Restauration des cubes hyperspectraux du spectro-imageur MUSE
Résumé
Nous envisageons la restauration d'observations en imagerie hyperspectrale de champs profonds de l'univers pour le projet instrumental MUSE. En raison de la taille massive des données et du fort niveau de bruit, le problème global de restauration demande à la fois une réduction de dimension et la prise en compte d'informations a priori pertinentes. Des contraintes de parcimonie spectrale sont introduites, permettant de prendre en compte ces deux aspects. Le problème tri-dimensionnel est alors contraint dans un espace spectral de dimension réduite et la déconvolution est réalisée avec un a priori spectralement fort et spatialement peu contraignant. Des simulations attestent de l'intérêt de cette approche conjointe spatiale et spectrale par rapport à une reconstruction individuelle de chaque spectre. En particulier, un exemple est présenté, où deux sources ponctuelles proches et spatialement convoluées sont efficacement restaurées et leurs spectres démélangés.
We consider the restoration of extragalactic deep field hyperspectral imaging data in the context of the forthcoming MUSE instrument. Because of the high quantity of data and of the strong noise level, such restoration problem requires a dimension reduction operation and the incorporation of appropriate prior information. Both points are tackled in this paper by means of sparsity contraints in the spectral domain. The global three-dimensional problem is then constrained to a spectral subspace with lower dimension and deconvolution is performed with strong spectral prior information, and with almost no constraint on the spatial structure of the solution. Simulation results reveal the efficiency of this joint spatial and spectral approach, compared with the individual restoration of each spectrum. In particular, an example with two closely spaced and spatially convolved point sources shows satisfactory restoration and spectral unmixing performance.
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Loading...