Introduction à l'imagerie hyperspectrale X. Briottet, V. Achard (ONERA) Remerciements : Ph. Déliot, M. Lennon (Actimar) Plan de la présentation Introduction Un peu de physique Moyens disponibles : aéroporté, satellite Chaîne de traitements typique Quelques applications Conclusion et perspectives 3 GDR ISIS – CCT 28 Mars 08 Introduction (1) Imagerie hyperspectrale = spectromètre imageur effectuant des mesures spectrales hyper = „to much“ Spectroscopie : „ production, transmission, mesure et interprétation du spectre électromagnétique “ Hyperspectral : beaucoup (trop?) de bandes spectrales Spectrométrie : mesure des photons en fonction de la longueur d'onde Spectromètre : instrument optique utilisé pour mesurer la radiation électromagnétique radiation à une ou plusieurs longueurs d'onde Pourquoi? Caractérisation quantitative des surfaces terrestres et de l'atmosphère. Comment? Mesures dans des bandes spectrales contiguës du domaine optique puis analyse de la signature spectrale pour : • Identifier les constituants des surfaces ou de l'atmosphère, • Quantifier les composants, • Cartographier leur distribution spatiale, • Observer les évolutions (multi temporelles). 4 GDR ISIS – CCT 28 Mars 08 Introduction (2) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) Trouver dans cette image • • La plante artificielle Une anomalie : petit personnage en LEGO 5 GDR ISIS – CCT 28 Mars 08 Introduction (3) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) • Monochromatique ou bande large : un niveau de gris par pixel, pas d'information spectrale • Multispectrale : 2 à 10 bandes spectrales, information spectrale limitée Intensité Intensitet Classes d'imagerie spectrale 400 500 600 700 800 Bølgelengded'onde (nm) Longueur • Hyperspectrale : 10 à 100 bandes étroites et contiguës, information spectrale détaillée 6 GDR ISIS – CCT 28 Mars 08 (nm) 900 1000 Introduction (4) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) 473 nm Images en niveau de gris à quelques longueurs d'onde Comment analyser ces images ? • • Inspection visuelle: Procédure lente car l'utilisateur ne peut voir que 3 bandes à la fois Sélection des bandes : Utilisation des images hyperspectrales pour sélectionner les quelques bandes spectrales adaptées au problème à résoudre 7 GDR ISIS – CCT 28 Mars 08 Introduction (5) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) 547 nm Images en niveau de gris à quelques longueurs d'onde Comment analyser ces images ? • • Inspection visuelle: Procédure lente car l'utilisateur ne peut voir que 3 bandes à la fois Sélection des bandes : Utilisation des images hyperspectrales pour sélectionner les quelques bandes spectrales adaptées au problème à résoudre 8 GDR ISIS – CCT 28 Mars 08 Introduction (6) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) 621 nm Images en niveau de gris à quelques longueurs d'onde Comment analyser ces images ? • • Inspection visuelle: Procédure lente car l'utilisateur ne peut voir que 3 bandes à la fois Sélection des bandes : Utilisation des images hyperspectrales pour sélectionner les quelques bandes spectrales adaptées au problème à résoudre 9 GDR ISIS – CCT 28 Mars 08 Introduction (3) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) 681 nm Images en niveau de gris à quelques longueurs d'onde Comment analyser ces images ? • • Inspection visuelle: Procédure lente car l'utilisateur ne peut voir que 3 bandes à la fois Sélection des bandes : Utilisation des images hyperspectrales pour sélectionner les quelques bandes spectrales adaptées au problème à résoudre 10 GDR ISIS – CCT 28 Mars 08 Introduction (3) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) 473 nm 547 621 681 770 Images en niveau de gris à quelques longueurs d'onde Comment analyser ces images ? • • Inspection visuelle: Procédure lente car l'utilisateur ne peut voir que 3 bandes à la fois Sélection des bandes : Utilisation des images hyperspectrales pour