L’imagerie hyperspectrale constitue la troisième modalité de cette série sur la segmentation d’images satellites, après l’optique multispectrale et le radar. Elle se distingue des deux autres par une propriété simple : là où une image ordinaire comporte quelques bandes, une image hyperspectrale en comporte des centaines.
Cette richesse spectrale change la nature même du problème. Elle donne accès à une identification de matériaux qu’aucune autre modalité satellitaire ne permet, et elle introduit des difficultés que les articles précédents n’ont pas rencontrées. Cet article les expose. Il prolonge l’article consacré à la segmentation sur imagerie radar.
Ce que l’hyperspectral apporte
Une différence de nature le sépare de l’imagerie multispectrale ordinaire. Une image multispectrale échantillonne le spectre en quelques bandes larges, ce qui donne une signature grossière suffisant à distinguer de grandes familles de surfaces. Une image hyperspectrale échantillonne le spectre en centaines de bandes étroites et contiguës, ce qui produit pour chaque pixel une courbe de réflectance quasi continue. Cette continuité spectrale change ce qui devient identifiable. Un matériau présente des bandes d’absorption caractéristiques, étroites et situées à des longueurs d’onde précises, que quelques bandes larges moyennent et effacent et qu’une résolution spectrale fine révèle. Trois familles d’application en découlent directement. L’identification minérale, qui repose sur des signatures d’absorption bien documentées. La caractérisation biochimique de la végétation, teneur en eau, en azote et en pigments. Et la détection de matériaux spécifiques, hydrocarbures, plastiques et polluants notamment. Une observation traverse ces trois familles et elle vaut d’être posée. L’hyperspectral ne distingue pas mieux les mêmes classes ; il permet des classes que les autres modalités ne peuvent pas définir.La malédiction de la dimensionnalité
Cette difficulté théorique explique la plupart des échecs de projet. Elle domine la segmentation d’images satellites hyperspectrale. Le nombre de variables par pixel passe de quelques unités à plusieurs centaines, ce qui produit un effet contre-intuitif : au delà d’un certain nombre de bandes, ajouter de l’information dégrade la performance d’un classifieur à volume d’entraînement constant. Trois mécanismes distincts l’expliquent. Le volume de l’espace des variables croît exponentiellement avec le nombre de dimensions, ce qui rend les exemples d’entraînement épars quelle que soit leur quantité. Les bandes voisines sont fortement corrélées, ce qui ajoute de la dimension sans ajouter d’information. Et le bruit s’accumule sur l’ensemble des bandes tandis que le signal utile se concentre sur quelques-unes. Une conséquence pratique majeure en découle pour un projet de segmentation d’images satellites hyperspectrale. Le besoin en exemples annotés croît avec le nombre de bandes exploitées, ce qui rend le rapport entre dimensionnalité et taille du corpus une décision de conception plutôt qu’un détail technique. Cette conséquence est particulièrement déterminante commercialement. L’hyperspectral est la modalité où le besoin d’annotation est le plus élevé par unité de surface, alors même que ses corpus publics sont les plus rares.La réduction de dimension
Elle constitue une étape obligée de tout projet hyperspectral. Cette opération répond à la difficulté précédente. Trois approches se distinguent et leurs effets sur l’annotation diffèrent nettement. La sélection de bandes retient un sous-ensemble des bandes originales, ce qui préserve l’interprétabilité physique de chaque variable et permet de justifier un résultat. La transformation projette les données dans un espace de dimension réduite, ce qui compresse efficacement l’information et supprime le lien direct avec les longueurs d’onde. Et le démixage estime les proportions de matériaux purs dans chaque pixel, approche propre à cette modalité que la section suivante détaille. Une conséquence importante en découle. Une réduction par transformation rend une annotation difficile, l’annotateur ne pouvant plus rattacher ce qu’il voit à une propriété physique, ce qui plaide pour annoter sur les données originales et réduire ensuite.Le pixel mixte et le démixage
Cette notion propre à la modalité change la nature du livrable. Un pixel hyperspectral couvre généralement plusieurs dizaines de mètres, surface qui contient rarement un matériau unique. Sa signature est donc un mélange de signatures élémentaires. Le démixage consiste à décomposer cette signature en proportions de constituants purs, ce qui produit non pas une classe par pixel mais un vecteur de proportions. Trois conséquences en découlent et elles sortent du cadre habituel de la segmentation d’images satellites. Le résultat est continu plutôt que discret, ce qui rend inapplicables les métriques exposées dans l’article d’ouverture. L’annotation de référence doit fournir des proportions et non des étiquettes, exercice nettement plus difficile pour un annotateur. Et la validation demande des mesures de terrain quantifiées plutôt qu’une photo-interprétation. Une recommandation en découle pour le cadrage. Établir si le client attend une carte de classes ou une carte de proportions détermine la méthode, le type de référence et le coût, et cette question ne se pose pas dans les autres modalités.Les bibliothèques spectrales
