Algorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales

Abstract

Cet article présente des algorithmes totalement bayésiens pour le démélange d’images hyperspectrales. Chaque pixel de l’image est décomposée selon une combinaison de spectres de références pondérés par des coefficients d’abondances selon un modèle de mélange linéaire. Dans un cadre supervisé, nous supposons connus les spectres de références. Le problème consiste alors à estimer les coefficients du mélange sous des contraintes de positivité et d’additivité. Une loi a priori adéquate est choisie pour ces coefficients qui sont estimés à partir de leur loi a posteriori. Un algorithme de Monte Carlo par chaîne de Markov (MCMC) est développé pour approcher les estimateurs. Dans un cadre semi-supervisé, les spectres participant au mélange seront supposés inconnus. Nous faisons l’hypothèse qu’ils appartiennent à une bibliothèque spectrale. Un algorithme MCMC à sauts réversibles permet dans ce cas de résoudre le problème de sélection de modèle. Enfin, dans un dernier cadre d’étude, les algorithmes précédents sont étendus au démélange non-supervisé d’images hyperspectrales, c’est-à-dire au problème d’estimation conjointe des spectres et des coefficients de mélange. Ce problème de séparation aveugle de sources est résolu dans un sous-espace approprié.