sélectionner les quelques bandes spectrales adaptées au problème à résoudre 11 GDR ISIS – CCT 28 Mars 08 Que se passe-t-il lors de l'acquisition? (Ex. T. Skauli, FFI) Schéma simplifié du transfert radiatif Soleil Sky Camera Clouds Atmosphère : émise et diffusée Réflexion Objet Emission Les propriétés optiques de l'objet sont "vues" par la caméra à travers les composantes radiatives d'émission et de réflexion La caméra acquiert également des flux supplémentaires : atmosphérique et de l'environnement 12 GDR ISIS – CCT 28 Mars 08 Introduction : quelles grandeurs optiques caractérisent un matériau donné? Paysage L Atmosphère Instrument Image I Restitution détecteurs optique électronique n bits Propriétés optiques : • réflectance ρ, absorptance a, émissivité ε et transmission spectrale t • Conservation de l'énergie : ρ + a + t = 1 • Si matériau opaque dans le domaine infrarouge : ε + ρ = 1 Exemple de spectres [Herold, 2002] 13 GDR ISIS – CCT 28 Mars 08 Les bases de données des propriétés optiques : réflectances spectrales (1/3) La signature spectrale des matériaux est due : VIS – NIR : absorption due à un processus électronique • SWIR : absorption due à un processus vibrationnel Exemple : • Bandes d'absorption de minéraux à base de fer (e.g. Fe2O3) à 0.5 µm, 0.68 µm et 0.91 µm • Les immeubles modernes sont souvent recouverts de métaux tels que le zinc qui a une forte bande d'absorption à 1.02 µm • Utilisation du polyethylene (PE) pour les toits plats. Le PE a une réflectance forte avec des bandes d'absorption faible et forte à 1.2 µm et 1.7 µm (Pieters, 1993). • Base de données existantes • [ASTER, 1998] : 55 matériaux génériques mais manque la prise en compte de l'age, l'usage..., taille échantillon 2cm • [Heiden, 2001] : Réflectances spectrales terrain (ASD) sur la ville de Dresdes, taille échantillon ~20cm • [Herold, 2004] : 4500 Réflectances spectrales terrain (ASD) sur la ville de Santa Barbara (108 types), CA, taille échantillon (de 20cm à 2 cm) • BASE DE DONNEES MEMOIRES @ONERA (ASTER + 2000 spectres) • • [Lachérade, 2005] : 100 Réflectances spectrales terrain (ASD), et directionnelles en laboratoire – base de données Mémoires, Toulouse (20 types), taille échantillon au nadir 20cm [Briottet, 2006] : 50 émissivités spectrales (SOC 400T) – base de données Mémoires, Toulouse (20 types), taille échantillon au nadir ~3cm 14 GDR ISIS – CCT 28 Mars 08 Les bases de données des propriétés optiques Nomenclature des matériaux urbains Categories of urban surfaces. Levels 1-3 are called urban surface cover types. Level 4 contains urban surface materials (examples) that are detected from hyperspectral HyMap data. [Heiden, 2002] [Anderson, 1996] 15 GDR ISIS – CCT 28 Mars 08 Impact de l'atmosphère n bits électronique optique détecteurs Atmosphère Atmosphère Instrument Image I Restitution Signal mesuré : luminance Paysage L Réflectance de l'objet [Roberts, 2004] La propriété optique spectrale de l'objet voit sa signature déformée lors de la traversée de l'atmosphère. Cette déformation dépend des conditions atmosphériques 16 GDR ISIS – CCT 28 Mars 08 Quelles sont les sources radiatives dans le domaine optique? ← Thermal infrared → Photons received (s-1) UV Near"Mid-wave" IR, Visible infrared 3 - 5 μm Reflected daylight "Long-wave" IR, 8-14 μm Radio Thermal emission Wavelength(μm) Lmes Lmes Latm Latm T(z) ρenv 17 GDR ISIS – CCT 28 Mars 08 T(z) ε env, Tenv ρ ε, T Les moyens : principales techniques d'acquisition Roue à filtre Interféromètre de Michelson Push-broom λ Principe Enregistrement d'une bande / t TF(série enregistrée) = spectre du pixel Enregistrement des spectres sur une ligne de pixel à la fois Avantages Simple Choix arbitraire des bandes Faible flux Partie mobile Nb de bandes limité Acquisitions spectrales non simultanées 18 GDR ISIS – CCT 28 Mars 08 Utilisation du flux maximal Très haute résolution spectrale possible Désavantages Acquisitions non simultanées