PROMOTING ACCESS TO AFRICAN RESEARCH

Journal des Sciences Pour l'Ingénieur

Log in or Register to get access to full text downloads.

Remember me or Register



DOWNLOAD FULL TEXT Open Access  DOWNLOAD FULL TEXT Subscription or Fee Access

Reduction of the number of spectral bands in LANDSAT images with projection methods: Pertinence of the resulting Information

L Journaux, I Foucherot, P Gouton

Abstract




Dans cet article, nous présentons des techniques de projection de données, linéaires et non linéaires, que nous avons utilisées afin de réduire le nombre de bandes spectrales à traiter dans des images multispectrales de type Landsat. Les méthodes présentées sont l'Analyse en Composantes Curvilignes (ACC, méthode non linéaire), ainsi qu'une optimisation de celle-ci (appelée ACCinitACP) obtenue à partir de l'Analyse en Composantes Principales (ACP, méthode linéaire). Afin d'évaluer la pertinence de l'information restante après réduction du nombre de bandes spectrales, nous avons appliqué une segmentation sur les images originales et sur les images réduites par chaque méthode de projection. Nous avons ainsi pu constater que l'organisation du paysage est préservée par ces transformations. Cet article montre en outre les résultats
suivants : l'ACC est un outil très intéressant pour le traitement des images multispectrales ; l'ACC peut réellement être considérée comme une extension non-linéaire de l'ACP ; l'ACCinitACP donne des résultats identiques à ceux de l'ACC tout en réduisant les temps de calculs de la transformation..
This paper describes applications of linear and nonlinear projection methods, in order to obtain a reduction of the number of spectral bands in LANDSAT multispectral images. We present Curvilinear Component Analysis (CCA,
nonlinear method) and an optimisation of it based on the use of Principal Component Analysis (PCA, linear method). In order to evaluate the pertinence of the information kept by each transformation, we then apply segmentation on the transformed and original images. This processing allows us to show that the structure (the landscape organization) of the image is preserved by each transformation. This paper tends to show several results: CCA is an improvement for dimensions reduction of multispectral images; CCA is really a nonlinear extension of PCA; CCA optimisation through PCA (called CCAinitPCA) allows a reduction of the calculations, providing a result identical to that of CCA..
Keywords: Télédétection, imagerie multispectrale, méthodes de projection, segmentation; Remote sensing, multispectral image processing, projection methods, segmentation..

Journal des Sciences Pour l\'Ingénieur. Vol. 7 2006: pp. 10-19



AJOL African Journals Online