Académique Documents
Professionnel Documents
Culture Documents
1 Objectif 4
2 Méthodologie générale 4
4 Méthodologie détaillée 7
4.1 Prétraitement des données AVIRIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.1.1 Correction atmosphérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.1.2 Elimination des mauvaises bandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Classification des images hyperspectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2.1 Similarité d’angle spectral (SAM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2.2 Spectral feature fittings (SFF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Resultats et Discussions 9
5.1 Correction atmosphérique par FLAASH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2 Elimination des mauvaises bandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3.1 Similarité d’angle spectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3.2 Spectral feature fittings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6 Réferences bibliographiques 14
1
Table des figures
1 Organigramme de la méthodologie générale suivie . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Illustration des bandes spectrales utilisées en imagerie hyperspectrale . . . . . . . . . . . . . . 6
3 Imagerie hyperspectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Similarité d’angle spectral : spectral angle est l’angle entre le spectre à classifier et le spectre
de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Spectral feature fittings method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6 Signature spectrale avant correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
7 Signature spectrale après correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
8 Classification par SAM maximum angle=0.04 . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
9 Classification par SAM maximum angle=0.01 . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
10 Signature spectrales des minéraux choisie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
11 Signatures spectrales des minéraux après "Continuum removal" . . . . . . . . . . . . . . . . . 12
3
1 Objectif
L’objectif de ce présent travail est de prétraiter, Évaluer des images hyperspectrales AVIRIS pour l’iden-
tification et la cartographie des minéraux en utilisant 2 méthode :
Spectral Angle Mapper (SAM)
Spectral Feature Fitting (SFF).
2 Méthodologie générale
Afin d’atteindre l’objectif principal de cette Atelier, ous allons adopter la méthodologie explicitée dans
le shéma suivant :
4
Capteurs Organismes-pays Résolution spectrale nm Nombre de bandes Plage spectrale m
Capteurs satellitaires
5
Figure 2 – Illustration des bandes spectrales utilisées en imagerie hyperspectrale
Les différents matériaux d’une scène reflètent et absorbent les rayonnements solaires sur la gamme spec-
trale illustrée ci-dessus selon leurs propriétés telles que leurs compositions chimiques et physiques, leurs
températures et leurs textures. Par conséquent, le signal émis ou réfléchi diffère selon l’objet. Le principe de
l’imagerie hyperspectrale repose sur la mesure de l’intensité du rayonnement réfléchi par les matériaux qui
parvient au capteur pour chaque longueur d’onde. Ces valeurs d’intensité enregistrées traduisent le compor-
tement des matériaux vis-à-vis du rayonnement solaire (c.-à-d. absorption ou réflexion du signal).
L’imagerie hyperspectrale permet l’identification des matériaux à la surface terrestre à partir de l’intensité
du rayonnement qu’ils ont réfléchi pour chacune des longueurs d’onde, ce qui est communément appelé la
signature spectrale. Celle-ci est unique pour chaque matériau. En effet, elle présente un pouvoir discrimina-
toire beaucoup plus efficace que les données acquises par des capteurs à bandes spectrales larges tels que les
6
capteurs multispectraux. Ceci peut être expliqué par le caractère quasi continu de cette signature assuré par
le grand nombre de valeurs qui la constitue.
ENVI est un logiciel complet de traitement d’images de télédétection, optiques et radar. Il regroupe les
principales méthodes de traitement d’images : corrections géométriques et radiométriques, classification et
mise en page cartographique. D’autres outils relatifs à la visualisation et à la modélisation de données
topographiques sont aussi disponibles. La plateforme précitée permet d’extraire rapidement l’information
pertinente des images géospatiales. L’ensemble de ses outils et modules spécialisés permettent de lire, explo-
rer, analyser les données et de partager l’information. Avec une interface Windows, il est facile d’utilisation.
Le logiciel ENVI offre des fonctionnalités des systèmes de traitements interactifs de données numériques
géocodées (données satellitaires, images numérisées, cartes digitalisées,. . ..). Avec ses options, Envi propose
un environnement de traitement, d’archivage et de consultation d’images sur PC et de nombreuses fonctions
de transformation pour SIG. Des programmes de liaison Import-Export permettent l’intégration des données
avec d’autres logiciels fondamentaux de SIG, CAO, DAO.
4 Méthodologie détaillée
4.1 Prétraitement des données AVIRIS
Un grand nombre de bandes étroites et contiguës provoquent des erreurs radiométriques dans les données
hyperspectrales. La correction de l’image nécessite donc un traitement préalable des données satellitaires.
L’ensemble des données disponibles a été utilisé sous forme brute. Les données acquises par l’agence sont non
corrigées radiométriquement, géométriquement et atmosphériquement. En raison de l’effet atmosphérique
l’ensemble de données est inclus avec quelques erreurs. Il est donc nécessaire d’effectuer une correction
atmosphérique et une calibration radiométrique.
Flash Le modèle FLAASH fonctionne sur la base d’une équation standard pour les matériaux plats, lam-
bertiens pour la radiance spectrale au niveau d’un pixel du capteur, L’équation est la suivante :
Aρ Bρe
L=( )+( ) + La
1 − ρeS 1 − ρeS
Où :
ρ : Réflexion de la surface du pixel ;
ρe :Radiance au niveau de l’albédo sphérique du capteur ;
La : Radiance rétrodiffusée par l’atmosphère ;
7
A et B sont coefficients (dépendent des conditions atmosphériques et géométriques).
