise at several levels (between 10 and 30 dB to be consistent with astronomical observations) is also added to the data. The real data are from the Spitzer space observatory. The observed region is NGC7023-NW, a well studied reflection nebula.
The above tests on synthetic data show the efficiency of MASS despite a decrease of performance for a high noise level. The experiment on real data provides very similar results to those given by Non-negative Matrix Factorisation, allowing us to cross-validate the results of both methods, without ground truth. Furthermore, MASS is more attractive because it does not need to be initialized and yields a unique solution. The obtained results are encouraging and motivate us to continue this work by making the MASS method more robust to noise.
Frédéric Bousefsaf, Mohamed Tamaazousti, Souheil Hadj Said et Rémi Michel
CEA-LIST
Julien Rannou et Le Brun Gay
Paramount Advanced Technologies SAS, Aix en Provence
Paramount Advanced Technologies SAS Imagine, conçoit, prototype et fabrique des équipements et des solutions photoniques dédiées à la surveillance et à la métrologie notamment le système SIGAL de détection de fuites de gaz à distance. Quel que soit le type d'application : Sécurité, Surveillance de l'environnement, protection contre les accidents chimiques industriels, prévention, ces applications demandent des capteurs avec des fonctionnalités et des performances accrues. Les imageurs infrarouge hyperspectraux développés et commercialisés par Paramount Advanced Technologies mettent en oeuvre une technologie innovante pour fournir des solutions sans précédents dans la détection de gaz à distance.
Depuis 2001, ATE et maintenant Paramount Advanced Technologies développent et commercialisent des capteurs hyperspectraux utilisant l'imagerie infrarouge passive pour détecter des nuages de gaz en mesurant l'énergie collectée depuis la scène dans le domaine spectral infrarouge. Depuis le début du développement, de nombreuses contraintes ont été prises en compte : Le système a comme cible le marché civil, un nombre important de gaz différents peut être détecté, des technologies fiables et bas coût (infrarouge non refroidi en bande LWIR) ont été utilisées, la possibilité d'intégrer le système dans un petit porteur (drone, avion léger ou hélicoptère) a été envisagée dès les premiers équipements.
La détection à distance, l'identification, la quantification, la localisation et la visualisation de produits chimiques à l'état gazeux, sont des besoins essentiels dans de nombreux secteurs de l'industrie. L'imagerie hyperspectrale offre des capacités incomparables pour répondre aux besoins de ces différents marchés.
Antoine Monmayrant1, Simon Lacroix1, Hervé Carfantan2
1Université de Toulouse, LAAS, 2Université de Toulouse, IRAP
An adaptive, hyperspectral imager is presented. We propose a system with easily adaptable spectral resolution, adjustable acquisition time, and high spatial resolution which is independent of spectral resolution. The system yields the possibility to define a variety of acquisition schemes, e.g. video rate acquisition of rapidly adjustable, monochromatic images. In particular, it enables near snapshot acquisitions that may be used to measure the spectral content of given or automatically detected regions of interest. The proposed system is modelled and simulated, and tests on a first prototype validate the approach to achieve near snapshot spectral acquisitions without resorting to any computationally heavy post-processing, nor cumbersome calibration.
Charlotte Revel1,2, Yannick Deville1, Véronique Achard2, Xavier Briottet2
1Université de Toulouse, IRAP, 2ONERA Toulouse
Dans le domaine de l'imagerie hyperspectrale, les méthodes de démélange sont souvent utilisées pour analyser la composition des pixels. De telles méthodes supposent habituellement qu'une unique signature spectrale, appelée pôle de mélange ou endmember, peut être associée à un matériau pur dans la scène. Une telle hypothèse n'est plus valide pour les matériaux qui présentent de la "variabilité intra-classe". Cette variabilité peut être due: aux conditions d'illumination, à l'usure des matériaux, aux variations de composition chimique. Nous proposons une nouvelle méthode basée sur l'hypothèse de mélange linéaire et qui prend en compte la variabilité intra-classe. Pour cela, il a fallu développer un nouveau modèle de mélange. Dans ce modèle nous introduisons non seulement un facteur d'échelle entre les spectres représentant un matériau, comme le font certains modèles récemment développés, mais aussi d'autres types de variations. A présent, un matériau pur n'est plus caractérisé par un unique spectre sur toute l'image, mais par un jeu de spectres (1 spectre par pixel). Une méthode a été développée pour effectuer le démélange en utilisant ce nouveau modèle. Elle se base sur le principe des méthodes de factorisation en matrices non-négatives (NMF). Cette nouvelle méthode, appelée IP-NMF (Inertia-constrained Pixel by pixel NMF), a été testée sur des données semi-synthétiques afin d'étudier l'impact des différents paramètres. Ces données semi-synthétiques sont construites à partir de spectres extraits d'une image hyperspectrale. Ils décrivent donc de manière pertinente le type de variabilités que l'on peut observer dans des images "réelles". On démontre par ces tests l'intérêt de la prise en compte de la variabilité intra-classe et de notre méthode de démélange.
