Séparation myope de sources stellaires à partir d'images hyperspectrales par des méthodes bayésiennes : filtre particulaire et MCMC
Résumé
We focus on the problem of stellar spectra separation from hyperspectral data for a dense stellar field observed with the future MUSE spectro-imager. It corresponds to a specific blind source separation problem, where the structure of the mixture is known (linked to the impulse response of the imager) and non-linearly depends on a reduced number of parameters. Our objective is to estimate simultaneously these structure parameters as well as the positions and spectra of the stars. We propose to exploit two Bayesian methods to solve this non-linear estimation problem: a particular filter and a Monte Carlo Markov Chain (MCMC). Both methods provide very good results for estimating the non-linear model parameters (position and mixture) despite the multi-modality of the posterior law.
Nous nous intéressons au problème de séparation de spectres d'étoiles à partir de données hyperspectrales d'un champ stellaire dense obtenues par le futur spectro-imageur MUSE. La structure du mélange est connue (liée à la réponse impulsionnelle de l'imageur) et l'objectif est d'estimer les paramètres de cette structure du mélange ainsi que les positions précises des étoiles et leurs spectres. Nous proposons d'exploiter deux méthodes bayésiennes pour résoudre ce problème d'estimation non-linéaire : un filtre particulaire et une méthode de Monte-Carlo par Chaîne de Markov. Les deux méthodes fournissent de très bons résultats d'estimation sur les paramètres non linéaires du modèle (position et mélange) malgré la multimodalité de la loi a posteriori.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...