Parties mobiles Demande des détecteurs ayant une très grande dynamique avec une très bonne linéarité Acquisitions simultanées de ttes les bandes Haute résolution spectrale possible Faible flux Optique relativement complexe Quelles sont les moyens disponibles? Enmap (Ge) Sysiphe Prisma (It) Nombre de bandes spectrales n bits électronique optique détecteurs CASI ASI VNIR HYDICE Paysage L AIRIS AHI Warfighter AVIRIS HYMAP ARES MIVIS AHS 100 ASI Hyperion SWIR MODIS SEBASS MTI PELICAN 10 Résolution réduite Atmosphère Instrument Image I Restitution 500 Résolution réduite MTI 1 0,1 1 10 100 Pas d‘échantillonage au sol (m) 19 GDR ISIS – CCT 28 Mars 08 MERIS MERIS 1000 10 000 Chaîne de traitement typique Paysage L Atmosphère Instrument Image I Restitution détecteurs optique électronique n bits Image acquise au niveau du senseur en niveau de gris Corrections géométriques et radiométriques Compensations atmosphériques Extraction des propriétés optiques à l'échelle du pixel Base de données de Propriétés Optiques Prétraitement : réduction de dimension, unmixing Analyse physiques d'images : détection, classification Cartographie 20 GDR ISIS – CCT 28 Mars 08 Chaîne de traitement : Corrections géométriques et radiométriques Corrections de défauts radiométriques de l'instrument – conversion DN en luminance en entrée d'instrument Corrections de défauts géométriques de l'instrument – prise de vue CEFLES2 Flight Campaign under ESA Contract SWIR Image (Color composite) SWIR (Color composite) Georectified Image OBTENTION D'UN HYPERCUBE EN UNITE DE LUMINANCE 21 GDR ISIS – CCT 28 Mars 08 Compensation atmosphérique 2 classes de correction atmosphérique [Griffin, 2003] Statistique ou empirique : basée sur la connaissance a priori des réflectances d'objets de "référence" existant dans la scène pour définir une relation entre la luminance senseur et la réflectance au sol • • Méthode empirique de la ligne (ELM) [Roberts, 1985],[Conels, 1987]: précise si les références sont connues avec précision. Inconvénient : ne prend pas en compte la topographie, les ombres... [Bhaskaran, 2003], [Heiden, 2001] Normalisation de la luminance senseur (Internal Average Relative Reflectance) [Kruse, 1988] et Flat Field Correction (FFC) [Roberts, 1985]: peut aider si pas de mesure de référence au sol [Liu, 1999, avec l'instrument aéroporté PHI]. Normalisation de la luminance spectrale de chaque pixel par la luminance spectrale moyenne de toute l'image (ou d'une zone uniforme connue pour FFC). Inconvénient : ne prend pas en compte la topographie, les ombres, comparaison avec des spectres de référence difficiles Physique • • • • ATREM [Gao, 1993] : sol plat, homogène, ne prend pas en compte les effets d'environnement, estimation de H2O, (basé sur 6S) FLAASH [Adler-Golden, 1998] : sol plat, cible et fond différents possibles, (basé sur Modtran), estimation de H20, idem pour les aérosols su présence de cibles sombres, estimation également de l'altitude (utilisation de la bande O2 à 760nm) ATCOR4 [Richter, 2002], SIERRA [Lenot, 2003] : Prise en compte de la structure 3D du paysage, mais adapté à des zones de montagnes ICARE : [Lachérade, 2007]: inversion de l'équation radiométrique (au soleil et à l'ombre) à partir de prise de vue hyperspectrale, hypothèse lambertienne 2 étapes : caractérisation puis correction de l'atmosphère 22 GDR ISIS – CCT 28 Mars 08 Compensation atmosphérique : caractérisation de l'atmosphère + correction Luminance Lri :L = b.