École Nationale Supérieure de
Techniques Avancées

Résumé

La classification d’images hyperspectrales est un domaine actif de recherche, car ce type d’image possède un rôle crucial dans le domaine médicale et le domaine de la télédétection, de plus les obstacles à surmonter afin de fournir un bon algorithme de classification sont multiple ce qui justifie la forte activité de ce domaine de recherche. Aussi, ce sont ces raisons qui ont engendré le choix de ce sujet d’étude durant ce stage. En premier lieu, il a fallu étudier le domaine de l’imagerie hyperspectrale et les différentes méthodes de classification d’images hyperspectrales, utilisant peu de données étiquetées afin de surmonter un obstacle propre à ce type d’image. Une fois cette initiation faite, j’ai pu comparer plusieurs travaux de recherche traitant de la classification d’images hyperspectrales. Grâce à cette études, j’ai ainsi pu choisir une classe d’algorithmes pour la classification d’images hyperspectrales. J’ai ainsi pu m’orienter sur une catégorie de méthode de classification s’appuyant sur l’utilisation de graphes. Afin d’en apprendre plus sur mon choix de méthode, une comparaison et sélection de papiers de recherche utilisant les graphes s’est imposée nécessaire dans le but d’optimiser les performances de la méthode sélectionnée. Mon étude de documents s’est dirigée vers le papier de recherche publié en 2020 par Danfeng Hong et nommée Graph Convolutional Networks for Hyperspectral Image Classification. J’ai ainsi tenté d’approfondir et d’améliorer la méthode de ce dernier afin d’obtenir une meilleure précision lors de la classification. Deux pistes d’amélioration sont alors sorties du lot et on permis d’améliorer l’algorithme initial. Aussi, ce résultat a permis de fournir un outil à concret pour la télédétection via l’algorithme de classification d’images hyperspectrales élaboré.