Vous êtes ici : UVSQ RechercheDoctorat

« Nouvel algorithme pour la réduction de la dimensionnalité en imagerie hyperspectrale » par Jihan Khoder

Présentée par : Jihan Khoder Discipline : génie informatique, automatique et traitement du signal Laboratoire : LISV

Résumé :
En imagerie hyperspectrale, les volumes de données acquises atteignent souvent le gigaoctet pour une seule et même scène observée. De ce fait, l’analyse de ces données au contenu physique complexe passe obligatoirement par une étape préliminaire de réduction de la dimensionnalité. Cette réduction a un double objectif, le premier consiste à réduire la redondance et le second permet de faciliter les traitements postérieurs (extraction, classification et reconnaissance de formes) et donc l’interprétation des données. La classification automatique est une étape importante du processus d’extraction de connaissances à partir des données.
Elle vise à découvrir la structure intrinsèque d’un ensemble d’objets en formant des regroupements qui partagent des caractéristiques similaires. Dans cette thèse, nous nous intéressons à la réduction de dimension dans le cadre de la classification non supervisée des bandes spectrales. Différentes approches existent, comme celles basées sur la projection (linéaire ou non-linéaire) des données de grandes dimensions sur des sous-espaces de représentation bien choisis ou sur les techniques de sélection de bandes spectrales exploitant des critères de complémentarité-redondance d’information qui ne permettent pas de préserver toute la richesse de l’information apportée par ce type de données.

Abstract :
In hyperspectral imaging, the volumes of data acquired often reach the gigabyte for a single scene observed. Therefore, the analysis of these data complex physical content must go with a preliminary step of dimensionality reduction. Therefore, the analyses of these data of physical content complex go preliminary with a step of dimensionality reduction. This reduction has two objectives, the first is to reduce redundancy and the second facilitates post-treatment (extraction, classification and recognition) and therefore the interpretation of the data. Automatic classification is an important step in the process of knowledge extraction from data. It aims to discover the intrinsic structure of a set of objects by forming groups that share similar characteristics.
In this thesis, we focus on dimensionality reduction in the context of unsupervised classification of spectral bands. Different approaches exist, such as those based on projection (linear or nonlinear) of high-dimensional data in a representation subspaces or on the techniques of selection of spectral bands exploiting of the criteria of complementarity-redundant information do not allow to preserve the wealth of information provided by this type of data.
Informations complémentaires
Fahed ABDALLAH, Professeur Associé, Habilité à Diriger des Recherches, à l’Université de Technologie de Compiègne/Laboratoire Heudiasyc - UMR CNRS 6599 - Compiègne - Rapporteur
Hassan GHAZIRI, Professeur, à l’Ecole Polytechnique Fédérale de Lausanne - Lausanne (Suisse) - Rapporteur
Fethi BEN OUEZDOU, Professeur des Universités, à l’Université de Versailles Saint-Quentin-en-Yvelines/Laboratoire d’Ingénierie et des Systèmes de Versailles (LISV) - Vélizy - Directeur de thèse
Rafic YOUNES, Professeur des Universités, à l’Université Libanaise/Campus Rafic Hariri - Faculté de Génie section III - Beyrouth (Liban) - Examinateur - Co-Directeur de thèse
Clovis FRANCIS, Professeur des Universités, à l’Université Libanaise/ Faculté de Génie section III - Tripoli (Liban) - Examinateur
Paul HONEINE, Professeur Assistant, à l’Université de Troyes/Laboratoire de Modélisation et Sûreté des Systèmes - CNRS UMR 6279 - Troyes - Examinateur
Stéphane SERFATY, Professeur des Universités, à l’Université de Cergy-Pontoise - Examinateur
Gérard SINPRASEUTH, Ingénieur à Mydon SAS - Paris - Invité
Contact :
dredval service FED :