Noise reduction of hyperspectral data using singular spectral analysis

Au cours de la présente étude, on a élaboré un nouvel algorithme de réduction du bruit basé sur l’analyse spectrale singulière («SSA») pour réduire le bruit dans les données hyperspectrales. Cette méthode transforme dans son espace d’états le spectre de réflectance d’un pixel donné dans un cube hyperspectral. L’espace d’états est construit et caractérisé dynamiquement par des bases irrégulières, de sorte que la méthode proposée peut réduire le bruit tout en conservant les caractéristiques d’absorption des objets en surface. La performance de la méthode a été vérifiée avec trois ensembles de données : deux spectres de réflectance simulés comportant plusieurs caractéristiques d’absorption étroites, et un cube de données CHRIS («Compact High Resolution Imaging Spectrometer» [spectromètre imageur compact à grande résolution]) obtenues sur des terres agricoles. Nos résultats prouvent l’efficacité de la méthode SSA proposée pour améliorer le rapport signal sur bruit des données hyperspectrales tout en conservant les « caractéristiques marquées » présentes dans les spectres de réflectance. Ils montrent également que cette méthode est supérieure aux méthodes couramment utilisées pour réduire le bruit, à savoir la méthode MNF («minimum noise fraction» [fraction de bruit minimum] et les méthodes basées sur des ondelettes), et améliore de 6 % la précision de la classification de la couverture végétale.