λ + c Lrj Lm1 Lm2 λri λm1 λm2 λrj RLIRR = f ( wH 2O , Lref ) Aérosols : diffusion utilisation sur les surfaces sombres (eau, végétation dense) Extraction de la réflectance = f(pente locale, ombre...) Estimation de PO et de T Gaz : absorption H2O, CO2, O3, O2 Caractérisation et correction atmosphérique Spectres de luminance en entrée d’instrument Emissif Réflectif Gaz : absorption, émission T(z) : Profil de température CO2+H20 H2O CO2 Séparation émissivité - température : Méthode TES (cf @ONERA) Propriétés optiques spectrales au niveau du sol 23 GDR ISIS – CCT 28 Mars 08 Exemples Effet de pente Correction atmosphérique image Hymap sur région montagneuse (Espagne) SIERRA [ Lenot, 2005] @ ONERA Image en réflectance, 585 nm Image en luminance, 585 nm Ombrage PELICAN Images: 8 bands ICARE [Lachérade, 2007] @ ONERA 54% Classification with Flat surface assumptions 24 GDR ISIS – CCT 28 Mars 08 78% Classification taking into account the DEM Analyse des images • Prétraitement • • • Réduction de dimension Recherche des pôles de mélange et « linear unmixing » Tâches à finalité applicatives • • Détection : anomalie, connaissance a priori de la signature Cartographie (classification) 25 GDR ISIS – CCT 28 Mars 08 Prétraitement - Réduction des dimensions de l’image : Objectifs ¼ Pallier le phénomène de Hughes : Difficultés d’estimer des paramètres dans des espaces pratiquement « vides » ⇒ ⇒ La qualité de l’estimation de paramètres statistiques, pour un nombre d ’échantillons fixés, diminue quand le nombre de bandes spectrales augmente Dégradation des résultats d’analyse des images ¼ Renforcer l’hypothèse de normalité ⇒ ⇒ ¼ ¼ Dans des espaces de grande dimension, les projections linéaires dans des sousespaces ont tendance à rendre les distributions gaussiennes Simplifie les algorithmes de classification Filtrer le bruit Supprimer la redondance inter-bandes Matrice de correlation Longueur d’onde 2D Correlogram ACP MNF, etc Longueur d’onde 26 GDR ISIS – CCT 28 Mars 08 R² Prétraitement : Réduction des dimensions de l’image méthodes Principe : Recherche des axes de forte variance Inconvénient : Le rapport signal/bruit n’est pas identique dans toutes les bandes => Une bande spectrale ayant un faible S/B, mais une forte variance peut être moins intéressante qu’une bande ayant un fort S/B et une variance plus faible MNF : Minimum Noise Fraction Bande 2 ACP : Vp1 Vp2 Bande 1 Principe : • A partir de la matrice de covariance du bruit Transformation dans un espace où le bruit a une variance unité sur chaque axe et pas d’intercorrélation inter-bandes (« sphérisation » du bruit) • ACP sur ces axes Inconvénient : Nécessite une connaissance a priori du bruit Autres méthodes : • Décomposition en ondelettes • Agrégation de bandes spectrales • Sélection d’intervalles spectraux d’intérêt • Recherche de bandes optimales • Extraction de caractéristiques spectrales (NDVI, localisation du « red edge », localisation des bandes d’absorption, etc …) 27 GDR ISIS – CCT 28 Mars 08 Prétraitement : unmixing - objectifs [Bhaskaran, 2000] : Hymap, 5m, 70 spectres de référence (mesure terrain) utilisé pour classer l'image => 70% des pixels ne sont pas purs! [Heiden, 2001] : Sur une image Hymap, de la ville de Dresdes, 70 classes sont identifiées, 47,5% des pixels sont trouvés purs! Domaine Réflectif (0,4 – 2,5 µm) Pixel ≈ Combinaison de signatures spectrales de plusieurs matériaux Lorsque le sol est plat, la réflectance équivalente d'un pixel hétérogène est la somme pondérée des réflectance élémentaires composant ce pixel Cette linéarité est perdue lorsque la zone n'est plus plate, ombrée ou dans le domaine émissif Des efforts de recherche importants sont et doivent être entrepris pour comprendre, améliorer et développer des méthodes d'unmixing 28 GDR ISIS – CCT 28 Mars 08 Recherche des pôles de mélange Méthodes basées sur les principes de la géométrie convexe • • S1 bande L2 « N-FINDR » : plus grand simplex porté par le nuage de points « Minimum Volume Transform » plus petit simplex contenant tous les points du nuage « Iterative Constrained Endmembers » méthode statistique itérative : • recherche d’un simplex contenant le nuage de points • minimisation de la distance entre les sommets du simplex • S2 S3 bande L1 PPI : Pixel Purety Index • N Projections des pixels sur des axes aléatoires dans l’espace spectral (dans l ’espace des V.P. après ACP ou