Théorie des Matrices Aléatoires pour l'Imagerie Hyperspectrale (Computer file, 2018) [WorldCat.org]
skip to content
Théorie des Matrices Aléatoires pour l'Imagerie Hyperspectrale Preview this item
ClosePreview this item
Checking...

Théorie des Matrices Aléatoires pour l'Imagerie Hyperspectrale

Author: Eugénie TerreauxJean-Philippe OvarlezFrédéric Pascal, (chercheur en traitement du signal)).Julie Delon, professeur de mathématiques appliquées).Jean-Yves Tourneret, enseignant-chercheur en traitement du signal).All authors
Publisher: 2018.
Dissertation: Thèse de doctorat : Traitement du signal et des images : Université Paris-Saclay (ComUE) : 2018.
Edition/Format:   Computer file : Document : Thesis/dissertation : French
Summary:
La finesse de la résolution spectrale et spatiale des images hyperspectrales en font des données de très grande dimension. C'est également le cas d'autres types de données, où leur taille tend à augmenter pour de plus en plus d'applications. La complexité des données provenant de l'hétérogénéité spectrale et spatiale, de la non gaussianité du bruit et des processus physiques sous-jacents, renforcent
Rating:

(not yet rated) 0 with reviews - Be the first.

Subjects
More like this

Find a copy online

Links to this item

Find a copy in the library

&AllPage.SpinnerRetrieving; Finding libraries that hold this item...

Details

Genre/Form: Thèses et écrits académiques
Material Type: Document, Thesis/dissertation, Internet resource
Document Type: Internet Resource, Computer File
All Authors / Contributors: Eugénie Terreaux; Jean-Philippe Ovarlez; Frédéric Pascal, (chercheur en traitement du signal)).; Julie Delon, professeur de mathématiques appliquées).; Jean-Yves Tourneret, enseignant-chercheur en traitement du signal).; Jocelyn Chanussot; Sylvie Marcos; Pascal Vallet; Université Paris-Saclay (2015-2019).; École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne / 2015-....).; CentraleSupélec (2015-....).; SONDRA (Gif-sur-Yvette, Essonne / 2004-....).
OCLC Number: 1085123216
Notes: Titre provenant de l'écran-titre.
Description: 1 online resource
Responsibility: Eugénie Terreaux ; sous la direction de Jean-Philippe Ovarlez et de Frédéric Pascal.

Abstract:

La finesse de la résolution spectrale et spatiale des images hyperspectrales en font des données de très grande dimension. C'est également le cas d'autres types de données, où leur taille tend à augmenter pour de plus en plus d'applications. La complexité des données provenant de l'hétérogénéité spectrale et spatiale, de la non gaussianité du bruit et des processus physiques sous-jacents, renforcent la richesse des informations présentes sur une image hyperspectrale. Exploiter ces informations demande alors des outils statistiques adaptés aux grandes données mais aussi à leur nature non gaussienne. Des méthodes reposant sur la théorie des matrices aléatoires, théorie adaptée aux données de grande dimension, et reposant sur la robustesse, adaptée aux données non gaussiennes, sont ainsi proposées dans cette thèse, pour des applications à l'imagerie hyperspectrale. Cette thèse propose d'améliorer deux aspects du traitement des images hyperspectrales : l'estimation du nombre d'endmembers ou de l'ordre du modèle et le problème du démélange spectral. En ce qui concerne l'estimation du nombre d'endmembers, trois nouveaux algorithmes adaptés au modèle choisi sont proposés, le dernier présentant de meilleures performances que les deux autres, en raison de sa plus grande robustesse.Une application au domaine de la finance est également proposée. Pour le démélange spectral, trois méthodes sont proposées, qui tiennent comptent des diff érentes particularités possibles des images hyperspectrales. Cette thèse a permis de montrer que la théorie des matrices aléatoires présente un grand intérêt pour le traitement des images hyperspectrales. Les méthodes développées peuvent également s'appliquer à d'autres domaines nécessitant le traitement de données de grandes dimensions.

Hyperspectral imaging generates large data due to the spectral and spatial high resolution, as it is the case for more and more other kinds of applications. For hyperspectral imaging, the data complexity comes from the spectral and spatial heterogeneity, the non-gaussianity of the noise and other physical processes. Nevertheless, this complexity enhances the wealth of collected informations, that need to be processed with adapted methods. Random matrix theory and robust processes are here suggested for hyperspectral imaging application: the random matrix theory is adapted to large data and the robustness enables to better take into account the non-gaussianity of the data. This thesis aims to enhance the model order selection on a hyperspectral image and the unmixing problem. As the model order selection is concerned, three new algorithms are developped, and the last one, more robust, gives better performances. One financial application is also presented. As for the unmixing problem, three methods that take into account the peculierities of hyperspectral imaging are suggested. The random matrix theory is of great interest for hyperspectral image processing, as demonstrated in this thesis. Differents methods developped here can be applied to other field of signal processing requiring the processing of large data.

Reviews

User-contributed reviews
Retrieving GoodReads reviews...
Retrieving DOGObooks reviews...

Tags

Be the first.
Confirm this request

You may have already requested this item. Please select Ok if you would like to proceed with this request anyway.

Close Window

Please sign in to WorldCat 

Don't have an account? You can easily create a free account.