Cette ressource change l’économie d’un projet et elle est mal connue. Des bibliothèques de signatures spectrales de matériaux, mesurées en laboratoire ou sur le terrain, sont disponibles publiquement et couvrent minéraux, végétaux et matériaux artificiels. Trois usages pratiques en découlent. La classification par appariement compare la signature d’un pixel à celles de la bibliothèque, ce qui permet une identification sans corpus annoté. L’initialisation d’un démixage fournit les signatures pures de référence. Et la vérification d’une annotation permet de contrôler qu’une étiquette est spectralement plausible. Ce premier usage mérite particulièrement d’être souligné. Il constitue une exception notable dans cette série : c’est le seul cas où une classification peut s’obtenir sans vérité terrain annotée, ce qui abaisse considérablement la barrière d’entrée sur certaines applications. Trois réserves importantes l’encadrent néanmoins. Une signature de laboratoire diffère d’une signature observée depuis l’espace, du fait de l’atmosphère, de la géométrie d’éclairement et de l’état de surface. Les matériaux naturels présentent une variabilité que la bibliothèque ne capture pas. Et un pixel mixte ne correspond à aucune signature pure.La correction atmosphérique
Cette étape prend une importance particulière en hyperspectral. L’atmosphère absorbe et diffuse le rayonnement de façon fortement dépendante de la longueur d’onde, ce qui déforme le spectre mesuré par rapport au spectre réel de la surface. Cette déformation est tolérable en multispectral, où l’on compare des bandes larges. Elle est rédhibitoire en hyperspectral, où l’on cherche précisément des bandes d’absorption étroites que l’atmosphère peut imiter ou masquer. Trois conséquences en découlent. Certaines plages de longueur d’onde sont inexploitables, l’absorption atmosphérique y étant totale, et elles doivent être écartées explicitement. La qualité de la correction conditionne la comparabilité entre acquisitions, deux images corrigées différemment n’étant pas comparables. Et une signature de bibliothèque ne peut être appariée qu’à une donnée correctement corrigée. Une conséquence pratique importante en découle pour l’annotation. Le niveau de correction doit être documenté et identique entre le corpus et la production, exigence identique à celle exposée pour le filtrage radar et pour les mêmes raisons.Les sources disponibles
Un panorama s’impose car la disponibilité est la contrainte première de cette modalité en segmentation d’images satellites. Trois régimes coexistent avec une répartition très différente de celle de l’optique. Les missions spatiales hyperspectrales sont peu nombreuses et récentes, avec une couverture partielle et une répétitivité faible, ce qui limite fortement les usages de suivi régulier. Les campagnes aéroportées fournissent une résolution spatiale et spectrale supérieure sur des zones restreintes, avec un coût d’acquisition élevé et une maîtrise des conditions. Et les mesures de terrain fournissent des signatures ponctuelles servant de référence et de calibration. Une conséquence structurante en découle pour le cadrage. La plupart des projets hyperspectraux portent sur des zones restreintes plutôt que sur de larges territoires, ce qui les rapproche d’une logique d’étude que d’une logique de production cartographique. Cette caractéristique emporte une implication commerciale. Les projets sont plus petits, plus techniques et plus rémunérateurs par unité de surface que les projets multispectraux, ce qui convient à un prestataire capable de mobiliser une expertise plutôt qu’un volume.Ce que l’annotation demande
Quatre exigences la distinguent en segmentation d’images satellites hyperspectrale. Elles justifient un traitement propre. L’annotation porte souvent sur des points plutôt que sur des surfaces, une mesure de terrain géolocalisée constituant la référence la plus fiable et une délimitation exhaustive étant rarement possible. La qualification demande une compétence de domaine, minéralogie, agronomie ou science des matériaux selon l’application, nettement plus spécialisée que la reconnaissance d’objets. Le contrôle passe par la plausibilité spectrale plutôt que par l’inspection visuelle, une étiquette pouvant être vérifiée en comparant la signature du pixel à une référence. Et la quantité nécessaire est élevée, pour la raison de dimensionnalité exposée plus haut, ce qui entre en tension avec le coût unitaire élevé de chaque annotation. Cette tension constitue la difficulté centrale de tout projet hyperspectral. Elle se résout généralement par une stratégie mixte : quelques mesures de terrain de haute qualité, étendues par appariement spectral et par photo-interprétation assistée.Les usages et leur maturité
Cinq domaines emploient cette modalité en segmentation d’images satellites et leur maturité diffère nettement, ce qui oriente un prestataire. La prospection minière est l’usage historique et le plus mature, les signatures minérales étant bien documentées et la valeur d’une détection élevée. L’agriculture de précision emploie les indices biochimiques pour le suivi de stress et de nutrition, avec une adoption croissante et une contrainte de coût d’acquisition. Le suivi de qualité de l’eau détecte pigments et matières en suspension, application où l’hyperspectral apporte une finesse que le multispectral n’atteint pas. La détection de pollution, hydrocarbures et rejets industriels, présente une valeur unitaire élevée et un besoin ponctuel. Et la cartographie des matériaux urbains, toitures et revêtements, sert l’évaluation de risque et le suivi d’îlots de chaleur. Une observation importante traverse ces cinq domaines. Tous reposent sur une identification de matériau plutôt que sur une reconnaissance de forme, ce qui confirme que cette modalité répond à une question de nature différente.L’arbitrage entre résolutions
