Interprétation sémantique d'images hyperspectrales basée sur la réduction adaptative de dimensionnalité

L'imagerie hyperspectrale permet d'acquerir des informations spectrales riches d'une scene dans plusieurs centaines, voire milliers de bandes spectrales etroites et contigues. Cependant, avec le nombre eleve de bandes spectrales, la forte correlation inter-bandes spectrales et la redondance de l'information spectro-spatiale, l'interpretation de ces donnees hyperspectrales massives est l'un des defis majeurs pour la communaute scientifique de la teledetection. Dans ce contexte, le grand defi pose est la reduction du nombre de bandes spectrales inutiles, c'est-a-dire de reduire la redondance et la forte correlation de bandes spectrales tout en preservant l'information pertinente. Par consequent, des approches de projection visent a transformer les donnees hyperspectrales dans un sous-espace reduit en combinant toutes les bandes spectrales originales. En outre, des approches de selection de bandes tentent a chercher un sous-ensemble de bandes spectrales pertinentes. Dans cette these, nous nous interessons d'abord a la classification d'imagerie hyperspectrale en essayant d'integrer l'information spectro-spatiale dans la reduction de dimensions pour ameliorer la performance de la classification et s'affranchir de la perte de l'information spatiale dans les approches de projection. De ce fait, nous proposons un modele hybride permettant de preserver l'information spectro-spatiale en exploitant les tenseurs dans l'approche de projection preservant la localite (TLPP) et d'utiliser l'approche de selection non supervisee de bandes spectrales discriminantes a base de contraintes (CBS). Pour modeliser l'incertitude et l'imperfection entachant ces approches de reduction et les classifieurs, nous proposons une approche evidentielle basee sur la theorie de Dempster-Shafer (DST). Dans un second temps, nous essayons d'etendre le modele hybride en exploitant des connaissances semantiques extraites a travers les caracteristiques obtenues par l'approche proposee auparavant TLPP pour enrichir la selection non supervisee CBS. En effet, l'approche proposee permet de selectionner des bandes spectrales pertinentes qui sont a la fois informatives, discriminantes, distinctives et peu redondantes. En outre, cette approche selectionne les bandes discriminantes et distinctives en utilisant la technique de CBS en injectant la semantique extraite par les techniques d'extraction de connaissances afin de selectionner d'une maniere automatique et adaptative le sous-ensemble optimal de bandes spectrales pertinentes. La performance de notre approche est evaluee en utilisant plusieurs jeux des donnees hyperspectrales reelles.