La tête dans les étoiles

Elève en troisième année à Grenoble INP – Ense3, Paul Vandame a obtenu le Grand Prix de l’Innovation 2019 décerné par son école pour ses travaux sur l’analyse d’images hyperspectrales du nuage ORION-B.

Paul Vandame a la tête dans les étoiles, mais les pieds bien sur terre. Actuellement en troisième année de Grenoble INP – Ense3 en filère SICOM (Signal, Image, Communication et Multimedia), filière commune avec Phelma, ce brillant élève a remporté le Challenge Innovation suite au projet de recherche organisé par son école en deuxième année. Jocelyn Chanussot, chercheur au GIPSA-lab*, lui avait pour l’occasion proposé de travailler avec des astrophysiciens dans le cadre du projet ORION-B, dont l’objectif est d’observer un pan lointain d’univers où se forment des étoiles.

Concrètement, il s’agissait de rendre exploitables les images hyperspectrales** obtenues par les radiotélescopes ciblés sur ORION-B, un nuage moléculaire lointain. « Il se trouve que les images brutes sont bruitées, un peu comme lorsque l’on regarde un téléviseur qui ne capte aucune chaîne, explique-t-il. Pour exploiter les informations qu’elles contiennent, il faut se débarrasser du bruit parasite. » Mais la tâche est complexe, car le bruit observé varie d’un pixel à l’autre, le capteur bougeant entre deux prises. De ce fait, les algorithmes classiques de débruitage ne peuvent en venir à bout.

Les réseaux de neurones à la rescousse

C’est là que le futur ingénieur spécialisé en mathématiques, statistiques et traitement du signal intervient. Pour cela, il se base sur des travaux réalisés et publiés par Giorgio Licciardi, également chercheur au GIPSA-lab et Jocelyn Chanussot sur des réseaux de neurones*** bien particuliers : les auto-encodeurs. Le principe de fonctionnement de ces réseaux de neurones consiste à compresser l’information puis à la décompresser après traitement. « Or, ce traitement élimine automatiquement le bruit car il s’affranchit de l’aspect aléatoire des données, explique le futur ingénieur. Ainsi, le passage de l’image dans l’auto-encodeur se traduit par un débruitage efficace de l’image. » Mieux : non seulement le réseau de neurones rend les images hyperspectrales utilisables et compréhensibles, mais il permet également, et c’est une surprise, d’en extraire par un procédé statistique des paramètres physiques et chimiques du milieu observé. Cela en obligeant le réseau à représenter des paramètres physiques au cœur de l’autoencodeur. « On a pu vérifier la validité de la technique en comparant les résultats obtenus pour des paramètres calculés par les astrophysiciens par d’autres moyens. » Ces travaux qui lui ont valu le prix du Challenge de l’Innovation ont été présentés par Paul Vandame à Amsterdam à la conférence IEEE WHISPERS 2019 sur l’imagerie hyperspectrale. Une publication scientifique plus complète est en cours.

_________________________________________________________________

*CNRS, Grenoble INP, UGA
**A la différence de l'imagerie panchromatique qui ne rend compte que d'une information d'intensité lumineuse (image en niveaux de gris), ou même de l'imagerie couleur qui ne mesure l'information que dans les couleurs primaires (rouge, vert et bleu), l'imagerie hyperspectrale mesure l'information réfléchie dans plusieurs centaines de longueurs d'onde, couvrant les domaines du visible, de l'infra-rouge, voire du thermique.
 ***Système informatique basé sur le fonctionnement du cerveau humain