éditions des archives contemporaines

Analyse en composantes indépendantes d’images multibandes : faisabilité et perspectives

Salim CHITROUB
DOI—
Pages541–555
Paru le3 mars 2008
Citer Lire en PDF · 15 p.

Résumé

L’analyse en composantes indépendantes (ACI) est une méthode statistique d’analyse de données récemment développée pour traiter des observations vectorielles (multivariées) afin d’en extraire des composantes linéaires aussi indépendantes que possible. Cette technique émergente peut être effectuée tant par une approche algébrique que neuronale. Dans cet article, nous examinons la faisabilité et les perspectives de cette méthode pour l’analyse d’images multibandes de télédétection.

Dans la communauté du traitement du signal, plusieurs algorithmes d’ACI ont été proposés. L’apprentissage d’ensemble est une méthode bayésienne récemment développée pour l’apprentissage des réseaux de neurones. Nous proposons donc d’effectuer l’ACI par l’apprentissage d’ensemble en vue d’obtenir une représentation optimale des images multibandes. Le modèle appliqué suppose que les pixels à séparer sont donnés sous forme de mélanges linéaires. Les matrices des mélanges linéaires sont supposées être inconnues. La méthode proposée est évaluée et testée sur une image multibande de 250 x 350 pixels fournie par le système d’acquisition d’images optiques ATM de six bandes spectrales. L’image représente une zone agricole de cinq classes, c’est-à-dire : carottes, pommes de terre, sol nu, chaume et betteraves à sucre. Afin d’effectuer une étude comparative, la méthode FastICA (Fast Independent Component Analysis), récemment développée (Hyvärinen, 1999) et basée sur le principe de l’algorithme d’apprentissage itératif de type point fixe, est appliquée sur la même image multibande. L’étude a montré que l’ACI par l’apprentissage d’ensemble donne des résultats acceptables par rapport aux résultats de la FastICA et sépare mieux les pixels tout en préservant leurs caractéristiques et les formes de l’image.

Mots clés
télédétectionimage multibandeanalyse en composantes principalesanalyse en composantes indépendantesséparation aveugle de sourcesstatistiques d’ordre supérieurapprentissage d’ensemblethéorie de Bayes

Abstract

Independent Component Analysis (ICA) is a statistical method for data analysis recently developed to process multivariate data in order to extract the linear components that are as statistically independent as possible. This emergent technique can be carried out either by algebraic approaches or by neuronal approaches. We propose in this paper to study the feasibility and the potential of this method for remote sensing multispectral image analysis. In the signal processing community, several ICA algorithms were proposed. The Ensemble Learning (EL) is a Bayesian method recently developed for neural network training. Here, we propose to carry out an ICA based on EL for remote sensing multispectral image analysis. The applied model is as follows. A multispectral image is supposed a collection of multiple pixels of size m (number of spectral components) x(r) indexed by the position r. We suppose that the pixels to be separated are given in the form of linear mixtures. The matrices of the linear mixtures are supposed to be unknown. Such a separation is known as blind. The suggested method is evaluated and tested on a multispectral image of 250 x 350 pixels provided by the ATM six spectral band optical imaging system. The image represents an agricultural scene containing five classes. In order to carry out a comparative study, the Fast Independent Component Analysis (FastICA) method, recently developed in the literature and based on the principle of the iterative fixed point algorithm, is applied on the same multispectral image. The study showed that the EL-based ICA gives acceptable results compared to the results of FastICA and separates the pixels more accurately while preserving the characteristics and forms of the imaged scene.

Keywords
remote sensingmultispectral imageprincipal component analysisindependent component analysisblind source separationhigher order statisticsensemble learningBays theory

Lire l’article

Première page

PDF de 15 pages, tel qu’imprimé dans la revue, pages 541 à 555. En libre accès.

Pas encore de consultation enregistrée.