The information content of Earth surface satellite images are getting richer and richer. In the long process from gray images on silver film to multispectral digital imagery, lots of different types of image were acquired. Currently images allow doing high quality classification, change detection, etc. The combined use of imagery of different generations is a challenge for long-term studies. The usual solution for a long-term study is to decimate spectral information of satellite imagery to a common level. Instead, in this thesis I propose to use geostatistics and in particular multiple-points statistics (MPS), tools originally developed to simulate subsurface processes using an analogue image (training image), to improve the usefulness of poor satellite imagery by artificially harmonizing their spectral resolution.
Due to the computational and parametrization challenges related to the use of existing MPS approaches for spectral enhancement, a new method was developed. Quantile Sampling (QS) is a robust and efficient solution to realize MPS simulations. Furthermore, QS was designed to be easily set, with few and independent parameters. QS was developed, with the primary constraint to handle continuous values in a particular efficient manner.
The spectral enhancement can be divided into two distinct tasks. First spectral disaggregation, such as converting a gray image into a color image, is addressed with traditional MPS algorithms. Second, the spectral extrapolation, such as determining near infrared from visible color image, is explored using a new framework: Narrow Distribution Selection (NDS) dedicated to this type of task. Built on top of the QS ideas, NDS provides high quality simulations by providing high probability simulations.
Finally, a new and simple calibration framework is presented. Even if QS reduces the sensitivity to algorithm parameterization and simplifies it significantly, calibration is still required. Here, a method to automatically determine an optimal verbatim-free calibration is presented. This method relies on the complete analysis of the training image. Furthermore, the method provides a calibration adapted to each step of the simulation.
--
Les images satellites de la surface de la terrestre sont de plus en plus riches. Au cours de l’évolution qui s’étale de l’imagerie argentique monochromatique jusqu’aux dernières avancées en imagerie numérique multispectrale, de nombreux types d’images différentes ont été acquis. Les images actuelles permettent une classification de hautefidélité, la détection de changements, etc. L'utilisation d'images de différentes générations est un réel défi pour les études qui considère les évolutions sur le long terme. La solution habituelle utilisée consiste à réduire les informations spectrales des images satellitaires à un dénominateur commun. Dans cette thèse je propose d'utiliser la géostatistique et en particulier les statistiques multipoints (MPS), qui ont été développées à l'origine pour simuler des processus souterrains à l'aide d'images analogues (images d’entrainement), afin d'améliorer l'utilité des images satellites pauvres en harmonisant artificiellement leurs résolutions spectrales.
Dans le cadre de l’enrichissement spectral, une nouvelle méthode a été développée en raison des lourdeurs de calcul et de paramétrage liées à l'utilisation des approches MPS existantes. Quantile Sampling (QS) est une solution robuste et efficace pour réaliser des simulations MPS. De plus, QS a été conçu pour être configuré facilement, avec peu de paramètres et des paramètres indépendants. QS a été développé avec comme contrainte principale de gérer les variables continues de manière extrêmement efficace.
L’enrichissement spectral peut être divisé en deux tâches distinctes. La première tâche, la désagrégation spectrale, telle que la conversion d'une image grise en image couleur, peut être traitée à l'aide des algorithmes MPS traditionnels. La deuxième, l'extrapolation spectrale, telle que la reconstruction du proche infrarouge à partir d'une image en couleur, est explorée à l'aide d’une nouvelle approche NDS (Narrow Distribution Selection) spécialement développée pour ce type de tâche. S'appuyant sur les bases de QS, NDS fournit des simulations de haute qualité, grâce à des simulations de forte probabilité.
Enfin, une nouvelle méthode de calibration est présentée. Si QS simplifie le paramétrage et en réduit significativement la sensibilité, une calibration est toujours nécessaire. La méthode présentée permet de déterminer automatiquement une calibration optimale sans verbatim. Cette méthode repose sur l'analyse complète de l'image d’entrainement. De plus, le procédé fournit une calibration évolutive adaptée à chaque étape de la simulation.