MNF) • On enregistre les pixels extrêmes sur ces axes : chaque fois qu’un pixel j apparaît comme extrême PPIj = PPIj + 1 Autre méthode par séparation de sources (analyse en composantes indépendantes) 29 GDR ISIS – CCT 28 Mars 08 Ð projection Tâches à finalité applicatives – détection d'anomalie - objectifs Détection : • détection supervisée : rechercher une signature spectrale particulière dans l’image ⇒ Utilisation des métriques • détection d’anomalies : repérer des pixels ayant des signatures différentes de celles du fond Reconnaissance : Comparer une signature spectrale observée avec des signatures connues (utilisation de banque de données), pour identifier la mesure 30 GDR ISIS – CCT 28 Mars 08 Par poursuite de projection : Hypothèse : • Les cibles occupent un faible nombre de pixels sur l’image ⇒ Il existe des axes dans l’espace spectral sur lesquels les anomalies se trouvent isolées dans les queues de la distribution → Recherche d’axes sur lesquels la distribution des pixels a des queues lourdes par rapport à une distribution gaussienne Méthode : • Choix d’un indice de projection : skweness, Kurtosis... • Recherche des meilleurs axes de projection • zero-détection Après classification du fond par mélange de gaussiennes Méthode : • Modélisation du fond par multigaussienne • Recherche des anomalie en dehors de ensembles 31 GDR ISIS – CCT 28 Mars 08 Number of pixels Tâches à finalité applicatives – détection d'anomalie - méthodes targets Values on the projection axis Introduction (3) – illustration de l'apport de l'imagerie hyperspectrale (Ex. T. Skauli, FFI) Résultat pour la détection d'anomalie Détection • • Recherche soit d'un spectre particulier (détection d'anomalie) soit à partir d'un spectre connu a priori, caractéristique d'un matériau (détection de signature), Ce type de traitement est facilement automatisable! 32 GDR ISIS – CCT 28 Mars 08 Example 1:Target detection concept (programme CEPA JP8.10 - @FFI, ONERA, FOI, CISAM, TNO, DSTL, FGAN) Section of hyperspectral image containing open and hidden targets Output from global statistical anomaly detection Automatic detection of targets by thresholding. 33 GDR ISIS – CCT 28 Mars 08 Independent of shape, works with partially concealed targets Tâches à finalité applicatives – classification Classification supervisée : associer chaque pixel, ou chaque groupe de pixel, à une thématique • • classifier l’ensemble de l ’image en utilisant une information a priori sous forme d ’échantillons test issus de l’image elle-même, d’images similaires, de mesures terrain, de banque de données spectrales + connaissance a priori du terrain. Méthodes • • • • • Maximum de vraisemblance Distance de Mahalanobis Distance (euclidienne) minimale Spectral Angle Mapper Méthode enveloppe convexe Spectre d’un pixel homogène Bande i d Spectre d’un pixel quelconque θ Bande k Bande j Classification non supervisée : Rechercher des zones homogènes dans l’image (Outils de classification non supervisée) • basée sur l ’analyse numérique des données, généralement itérative - nombre de classes fixé ou non au départ • Méthodes • • Distance interclasse maximale et/ou distance intraclasse minimale (ex : nuées dynamiques ») Recherche de distributions multimodales (ex : mélange de gaussiennes multivariées) 34 GDR ISIS – CCT 28 Mars 08 Introduction (3) – illustration de l'apport de l'imagerie hyperspectrale (Exemple T. Skauli, FFI) Résultat de la classification spectrale Classification • A chaque pixel, est assigné une classe caractéristique d'un type de matériau, La méthode de classification fait l'objet d'un apprentissage sur un sous ensemble des données pour lesquelles la classe est connue, • La classification est automatiquement généralisée à l'image entière. • 35 GDR ISIS – CCT 28 Mars 08 Illustrations de méthodes de classification (voir [Lu, 2007] pour une présentation générale des méthodes) (1/2) Méthodes : • Distance entre spectres