Table des matières

1 Objectif 4

2 Méthodologie générale 4

3 Données et outils utilisés 4

3.1 Site d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.1 Choix du capteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.2 Propriétés de l’imagerie hyperspectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.3 Plateformes de traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

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

Liste des tableaux

Introduction générale
Depuis le début, les techniques de télédétection ont apporté des contributions précieuses et significatives
dans le domaine de la géologie et de l’exploration minière. La combinaison de la télédétection et de la spec-
troscopie est connue sous le nom de spectroscopie d’imagerie ou télédétection hyperspectrale. Depuis son
évolution, la spectroscopie d’imagerie est devenue plus importante dans l’identification, la discrimination et
la cartographie des caractéristiques de la surface terrestre en raison de leur composition chimique et de leurs
structures. Les trois dernières décennies de développement progressif de la télédétection hyperspectrale ont
fourni quelques capteurs hyperspectraux spatiaux et aéroportés tels que le spectromètre imageur aéroporté
(AIS), le spectromètre imageur visible infrarouge avancé (AVIRIS), l’expérience de collecte d’images nu-
mériques hyperspectrales (HYDICE), le spectromètre imageur numérique aéroporté (DAIS), le cartographe
hyperspectral (HYMAP) et Hyperion pour la discrimination lithologique, l’identification et la cartographie
des minéraux.
L’avènement du capteur hyperspectral nous permet de cartographier/identifier les minéraux de surface qua-
litatifs tels que les minéraux du groupe des argiles (kaolinite, montmorillonite), le talc, la muscovite, les
hydroxydes/oxydes de fer (hématite, goethite, magnétite), minéraux sulfatés (alunite), minéraux carbonatés
(calcite, dolomite), etc. par le biais de caractéristiques spectrales. Ces caractéristiques spectrales sont égale-
ment connues sous le nom de courbe de signature d’objets ou de minéraux. La cartographie de ces minéraux
a permis d’identifier différents faciès d’altération (propylitique, argileux, argileux avancé, etc.). Largement,
deux intervalles spectraux majeurs sont utilisés dans la gamme de 0,4-2,5 m du spectre électromagnétique
(EMR) pour des applications géologiques telles que l’identification des minéraux et la cartographie litholo-
gique.

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 :

Figure 1 – Organigramme de la méthodologie générale suivie

3 Données et outils utilisés

3.1 Site d’étude
TheCuprite Mining District , situé dans le centre-ouest du Nevada (USA), est l’un des nombreux centres
d’altération explorés pour les métaux précieux. Cette zone est constituée de roches volcaniques altérées par
l’hydrothermie et contient une calotte centrale de silice intensément altérée entourée de zones moins altérées
de roche opalisée et argilisée. Les siltstones altérés constituent la plupart des roches altérées dans la partie
nord des Cuprite Hills, les calcaires se trouvant plus au sud. La scène a été recueillie à partir d’un avion
ER-2 le 8 août 2011.

4
 Capteurs Organismes-pays Résolution spectrale nm Nombre de bandes Plage spectrale m
Capteurs satellitaires

Hyperion NASA États Unis 10 242 0,4-2,5

CHRIS ESA Union Européen 1,3 à 12 79 0,14-1,05
HySI ISRO Inde 10 64 0,4-0,95
Hj-1A CAST Chine 5 110-128 0,45-0,95
Capteurs aéroportés

AVIRIS JPL/NASA États Unis 10 224 0,4-2,5

HYDICE Naval États Unis 10 210 0,4-2,5
CASI ITRES Canada 3,5 288 0,4-1,0
HyMap Integrated Spectronics Australie 15 126 0,45-2,5

3.2 Données utilisées

3.2.1 Choix du capteur
Nous avons exploité les images multispectrales acquises par le capteur aéroporté AVIRIS (Airborne Visible
Infrared Imaging Spectrometer).
AVIRIS est un capteur aéroporté lancé par la par la NASA en 1983. Ce capteur a été le premier à acquérir
des données sur des bandes continues et étroites sur une gamme spectrale de 400 à 2500 nm. À la suite
du lancement d’AVIRIS, d’autres capteurs hyperspectraux satellitaires et aéroportés ont été développés
et rendus opérationnels. Le tableau ci-dessous résume les principaux imageurs hyperspectraux qui sont
actuellement disponibles : Les capteurs cités ci-dessus représentent des solutions classiques qui sont largement
utilisées pour différents types d’application. Cependant, ils présentent plusieurs limitations telles que la faible
fréquence d’acquisition, la faible résolution spatiale, les coûts élevés d’acquisition. Propriétés de l’imagerie
hyperspectrale.

