IRAP > Emploi et Formation > Page des doctorants > Les doctorants de l'IRAP > Détails sur les thèses > Thèses 2013 > Méthodes de séparation aveugle de sources et application à l'imagerie hyperspectrale en astrophysique

Emploi et Formation

Méthodes de séparation aveugle de sources et application à l'imagerie hyperspectrale en astrophysique

Doctorant : Axel BOULAIS

Directeur de thèse : Yannick DEVILLE

Date début : Octobre 2013

Groupe thématique : SISU

Le cadre astrophysique de ces travaux concerne l'étude des régions de formation stellaire. Ces régions sont caractérisées par la présence de jeunes étoiles massives entourées d’un nuage de matière où l’interaction entre le gaz, la poussière et les photons UV est particulièrement importante. L’étude de ces régions permet de comprendre l’influence d’une étoile massive sur son voisinage, qui peut favoriser l’effondrement gravitationnel du nuage de matière entraînant la formation de nouvelles étoiles. L’observation de ces régions par les instruments IRS-Spitzer et HIFI-Herschel fournie des cubes hyperspectraux au sein desquels les observations sont mélangées.
L'objectif de cette thèse est de fournir des outils alternatifs d'analyse des cubes hyperspectraux, basés sur des méthodes de séparation aveugle de sources (SAS) qui permettent une décomposition mathématique des cubes en un jeu de spectres élémentaires et de cartes d'abondance associées. Dans ce but, nous proposons trois approches pour effectuer la séparation des données.
Une première contribution est fondée sur l'hybridation de méthodes existantes de SAS : une méthode parcimonieuse (SpaceCORR) et une méthode de factorisation en matrices non négatives (NMF). Nous montrons que la combinaison de ces deux approche permet d'améliorer les performances des méthodes utilisées seules. Nous proposons ensuite deux méthodes originale de SAS permettant de relâcher la contrainte de parcimonie de SpaceCORR : i) la méthode MASS (Maximum Angle Source Separation) est une méthode géométrique basée sur l'extraction de pixels mono-sources pour réaliser la séparation des données, en l'absence de la condition dite de "somme à 1". ii) la méthode SIBIS (Subspace-Intersection Blind Identification and Separation) est une méthode géométrique basée sur l'identification de l'intersection de sous-espaces engendrés par des régions de l'image hyperspectrale. Ces intersections permettent, sous une hypothèse faible de parcimonie, de réaliser la séparation des données. L'ensemble des approches proposées dans ces travaux ont été validées par des tests sur données synthétiques puis appliquées avec succès sur données réelles.

Afficher le pied de page