Classification de surfaces dans une image hyperspectrale urbaine par réseau de neurones pour la qualité de l'air
Résumé
This article is the first step of a complex process of measuring fine particle concentrations by spectral cameras. To do this, an accurate and fast classification of all pixels from a hyperspectral image is crucial to determine the nature of the objects and their optical properties. The methods traditionally used rely on the richness of the spectral information in measurements with hundreds of wavelengths. However, neglecting the spatial dimension during the classification can lead to situations where the resulting classes may not be spatially consistent. Here, we propose a classification method (Spatial Spectral Optimised Classification) based on learning, which takes into account spectral features but also spatial information via neighbouring pixels.
Cet article est la première étape d'un processus complexe de mesure de la concentration de particules fines par des caméras spectrales. Pour ce faire, une classification précise et rapide de tous les pixels d'une image hyperspectrale est cruciale pour déterminer la nature des objets et leurs propriétés optiques. Les méthodes traditionnellement utilisées reposent sur la richesse de l'information spectrale avec des centaines de longueurs d'onde habituellement mesurées par les caméras. Cependant, négliger la dimension spatiale durant une classification conduit à certaines situations où les classes obtenues ne sont pas spatialement cohérentes. Nous proposons ici une méthode de classification optimisée pour la mesure de la qualité de l'air (Spatial Spectral Optimised Classification) basée sur l'apprentissage, qui prend en compte les caractéristiques spectrales mais aussi l'information spatiale via les pixels voisins.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
