To reduce the amount of herbicides used to eradicate weeds and ensure crop yields, precision spraying can effectively detect and locate weeds in the field thanks to imaging systems. Because weeds are visually similar to crops, color information is not sufficient for effectively detecting them. Multispectral cameras provide radiance images with a high spectral resolution, thus the ability to investigate vegetated surfaces in several narrow spectral bands. Spectral reflectance has to be estimated in order to make weed detection robust against illumination variation. However, this is a challenge when the image is assembled from successive frames that are acquired under varying illumination conditions. In this study, we present an original image formation model that considers illumination variation during radiance image acquisition with a linescan camera. From this model, we deduce a new reflectance estimation method that takes illumination at the frame level into account. We experimentally show that our method is more robust against illumination variation than state-of-the-art methods. We also show that the reflectance features based on our method are more discriminant for outdoor weed detection and identification.

Comparing images captured by disparate sensors is a common challenge in remote sensing. This requires image translation—converting imagery from one sensor domain to another while preserving the original content. Denoising diffusion implicit models (DDIM) are potential state-of-the-art solutions for such domain translation due to their proven superiority in multiple image-to-image translation tasks in computer vision. However, these models struggle with reproducing radiometric features of large-scale multipatch imagery, resulting in inconsistencies across the full image. This renders downstream tasks like heterogeneous change detection impractical. To overcome these limitations, we propose a method that leverages denoising diffusion for effective multisensor optical image translation over large areas. Our approach super-resolves large-scale low spatial resolution images into high-resolution equivalents from disparate optical sensors, ensuring uniformity across hundreds of patches. Our contributions lie in new forward and reverse diffusion processes that address the challenges of large-scale image translation. Extensive experiments using paired Sentinel-II (10 m) and Planet Dove (3 m) images demonstrate that our approach provides precise domain adaptation, preserving image content while improving radiometric accuracy and feature representation. A thorough image quality assessment and comparisons with the standard DDIM framework and five other leading methods are presented. We reach a mean learned perceptual image patch similarity of 0.1884 and a Fréchet Inception Distance of 45.64, expressively outperforming all compared methods, including DDIM, ShuffleMixer, and SwinIR. The usefulness of our approach is further demonstrated in two Heterogeneous Change Detection tasks.

Attributs de texture extraits d'images multispectrales acquises en conditions d'éclairage non contrôlées : application à l'agriculture de précision: L'objectif de cette thèse est de développer un système de reconnaissance automatique de plantes et de mauvaises herbes observées en conditions extérieures. Dans le chapitre 1, nous introduisons le contexte du problème et décrivons nos contributions. Dans le chapitre 2, nous décrivons la formation d'une image de radiance multispectrale sous l'hypothèse de surfaces Lambertiennes et les dispositifs qui peuvent être utilisés pour acquérir ces images. Nous fournissons ensuite une description détaillée de la caméra multispectrale utilisée dans cette étude. Comme les images de radiance sont acquises sous des conditions d'éclairage variables, nous proposons un modèle original de formation des images multispectrales qui tient compte de la variation des conditions d'éclairage. Dans le chapitre 3, nous estimons la réflectance afin de constituer une signature spectrale invariante à l'éclairage. D'abord, nous présentons les méthodes de l'état de l'art qui peuvent être exploitées pour estimer la réflectance à partir des images multispectrales. Puis, nous introduisons notre méthode. Le Chapitre 4 se focalise sur l'évaluation de la qualité de la réflectance estimée et comparons les performances obtenues avec celles de l'état de l'art. Nous évaluons également sa contribution à la discrimination entre les plantes et les mauvaises herbes. Les images multispectrales acquises sont composées d'un nombre élevé de canaux spectraux, dont l'analyse est couteuse en mémoire et en temps de calculs. Par ailleurs, les bandes spectrales associées à ces canaux peuvent être redondantes ou contenir des informations spectrales fortement corrélées. Par conséquent, nous sélectionnons les meilleures bandes spectrales pour la classification des plantes et mauvaises herbes et les utilisons pour spécifier une caméra adaptée à la reconnaissance de ces plantes. Les images acquises par un telle caméra sont enfin analysée par un réseau de neurones profond dédié. Sa contribution à la discrimination des plantes et mauvaises herbes est enfin démontrée expérimentalement.