Yingying Song1, David Brie1, El-Hadi Djermoune1 et Simon Henrot2
1Université de Lorraine, CRAN, 2Thales Alenia Space
This work aims at studying a method to automatically estimate regularization parameters of non-negative hyperspectral images deconvolution methods. The hyperspectral image deconvolution problem arises in different types of situations including microscopy, astronomy and industrial imaging systems. It is formulated as a multi-objective optimization problem and the properties of the corresponding response surface are studied. Based on these properties, the minimum distance criterion (MDC) and the maximum curvature criterion (MCC) are proposed to estimate regularization parameters especially for the non-negativity constrained deconvolution problem. MDC has good theoretical properties (convexity, uniqueness, robustness) but requires to choose a reference point. On the contrary, MCC does not need to choose any reference point but does not have interesting theoretical properties. A grid search based approach to minimize the computational cost of MDC and MCC is proposed. It results in fast approaches to estimate the regularization parameters. Based on simulated 2D images, the proposed approaches are compared to state-of-the-art methods, confirming the effectiveness of the MDC and MCC for the non-negativity constrained image deconvolution problem. In the case of the hyperspectral image, the fast MDC yields better performances than the fast MCC.
Pierre-Antoine Thouvenin, Nicolas Dobigeon et Jean-Yves Tourneret
Université de Toulouse, INP-ENSEEIHT, IRIT
Hyperspectral unmixing consists in determining the reference spectral signatures composing a hyperspectral image and their relative abundance fractions in each pixel. In practice, the identified signatures may be affected by a significant spectral variability resulting for instance from the temporal evolution of the imaged scene. This phenomenon can be accounted for by using a perturbed linear mixing model. This paper studies an online estimation algorithm for the parameters of this extended linear mixing model. This algorithm is of interest for the practical applications where the size of the hyperspectral images precludes the use of batch procedures. The performance of the proposed method is evaluated on synthetic data.
Junshi Xia1, Lionel Bombrun1, Tulay Adali2, Yannick Berthoumieu1 et Christian Germain1
1Université de Bordeaux, IMS, 2University of Maryland Baltimore County, USA
Classification is one of the most important techniques for hyperspectral remote sensing image analysis. However, in the supervised case, classification of hyperspectral images raises three kinds of issue:
In order to alleviate these difficulties, we propose a novel spectral-spatial method, i.e., a method taking into account spatial neighborhood, in contrast to pixel-wise method. The proposed approach combines ensemble of independent component analysis (ICA) and edge-preserving filtering (EPF). The main steps are summarized as follows:
Experimental results, conducted on two hyperspectral data with different resolutions and different contexts, reveal that the proposed methods are competitive with other state-of-art spectral-spatial classifiers. A sensitivity analysis of the proposed classifiers is also performed.
Hervé Carfantan
Université de Toulouse, IRAP
L'imagerie hyperspectrale en astrophysique est maintenant une réalité grâce à l'instrument MUSE installé sur un des télescopes de 8m du VLT. Cet instrument spectro-imageur fournit des cubes de données constitués d'images de 300x300 pixels (champs de 1x1 arcmin) à près de 4000 longueurs d'onde dans le visible et proche infra-rouge. Les problématiques de traitement et d'analyse de données hyperspectrales associées à ce type de données diffèrent fortement de celles associées aux données d'observation de la terre, d'une part à cause de différences entre les systèmes d'acquisition (réponse instrumentale, bruit...), d'autre part dues aux caractéristiques des objets observés (champs d'étoiles, galaxies...). J'essayerai de dresser une cartographie des particularités de ces données, tant au niveau des caractéristiques instrumentales que celles des objets observés, ainsi que des méthodes de traitement et d'analyse de données associées.
Vincent Mazet et Sylvain Faisan
Université de Strasbourg, ICube
En astronomie, l'imagerie multispectrale permet peut être utilisée pour estimer la cinématique des galaxies. En effet, les galaxies étant des structures de gaz évoluant à très grande vitesse (de l'ordre de 1000 km/s), les raies d'émission des gaz sont décalées en longueur d'onde en raison de l'effet Doppler et proportionnellement à leur vitesse. Si plusieurs structures de cinématiques différentes sont observées dans un même pixel, alors il y aura plusieurs occurrences des raies d'émission à différentes longueurs d'onde. En observant une galaxie grâce à l'imagerie multispectrale, autour d'une unique raie d'émission, on pourra retrouver la cinématique des structures de gaz la composant en chaque pixel. Notre objectif est de décomposer chaque spectre de l'image, c'est-à-dire d'estimer le nombre et les paramètres des raies (décalage, amplitude, etc.). Nous montrerons qu'une décomposition des spectres faite indépendamment des spectres voisins dans l'image est à proscrire car le résultat manque de cohérence spatiale. Aussi, nous proposons un modèle bayésien qui tient compte de l'évolution lente des raies entre deux pixels voisins. L'estimation des inconnues est obtenue grâce à un algorithme RJMCMC.
