Combinaisons linéaires d'images du domaine multispectral pour la production d'images contenant des informations indépendantes
Institution:
Aix-Marseille 2Disciplines:
Directors:
Abstract EN:
Source separation algorithms for linearly combining the spectral bands in the multispectral imagery to generate scalar images that contain information about ‘interesting objects’ in a mutually exclusive manner are proposed and investigated. We have designed local, global and hybrid optimizers in conjunction with Lie objects to minimize the mutual information among the spectral bands. The local optimizer with Lie objects yields accurate IC estimates compared to the fastICA, provided both the algorithms are supplied with the same initial random vector. To further improve the accuracy of the IC estimates, the popular global optimizers with Lie objects are attempted. For ensuring consistent near-global minimum estimates, a hybrid optimizer is proposed. However, it is interesting to observe the projections of the multi-spectral image onto the ICs which are the column vectors of the non-square and non-orthogonal estimated weight matrix. Towards this, an approach using the band generation process and the kurtosis scree graph is suggested to produce non-square weight matrix. We have demonstrated another approach wherein the basic ICA model constraints on the weight matrix are completely relaxed by computing the cluster centroids of locally-generated ICs. Finally a theoretical idea is put forward to obtain scalar images carrying mutually exclusive specific information. The experimental results conclude that the algorithms developed in this thesis are more suitable for the source separation tasks involving multi-spectral imagery compared to classical PCA or ICA algorithms.
Abstract FR:
Nous proposons et étudions dans cette thèse des algorithmes de séparation de sources, permettant de combiner linéairement les bandes spectrales en imagerie multi-spectrale afin de générer des images scalaires contenant de l’information sur des “objets intéressants” d’une façon mutuellement exclusive. Nous avons conçu des optimiseurs locaux, globaux et hybrides utilisés avec des objets de Lie afin de minimiser l’information mutuelle parmi les bandes spectrales. L’optimiseur local avec des objets de Lie produit des estimations précises des Composantes Indépendantes (CI) en comparaison avec le fastICA, pourvu que les deux algorithmes soient initialisés avec le même vecteur aléatoire. Afin d’améliorer la précision des estimations des CI, les optimiseurs globaux les plus connus ont été testés, avec des objets de Lie. Pour assurer des estimations robustes des minimums presque-globaux, un optimiseur hybride est proposé. Néanmoins, il est intéressant d’observer les projections de l’image multi-spectrale sur les CI qui sont les vecteurs-colonnes de la matrice de poids non orthogonale et non carrée estimée. Pour cela, une approche utilisant le BGP (Band Generation Process) et le scree graph de kurtosis est suggérée afin de produire une matrice de poids non carrée. Nous avons démontré une autre approche dans laquelle les contraintes du modèle classique d’ACI sur la matrice de poids sont complètement relâchées en calculant les centroïdes des amas des CI générées localement. Enfin une idée théorique est proposée afin d’obtenir des images scalaires portant de l’information spécifique mutuellement exclusive. Les résultats expérimentaux concluent que les algorithmes développés au cours de cette thèse sont mieux adaptés que les algorithmes classiques d’ACP ou d’ACI aux tâches de séparation de sources impliquant de l’imagerie multi-spectrale.