Ce compromis physique structure la modalité hyperspectrale. Il explique pourquoi ces capteurs ont une résolution spatiale modeste. Un capteur dispose d’une quantité de lumière limitée. La répartir entre des centaines de bandes étroites signifie que chaque bande en reçoit peu, ce qui dégrade le rapport signal sur bruit. Trois leviers permettent de compenser et chacun se paie d’une contrepartie. Élargir le champ de vue instantané, c’est-à-dire dégrader la résolution spatiale, pour collecter davantage de lumière par bande. Élargir les bandes, ce qui revient à renoncer à la finesse spectrale recherchée. Ou allonger le temps d’intégration, ce qui réduit la couverture. Une conséquence pratique en découle et elle est déterminante au cadrage. Un projet ne peut pas disposer simultanément d’une résolution spatiale fine, d’une résolution spectrale fine et d’une large couverture, et le choix entre ces trois termes précède toute considération de méthode. Cette contrainte explique aussi la prévalence des pixels mixtes exposée plus haut. Elle n’est pas un défaut des capteurs actuels mais une propriété physique du compromis, ce qui rend le démixage structurellement nécessaire plutôt que transitoirement utile.Les conventions à fixer
Six décisions distinctes doivent être tranchées avant la production et elles diffèrent de celles des autres modalités. Le niveau de correction atmosphérique et sa méthode. Les bandes écartées, absorption atmosphérique et bandes bruitées, et le critère de leur exclusion. La nature du livrable, carte de classes ou carte de proportions. Le référentiel de matériaux employé et son rattachement à une bibliothèque spectrale existante. La méthode de réduction de dimension et le moment où elle intervient par rapport à l’annotation. Et le protocole de mesure de terrain, dont la géolocalisation et la représentativité conditionnent la valeur de la référence.L’évaluation d’un produit hyperspectral
Elle complique la validation exposée dans la série précédente. Quatre particularités la distinguent des autres modalités de segmentation d’images satellites. La référence est ponctuelle plutôt que surfacique, ce qui interdit les métriques de recouvrement et impose une évaluation par points, avec les précautions d’échantillonnage que cela suppose. La référence est coûteuse, une mesure de terrain géolocalisée demandant un déplacement, ce qui limite fortement la taille de l’échantillon d’évaluation. La correspondance entre une mesure ponctuelle et un pixel de plusieurs dizaines de mètres est approximative par construction, un relevé sur un mètre carré ne représentant pas nécessairement la surface du pixel. Et l’évaluation d’un démixage demande une comparaison de proportions, exercice pour lequel les métriques usuelles de segmentation d’images satellites ne conviennent pas et qui appelle des mesures d’erreur quantitative. Ces quatre particularités conduisent à une recommandation. Un protocole d’évaluation hyperspectral se conçoit conjointement avec le protocole de mesure de terrain, les deux relevant de la même opération, alors que dans les autres modalités la référence se constitue après coup sur l’imagerie.Aborder un projet hyperspectral
Cinq questions écartent rapidement les demandes infaisables. Elles cadrent un projet de segmentation d’images satellites hyperspectrale. L’information recherchée relève-t-elle de la composition matérielle. Si la réponse est non, une autre modalité convient mieux et coûte nettement moins. Les matériaux visés présentent-ils des signatures documentées. Leur présence dans une bibliothèque abaisse considérablement la barrière d’entrée, leur absence impose une campagne de mesure préalable. Quelle couverture spatiale est attendue. L’arbitrage exposé plus haut rend incompatibles une large couverture et une finesse spectrale, et cette contrainte tranche parfois la faisabilité. Un accès au terrain est-il possible. La référence de cette modalité venant du terrain, son inaccessibilité change radicalement la méthode et le coût. Et le client attend-il des classes ou des proportions. Cette question détermine la nature du livrable, la méthode de validation et le type de référence à constituer. Ces cinq réponses déterminent la faisabilité avant toute considération de modèle. Les poser en une réunion évite d’engager un projet dont l’échec était prévisible.Les erreurs les plus fréquentes
- Traiter l’hyperspectral comme du multispectral avec plus de bandes.
- Employer toutes les bandes disponibles sans réduction de dimension.
- Dimensionner un corpus sans tenir compte de la dimensionnalité.
- Annoter après une réduction par transformation, qui supprime l’interprétabilité.
- Apparier des signatures de bibliothèque sur des données mal corrigées.
- Ignorer les plages de longueur d’onde inexploitables.
- Attendre une carte de classes d’un traitement produisant des proportions.
- Négliger la variabilité naturelle que les bibliothèques ne capturent pas.
- Employer des niveaux de correction différents entre corpus et production.
- Concevoir un projet de suivi régulier sans vérifier la répétitivité disponible.
- Viser simultanément finesse spatiale, finesse spectrale et large couverture.
- Évaluer un démixage avec les métriques usuelles de segmentation.