La détermination de la similitude d’un spectre inconnu x avec un spectre de référence est faite à travers des
algorithmes SAM par cette équation :
PM
−1 λ=1ρλρλ
θ = Cos ( )
LρLρ′
Figure 4 – Similarité d’angle spectral : spectral angle est l’angle entre le spectre à classifier et le spectre de
référence
8
continuum. Les spectres les plus significatifs des matériaux ajustés sont sélectionnés sur la base des coeffi-
cients de corrélation par le processus de division de chaque spectre de pixel de l’image originale (S) et de la
courbe du continuum (C) qui sont représentés par l’équation suivante :
S
Scr =
C
Où :
Scr : Spectres retirés du continuum ;
S : Spectre original ;
C : Courbe du continuum ;
Le facteur d’échelle représente l’abondance des caractéristiques spectrales. Un calcul bande par bande est
effectué pour le calcul de l’ajustement des moindres carrés. Plus la valeur de l’échelle est élevée, plus l’ab-
sorption est forte dans les spectres minéraux et plus l’abondance des minéraux est liée à la valeur de l’échelle
(Freek van der Meer, 2004). L’image à l’échelle avec des pixels plus lumineux montre une bonne correspon-
dance du spectre du pixel avec le spectre de référence du minéral. L’image de l’erreur RMS (Root Mean
Square) est également produite pour chaque élément afin de calculer l’erreur RMS totale. L’erreur RMS faible
et les facteurs d’échelle élevés correspondent à des pixels étroitement appariés. Un nombre égal d’images est
généré par l’échelle et le RMS. Les images d’ajustement sont générées par le rapport entre l’image d’échelle
et l’image d’erreur RMS pour mesurer les similitudes entre le spectre inconnu et le spectre de référence pixel
par pixel (Freek Van Der Meer et al., 2003).
5 Resultats et Discussions
5.1 Correction atmosphérique par FLAASH
Nous visons à obtenir une image corrigée atmosphériquement en utilisant l’outil FLAASH sur le logiciel
ENVI disponible dans le menu Radiometric Correction/Atmospheric Correction Module/FLAASH Atmos-
pheric Correction.
9
Figure 6 – Signature spectrale avant correction Figure 7 – Signature spectrale après correction
5.3 Classification
5.3.1 Similarité d’angle spectral
Nous visons à cartographier les mineraux par la méthode de Similarité d’angle spectral dans laquelle
des régions d’intérêt ont été utilisées comme spectres de référence pour comparer la similarité des spectres
d’images pour la classification minérale.
Cette classification est disponible dans le menu Classification/Supervised Classification/Spectral Angle Map-
per Classification en changeant à chaque fois la valeur de l’angle maximal.
Dans un premier, on a choisi une valeur de 0.04 :
10
Figure 8 – Classification par SAM maximum angle=0.04
11
Figure 10 – Signature spectrales des minéraux choisie
l’outil Continuum removal est utilisé pour la suppression du continuum est effectuée en plongeant avec
le spectre original. La forme générale du spectre est supprimée, ne laissant que la caractéristique d’absorption
spécifique. Les données retirées du continuum sont mises à l’échelle de 0 à 1 (valeur des pixels). Les zones
sombres dans les images retirées du continuum ont des caractéristiques d’absorption plus grandes que les
zones claires.
12
Conclusion
La cartographie minéralogique est un outil important pour la prospection minière. C’est pourquoi il
est indispensable de savoir et d’utiliser de approches de classification précises des minéraux pour assurer
la qualité des cartes produites. L’objectif principal de ce travail était d’enrichir les connaissances liées à
l’imagerie hyperspectrale à savoir le prétraitement, l’analyse et les méthodes de classification dans le but de
produire des cartographies des éléments d’intérêt présents dans la zone d’étude.
13
6 Réferences bibliographiques
B. Agar, ASTER Alteration Mineral Mapping, Australian Geological Remote Sensing Services, 2006.
Barnaby W. Rockwell, Roger N. Clark, Charles G. Cunningham, Stephen J. Sutley, Carol A. Gent, Ro-
bert R. McDougal, K. Eric Livo, and Raymond F. Kokaly, Mineral mapping in the Maryslave volcanic field,
Utah using AVIRIS data, United States Geological Survey.
Green, R.O., Pavri, B.E., Chrien, T.G., On-orbit radiometric and spectral calibration characteristics of
EO-1 Hyperion derived with an underflight of AVIRIS and In situ measurements at Salar de Arizaro, Ar-
gentina,IEEE Transactions on Geoscience and Remote Sensing, 41 (6 PART I), pp. 1194-1203,2013.
Survey of Hyperspectral and Multispectral Imaging Technologies, Research and technology organization,
north Atlantic treaty organization, 2007.
S. Rashmi, S. Addamani, Venkat, S. Ravikiran, Spectral Angle Mapper Algorithm for Remote Sensing
Image Classification, International Journal of Innovative Science, Engineering Technology, Vol. 1 Issue 4,
2014
14