Arnaud Le Bris
IGN, MATIS
La description de l'occupation du sol permet en effet de produire un certain nombre d'indicateurs environnementaux pour la gestion des écosystèmes et des territoires, en réponse à différents besoinssociétaux, réglementaires et scientifiques. Aussi, différentes bases de données décrivant l'occupation du sol existent à différents niveaux (mondial, européen, national, régional ou local) ou sont en cours de constitution, à l'instar de l'Occupation du Sol à Grande Echelle de l'IGN. Il est toutefois apparu que, dans les zones urbaines, la connaissance de l'occupation du sol nécessaire pour certaines applications de modélisation de la ville (simulateurs de micro-météorologie, d'hydrologie, ou de suivi de pollutions), voire de suivi réglementaire (imperméabilisation des sols) doit être plus fine (tant au niveau sémantique qu'au niveau spatial) que ce que contiendra cette base de données. Ainsi, la modélisation fine du milieu urbain nécessite pour certaines applications une connaissance géospatiale des matériaux en présence.
La télédétection apparaît comme la seule solution permettant de produire de telles cartes de matériaux. Néanmoins, du fait de la forte hétérogénéité des matériaux en présence, de leur importante variabilité, mais aussi des fortes ressemblances entre classes distinctes, les capteurs optiques multispectraux "classiques" (ne comportant que les 4 canaux rouge - vert - bleu - proche infrarouge) ne sont pas suffisants pour les discriminer correctement. Un capteur hyperspectral ou superspectral, c'est-à-dire plus riche spectralement, pourrait donc apporter une solution à cette limite. Des travaux d'optimisation spectrale ont donc été menés dans l'optique de la conception d'un capteur superspectral aéroporté : cela a consisté à identifier, à partir de librairies de spectres de référence, de bonnes configurations spectrales (c'est-à-dire le nombre de bandes, leur position dans le spectre ainsi que leur largeur) pour la classification des matériaux urbains. Ces expériences d'optimisation spectrale seront présentées.
Des expériences de classification menées (à l'aide d'algorithmes de classification supervisée classiques) sur la ville de Toulouse à partir des images hyperspectrales de la campagne d'acquisition UMBRA seront également présentés.
Eugénie Terreaux1, Jean-Philippe Ovarlez2 et Frédéric Pascal3
1CentraleSupélec, SONDRA, 2ONERA, DEMR/TSI, Palaiseau, 3CentraleSupélec, L2S
La présentation porte sur les résultats obtenus dans le cadre de la thèse "Théorie des Matrices Aléatoires pour l'Imagerie Hyperspectrale", actuellement en cours, au laboratoire SONDRA. Les travaux qui seront présentés traitent de la détection d'anomalies dans une image hyperspectrale, plus précisément sur l'estimation correcte de la dimension du sous-espace signal. Ces travaux comparent également quelques résultats obtenus entre une méthode issue de la théorie des matrices aléatoires et une méthode plus "classique".
Cécile Louchet et Laurent Delsol
Université d'Orléans, MAPMO
Les images hyperspectrales donnent en chaque pixel un grand vecteur de données spectrales pouvant être interprétées comme les échantillons d'une fonction continue ; les outils de statistiques fonctionnelles y sont donc bien adaptés. Dans cet exposé, c'est le problème de la segmentation d'images hyperspectrales que nous envisageons sous l'angle de la statistique fonctionnelle : nous modifions le terme d'attache aux données du modèle de Mumford et Shah pour l'apprendre en ligne au travers d'une estimation par noyau de la densité fonctionnelle de chaque région. Nous proposons un algorithme simple de descente stochastique capable de trouver le minimum local de l'énergie attachée à notre modèle. Nos expériences numériques démontrent le bon comportement de notre algorithme.
Hilda Deborah et Noel Richard
Université de Poitiers, XLIM
In the pursuit of developing metrological tools for hyperspectral data, our objective is to preserve spectral complexity in the processing chain and to not reduce systematically the number of channels in the preprocessing step. For such objective, the distance-based nonlinear processing offers powerful solutions. In this work, we develop one particular aspect of the distance-based analysis for hyperspectral images which allows us to represent spectral variations in bidimensional or tridimensional representations. A spectrum is not a basic multivariate data. This is especially the case for hyperspectral data since the spectral sampling is important in regards to spectral variations. A spectrum (citation) must be considered as a series, and not as a vector nor probability density function. Such consideration induces the need to define suitable similarity or distance measure. The point of view presented in this work is a starting point for new distance-based full-band processing dedicated for hyperspectral images, e.g. pattern spectrum, spectral granulometry, etc. The proposed representations also allows us to imagine new ways for spectral classification task.
Date : 2016-04-18
Lieu : Amphithéâtre B00, INP-ENSEEIHT, Toulouse
Thèmes scientifiques :
B - Image et Vision
Inscriptions closes à cette réunion.
Accéder au compte-rendu de cette réunion.
(c) GdR IASIS - CNRS - 2024.