Un modèle bayésien pour le démélange, la segmentation et la classification robuste d’images hyperspectrales

English. Classification and spectral unmixing are two methods to extract information from hyperspectral images. Nonetheless, it is very unusual to find a joint approach of this two complementary interpretations. In this work, a new Bayesian model is proposed to perform unmixing and classification jointly. The traditional linear mixing model is used to describe the spectral mixtures. A clustering is then performed to divide the image into spectrally coherent clusters, in which abundance vectors are statistically homogeneous. Cluster labels are assigned a Markov random field prior which assures first a spatial regularity with a Potts potential and secondly a coherence with estimated classification labels. Classification labels are finally dependent of labeled pixels provided by the user as encountered in traditional classification tasks. Performances of the model are finally assessed with synthetic and real data.

French. La classification supervisée et le démélange spectral sont deux techniques permettant d’extraire de l’information d’images hyperspectrales. Cependant, malgré la complémentarité de ces techniques, il est rare de trouver des travaux les exploitant conjointement. Nous proposons donc un nouveau modèle bayésien hiérarchique pour mener de façon conjointes ces deux types d’analyse, de sorte à ce que chacune soit facilitée par l’autre. Pour cela, un modèle de mélange linéaire de spectres purs est utilisé pour décrire le mélange spectral puis l’image est segmentée en plusieurs groupes caractérisés par des pixels dont les abondances sont statistiquement proches. Une loi a priori est définie sur ces étiquettes de groupe sous la forme d’un champ aléatoire de Markov. Ce champ inclut classiquement un potentiel de Potts-Markov promouvant la cohérence spatiale de ces étiquettes. Il est complété par un potentiel local de site induit par la classification. Cette classification exploite la présence de données déjà labellisées par l’utilisateur. Les estimateurs bayésiens des paramètres du modèle (abondances, étiquettes de groupes, étiquettes de classes) sont approchés à l’aide d’un algorithme de Monte Carlo par chaîne de Markov. L’intérêt du modèle est illustré à l’aide d’expériences menées sur des données synthétiques et réelles.