Algorithmes de démélange non linéaire pour l’analyse de données hyperspectrales – HYPANEMA

L'équipe projet Hypanema travaille à lever ce verrou en l’abordant comme un problème de séparation de sources, statistiquement dépendantes et combinées de façon non linéaire. Le caractère non linéaire du mélange, renforcé par la très grande dimensionnalité des données hyperspectrales, place le problème au-delà de la zone d’application de la plupart des algorithmes existants. L’équipe, de renommée internationale, vise à combler cette lacune et devenir leader dans le domaine du démélange des données hyperspectrales, en développant de nouvelles classes de modèles et de méthodes d’identification s’inscrivant dans le formalisme des méthodes d’apprentissage et de l’inférence bayésienne. Deux domaines d’application majeurs à haute valeur ajoutée, au coeur des spécialités des laboratoires représentés, sont considérés : l’imagerie astronomique et la télédétection.

Les sciences de l’observation en général contribuent au développement de matériels technologiques de pointe. Nombre de grands équipements dans le domaine des Sciences pour l’Univers proposent déjà des spectrographes intégraux de champ, souvent couplés à un système optique adaptatif, dans la perspective d’une mise en service sur les très grands télescopes du futur. Cette technique d’observation devrait poursuivre son essor avec, à brève échéance, le déploiement du spectro-imageur MUSE qui équipera le VLT. Les imageurs hyperspectraux aéroportés, ou embarqués à bord de satellites, et dédiés à l'observation de la Terre fournissent également des données de plus en plus résolues. Des missions sont en cours ou envisagées par différentes agences spatiales : Proba (ESA, 2011), EnMAP (Allemagne, 2014), Prisma (Italie, 2013), HyspIRI (USA, 2013), etc. Cette technologie, par sa capacité à offrir une information extrêmement détaillée des propriétés spectrales de la scène observée, permet d’entrevoir un élargissement des possibilités de détection et d’identification dans des domaines d’application tant civils que militaires.

Le développement d’algorithmes originaux dont les fonctionnalités et performances sont en adéquation avec les problèmes soulevés par les cubes hyperspectraux constitue un enjeu à haute valeur ajoutée. Quel que soit le domaine d’application concerné, l’un des problèmes majeurs en analyse et traitement des images hyperspectrales réside dans le fait qu’il est extrêmement difficile d’extraire des informations pertinentes de la masse de données générée. Il s’avère donc nécessaire de proposer à l’expérimentateur, un ensemble d’outils spécifiques à même de faciliter son travail d’interprétation indépendamment du nombre de bandes de fréquences de l’observation.

Le traitement des cubes hyperspectraux est un problème relevant des défis big-data. Aussi les outils développés et enseignements acquis dans le cadre du projet HYPANEMA constituent-ils une expérience riche qui devrait pouvoir trouver de nouveaux développements dans d'autres applications et expériences big-data, par exemple en interférométrie radio avec le LOFAR et, à moyen terme, avec l'instrument SKA.

La production scientifique du projet est publiée dans les revues internationales de référence :
IEEE Signal Processing Magazine
IEEE Transactions onSignal Processing
IEEE Transactions on Geoscience and Remote Sensing
IEEE Transactions on Image Processing

Par ailleurs, l'équipe participe à l'organisation de réunions scientifiques et conférences à destination des spécialistes, notamment :

MAHI workshop : Methodological aspects of hyperspectral imaging (2012, 2013)
www-n.oca.eu/aferrari/MAHI/index.html

IEEE WHISPERS : Workshop on hyperspectral image and signal processing - Eolution in remote sensing (2012, 2013, ...)
www.ieee-whispers.com

Le projet Hypanema s’inscrit dans le cadre de l’exploitation des grandes masses de données issues de l’imagerie hyperspectrale. Ce domaine connaît actuellement un développement rapide dans de nombreux domaines des sciences de l’observation, de la résolution microscopique aux échelles astronomiques, dans des cadres aussi bien civils que militaires. Parmi les questions ouvertes, celle de la segmentation des cubes de données, qui vise à isoler les objets d’intérêt qui y sont présents, est tout à fait centrale et constitue un véritable verrou technologique. La superposition spatiale des zones d’intérêt conduit à s’intéresser au problème de démélange où, dans un contexte non supervisé, il s’agit d’estimer le nombre de composés de référence représentés dans un ensemble de vecteurs hyperspectraux, ainsi que la signature spectrale et la fraction d’abondance de chacun dans le mélange. Le projet Hypanema se propose de lever ce verrou en l’abordant comme un problème de séparation de sources, statistiquement dépendantes et combinées de façon non linéaire. Le caractère non linéaire du mélange, renforcé par la très grande dimensionnalité des données hyperspectrales, place le problème au-delà de la zone d’application de la plupart des algorithmes existants. L’équipe, de renommée internationale, vise à combler cette lacune et devenir leader dans le domaine du démélange des données hyperspectrales, en développant de nouvelles classes de modèles et de méthodes d’identification s’inscrivant dans le formalisme des méthodes d’apprentissage et de l’inférence bayésienne. Deux domaines d’application majeurs à haute valeur ajoutée, au cœur des spécialités des laboratoires représentés, sont considérés : l’imagerie astronomique et la télédétection. L’équipe interagira avec différents partenaires nationaux et européens pour la définition de besoins applicatifs, et la validation expérimentale des méthodes et modèles proposés. Le projet Hypanema envisage une capitalisation et une distribution de ses résultats par le biais d’une solution logicielle, de publications, et l’organisation de sessions spéciales dans des workshops de niveau international. Enfin, les enseignements tirés viendront étayer des enseignements de Master en lien avec le projet.