3.2.2 Propriétés de l’imagerie hyperspectrale

Comme toute technique de télédétection passive, l’imagerie hyperspectrale utilise le soleil comme source
d’illumination. Elle enregistre les rayonnements généralement sur (ou sur une partie de) la région spectrale
allant de 0,4 m jusqu’à 2,5 m. Cette partie du spectre électromagnétique est divisée en trois principales
plages spectrales.
• Le visible (VIS) : 0,4-0,7 m ;
• Le proche infrarouge (NIR) : 0,7-1,1 m ;
• L’infrarouge à ondes courtes (SWIR) : 1,1-2,5 m ;

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).

Figure 3 – Imagerie hyperspectrale

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.

3.2.3 Plateformes de traitement

a. ENVI version 4.6.1

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.

4.1.1 Correction atmosphérique

Les capteurs de télédétection captent l’énergie de la radiance qui passe du soleil à la surface de la terre et
de la terre au capteur à travers l’atmosphère de la terre. Pour obtenir l’énergie de réflectance réelle de l’objet
à la surface de la terre, il faut des coefficients atmosphériques nécessaires pour la correction atmosphérique.
Pour obtenir la réflectance au sol, les coefficients atmosphériques doivent être compensés, tels que l’altitude
de la surface, l’albédo de la surface, les aérosols, la colonne de vapeur d’eau, la température de la surface et
de l’atmosphère, la profondeur optique des nuages et la visibilité de la scène. Dans le processus de correction
atmosphérique l’estimation de la vapeur d’eau est calculée pixel par pixel indépendamment dans l’image
AVIRIS. Le modèle FLAASH est appliqué pour l’élimination de de la brume, du bruit et des influences
atmosphériques sur l’image AVIRIS.

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).

4.1.2 Elimination des mauvaises bandes

Cette étape consiste à éliminer les bandes de vapeur d’eau qui peuvent nouir la qualité du signal et qui
sont remarquées sous forme de pics dans la courbe de signature spectrale.

4.2 Classification des images hyperspectrales

4.2.1 Similarité d’angle spectral (SAM)
Les algorithmes SAM sont appliqués pour l’identification des minéraux qui est basée sur la mesure de la
similarité entre les spectres de référence et les spectres d’image par le calcul de l’angle spectral entre deux
vecteurs ayant la même origine. Calcul de la longueur d’un vecteur spectral (L) comme
v
uN
uX
Lρ = t ρi2
i=1

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

4.2.2 Spectral feature fittings (SFF)

Le principe de la méthode d’ajustement des caractéristiques spectrales est basé sur l’élimination du
continuum des caractéristiques d’absorption par des spectres de référence et chaque spectre d’image. Dans le
processus d’ajustement par les moindres carrés de la méthode d’ajustement des caractéristiques spectrales,
il y a une comparaison entre les spectres de l’image supprimée du continuum et les spectres de référence du

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).

Figure 5 – Spectral feature fittings method

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

5.2 Elimination des mauvaises bandes

52 bandes marquées comme "mauvaises" dans le fichier header de l’image AVIRIS ne sont pas prises en
compte dans la suite de l’analyse. Il s’agit principalement de bandes de vapeur d’eau qui provoquent des pics
dans la courbe de réflectance.

• 1260 to 1560 nm (Bands98-128)

• 1760 to 1960 nm (Bands148-170)

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

En changeant la valeur en 0.01 nous obtenons le résultat suivant :

Figure 9 – Classification par SAM maximum angle=0.01

5.3.2 Spectral feature fittings

Concernant la classification des minéraux par la deuxième méthode. Nous avons choisi trois minéraux
L’alunite, Calcite et la Goéthite sur lesquelles les signatures spectraux des minéraux de la librairie ont été
utilisées comme référence.

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.

Figure 11 – Signatures spectrales des minéraux après "Continuum removal"

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