Application d’un apprentissage SVM pour le codage d’images hyperspectrales.
Loading...
Date
2014
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Mouloud Mammeri
Abstract
Le travail présenté dans ce mémoire vise à proposer une approche de compression d’images hyperspectrales. Pour se faire, nous proposons un nouveau algorithme de compression d’images en utilisant la régression SVM (Machine à Vecteur de Support ou Séparateur à Vaste Marge) appliquée dans le domaine des ondelettes biorthogonales. L’image originale est décomposée par la transformée en ondelettes discrètes biorthogonales en approximations et détails (horizontaux, verticaux et diagonaux). La compression est réalisée en utilisant un codage différentiel DPCM sur les approximations des coefficients d’ondelettes afin de préserver l’information pertinente de l’image originale et les détails sont compressés en utilisant la régression SVM avec le modèle ‘epsilon-SVR’. Les codages ‘Run Length’ et arithmétique sont appliqués pour le codage des vecteurs de support (SVs) et leurs poids (weigths) correspondants. L’application de notre algorithme de compression sur un ensemble d’images tests a permis d’atteindre un rapport de compression de 18.37 pour un PSNR de 31.32 dB sur l’image "Lena". La comparaison entre les PSNR et les rapports de compression de quelques types de noyaux ‘epsilon-SVR’ appliqués sur plusieurs images tests, montre que cette méthode permet d’atteindre des rapports de compression élevés avec une très bonne qualité des images. Aussi, nous avons met à profit les meilleurs paramètres obtenus par l’application de cet algorithme sur ces images tests pour les appliquer sur des images hyperspectrales ; nous avons utilisé une séquence de 32 canaux de la scène Yellowstone, acquise en 2006. Les résultats de cette application ont atteint un PSNR moyen de 38.22 dB pour un rapport de compression moyen de 48.7.
Description
87 f. : ill. ; 30 cm. (+ CD-Rom)
Keywords
Compression d’images hyperspectrales, Transformée en Ondelette Discrète Biorthogonales, Machine à Vecteur de Support (SVM), Régression, Noyaux, Codages RLE et Arithmétique
Citation
Option : télédétection