mesuré et de référence : SAM [Bhaskaran, 2000], plus proche voisin, analyse discriminante, réseau de neurones, maximum de vraisemblance, classifieur parallélépipédique [Heiden, 2006], critère Bhattacharya [Herold, 2004] • Distances entre paramètres caractéristiques de spectres [Heiden, 2005] Alunite Kaolinite Alunite + Kaolinite Montmorillonite Chalcedony Mineral map for part of the Cuprite AVIRIS scene, created by matching image spectra to mineral spectra in the USGS Spectral Library. White areas did not produce a sufficient match to any of the selected reflectance spectra, and so are left unassigned. [Smith, 2006] 36 GDR ISIS – CCT 28 Mars 08 [Lachérade, 2001] Illustrations de méthodes de classification (2/2) Figure 1: Numerical description of spectral features using feature functions; feature values are calculated between specific wavelength ranges (symbolized with points). The example spectra are obtained from hyperspectral HyMap data. [Heiden, 2001] 37 GDR ISIS – CCT 28 Mars 08 Classification d’images Hyperspectrales (P. Déliot, V. Achard, 2008 @ONERA) • • • • Exemple issu du “2008 Remote Sensing Data Fusion Contest” Image initiale [670nm,550nm,470nm] Image classée [bâtiments,ombre, végétation, voies, rivière] 96% des pixels bien classés. Méthode (outils ENVI) : • • Réduction de données par MNF (6 composantes conservées) Classification par SVM 38 GDR ISIS – CCT 28 Mars 08 DOTA/POS Ph. Déliot et V. Achard • Applications – Défense – sécurité Domaine infrarouge Détection de mines enterrées par l ’instrument AHI 39 GDR ISIS – CCT 28 Mars 08 Mines enterrées ⇒ différences de granulosité ⇒ différences d’émissivité Ambiguïté entre mines enterrées et mélange route/végétation levée par des mesures dans d’autres bandes spectrales Habitats côtiers ACTIMAR (M. LENNON) Pollution chronique / algues vertes Applications – Zones côtières Cartographie de pollution par les algues vertes 40 GDR ISIS – CCT 28 Mars 08 Detection of biochemical parameters in the Scheldt Estuary using Hyperspectral Data CASI (real color RGB composition) Suspended Particulate Material (SPM) L82a Applications – Zones côtières Signal & Image Centre - RMA L81 35 26 18 9 0 mg/L 34.99 25.99 17.99 8.99 L84 L83 L82b - N N Panache d'effluent (thèse CEA A. Alakian – R. Marion@CEA, X. Briottet @onera) Applications – Pollution atmosphérique Tracé du lidar Objectif : estimation des propriétés optiques et physiques des panaches de fumée 5 Carte de τ550 4 3 0 Carte de BC 2 4 6 2 8 1 0 τ550 10 12 BC (%) A. Alakian, R. Marion et X. Briottet, “Remote sensing of aerosol plumes : a semianalytical model ”, Applied Optics, Vol. 47, N° 12, 20 Avril 2008 42 GDR ISIS – CCT 28 Mars 08 Applications – Végétation Estimation du contenu en eau de la végétation AVIRIS Water content (mg H2O / g dry weight) S.L. Ustin, D.A. Roberts, J.E. Pinzón, S. Jacquemoud, M. Gardner, G. Scheer, C.M. Castañeda & A. Palacios-Orueta, 1998, Estimating canopy water content of chaparral shrubs using optical methods, Remote Sensing of Environment, 65:280-291. 43 GDR ISIS – CCT 28 Mars 08 Applications – Végétation 44 GDR ISIS – CCT 28 Mars 08 Applications – Géologie Géologie : identification des minéraux Images AVIRIS sur le site CUPRITE, Neveda, USA 45 GDR ISIS – CCT 28 Mars 08 Conclusions - Perspectives L'imagerie hyperspectrale est en plein essor - de nouveaux instruments hyperspectraux sont en cours de développement – des outils existent pour traiter ces grands volumes de données Des perspectives : • Amélioration des méthodes de correction atmosphériques • Unmixing linéaire et non linéaire (est ce possible?) • Amélioration des bases de données existantes • Classification : profiter de la synergie 3D spatiale / spectrale • • • Complémentarité imagerie spectrale et imagerie à très haute résolution spatiale Complémentarité imagerie spectrale et imagerie active Apport de l'imagerie infrarouge hyperspectrale 46 GDR ISIS – CCT 28 Mars 08