Hyperspectral unmixing is a widely studied field of research aiming at estimating the pure material signatures and their abundance fractions from hyperspectral images. Most spectral unmixing methods are based on prior knowledge and assumptions that induce limitations, such as the existence of at least one pure pixel for each material. This work presents a new approach aiming to overcome some of these limitations by introducing a co-registered panchromatic image in the unmixing process. Our method, called Heterogeneity-Based Endmember Extraction coupled with Local Constrained Non-negative Matrix Factorization (HBEE-LCNMF), has several steps: a first set of endmembers is estimated based on a heterogeneity criterion applied on the panchromatic image followed by a spectral clustering. Then, in order to complete this first endmember set, a local approach using a constrained non-negative matrix factorization strategy, is proposed. The performance of our method, in regards of several criteria, is compared to those of state-of-the-art methods obtained on synthetic and satellite data describing urban and periurban scenes, and considering the French HYPXIM/HYPEX2 mission characteristics. The synthetic images are built with real spectral reflectances and do not contain a pure pixel for each endmember. The satellite images are simulated from airborne acquisition with the spatial and spectral features of the mission. Our method demonstrates the benefit of a panchromatic image to reduce some well-known limitations in unmixing hyperspectral data. On synthetic data, our method reduces the spectral angle between the endmembers and the real material spectra by 46% compared to the Vertex Component Analysis (VCA) and N-finder (N-FINDR) methods. On real data, HBEE-LCNMF and other methods yield equivalent performance, but, the proposed method shows more robustness over the data sets compared to the tested state-of-the-art methods. Moreover, HBEE-LCNMF does not require one to know the number of endmembers.

SUMMARY: This study focuses on improving the seafloor compliance noise removal method, which relies on estimates of the compliance transfer function frequency response (the deformation of the seafloor under long-period pressure waves). We first propose a new multiscale deviation analysis of broad-band ocean–bottom seismometer data to evaluate stationarity properties that are key to the subsequent analysis. We then propose a new approach to removing the compliance noise from the vertical channel data, by stacking daily estimated transfer function frequency responses over a period of time. We also propose an automated transient event detection and data selection method based on a cross-correlation criterion. As an example, we apply the method to data from the Cascadia Initiative (network 7D2011). We find that the spectral extent of long-period forcing waves varies significantly over time so that standard daily transfer function calculation techniques poorly estimate the transfer function frequency response at the lowest frequencies, resulting in poor denoising performance. The proposed method more accurately removes noise at these lower frequencies, especially where coherence is low, reducing the mean deviation of the signal in our test case by 27 per cent or more. We also show that our calculated transfer functions can be transferred across time periods. The method should allow better estimates of seafloor compliance and help to remove compliance noise at stations with low pressure-acceleration coherence. Our results can be reproduced using the BRUIT-FM Python toolbox, available at https://gitlab.ifremer.fr/anr-bruitfm/bruit-fm-toolbox.

Cette thèse s'articule autour du démélange spectral sur des images d'observation de la Terre. La problématique est d'estimer de manière aveugle les spectres en réflectance ainsi que les abondances des matériaux purs présents dans une image hyperspectrale (HS) dont chaque pixel contient la contribution spectrale d'un ou de plusieurs de ces matériaux. La plupart des méthodes de démélange de la littérature se fondent sur des hypothèses qui ne sont pas nécessairement vérifiées sur des images réelles, par exemple la présence d'un pixel pur pour chaque matériau, ou la connaissance d'un jeu de spectres initial très proche de celui recherché. Elles présentent donc des limitations. La possibilité de coupler une image HS avec une image panchromatique (PAN) est une opportunité pour réduire certaines de ces limitations. L'application visée pour une telle méthode de démélange HS-PAN est la mission spatiale HYPXIM/HYPEX-2, qui prévoit d'embarquer une caméra HS de résolution spatiale limitée (de l'ordre de 8 m) ainsi qu'une caméra PAN de résolution spatiale plus fine (de l'ordre de 2 m). Nous avons tout d'abord étudié les différentes possibilités d'utilisation de l'image PAN, notamment aux travers de ses statistiques locales. Nous avons montré que, sur deux jeux de données réelles, il est possible de détecter des pixels purs sur l'image HS à l'aide d'un critère d'hétérogénéité calculé sur l'image PAN. Une première méthode de démélange spectral, nommée Heterogeneity-Based Endmember Extraction (HBEE), a alors été développée. Elle permet d'estimer les spectres des matériaux représentés par des pixels purs dans l'image, en s'appuyant sur une étape de détection des pixels purs suivie d'une étape de classification. L'hypothèse que pose HBEE ne permet pas d'estimer tous les spectres représentant les matériaux purs présents dans l'image (appelés pôles de mélange). Nous avons donc développé une méthode d'estimation des spectres des matériaux qui ne sont pas représentés par des pixels purs. Cette méthode, baptisée Local Constrained Non-negative Matrix Factorisation (LCNMF), est itérative et locale. A chaque itération, elle calcule la carte de l'erreur de reconstruction entre l'image HS originale et l'image reconstruite avec le jeu de pôles de mélange estimés par HBEE et par LCNMF jusqu'à l'itération précédente, puis elle détecte la zone la plus mal reconstruite et y estime le pôle de mélange inconnu, supposé unique sur cette zone. La sensibilité des performances de HBEE-LCNMF à ses paramètres ainsi que son comportement ont été évalués sur données synthétiques, puis sur des données réelles dont la vérité terrain est maîtrisée. Cette étude a montré les avantages de la méthode lorsque les hypothèses posées sont vérifiées, notamment sa capacité à estimer correctement les pôles de mélange ainsi que leur nombre. Elle a aussi mis en évidence les limites de la méthode, en particulier en présence d'ombre. Des valeurs de paramètres par défaut ont ainsi été définies. Enfin, les performances de HBEE-LCNMF ont été comparées à celles d'une sélection de méthodes de l'état de l'art du démélange spectral. Sur données synthétiques, HBEE-LCNMF produit les meilleures performances. Sur des images réelles contenant moins d'une dizaine de matériaux, les performances de la méthode développée sont équivalentes à ou meilleures que celles des autres méthodes. L'utilisation de la méthode HBEE-LCNMF est donc recommandé dans le traitement d'images de taille limitée et contenant moins d'une dizaine de matériaux purs. Une des perspectives de ce travail est d'appliquer notre méthode sur une image de grande taille qui aura été préalablement découpée en plusieurs régions de taille réduite.