Sujet de Thèse
Titre :
Fusion de données multimodales et applications à l'imagerie géologique
Dates :
2025/10/01 - 2028/10/31
Encadrant(s) : 
El-Hadi DJERMOUNE , Paul CATALA
Autre(s) encadrant(s) :
DELCHINI Sylvain (s.delchini@brgm.fr)
Description :
Dans plusieurs domaines, allant de la santé aux géosciences, les informations associées à un même phénomène peuvent être acquises en utilisant
différents capteurs et dans différentes conditions d'acquisition. L'utilisation d'une seule acquisition est souvent insuffisante pour obtenir une
connaissance complète du phénomène observé [1]. L'exploitation conjointe des observations multimodales nécessite une étape de fusion
d'informations. Cette dernière peut être réalisée directement sur les données brutes issues des différentes modalités ou sur des caractéristiques
extraites des données.
Ce projet de thèse s'inscrit dans le cadre du PEPR Sous-Sol Innovtech. L'un des objectifs du projet est de développer des méthodes permettant la
caractérisation minéralogique d'échantillons géologiques en utilisant des données issues de plusieurs modalités de spectroscopie intégrant la
fluorescence X, la spectroscopie Raman et infrarouge. L'identification des minéraux nécessite parfois l'exploitation de plusieurs modalités
d'acquisition correspondant à différentes bandes spectrales comme le proche infrarouge (NIR), l'infrarouge court (SWIR) et l'infrarouge moyen
(MWIR). Les données issues de ces différentes modalités doivent être mises en correspondance dans une représentation numérique commune pour
pouvoir les exploiter. L'objectif de la thèse est de proposer des algorithmes de fusion rapides pour traiter des images comportant jusqu'à 105 voxels,
chacun constitué d'une centaine de longueurs d'onde. Dans un premier temps, l'intérêt sera porté sur les méthodes de fusion basées sur le transport
optimal [2,3] et sur les décompositions tensorielles de rang faible [4,5] exploitant soit les données brutes soit des caractéristiques extraites des
données. Dans un deuxième temps, le travail portera sur des méthodes de fusion fondée sur l'apprentissage profond. Ce travail de thèse bénéficiera de
données réelles obtenues sur une plateforme du BRGM à Orléans.

[1] D. Lahat, T. Adali, C. Jutten. "Multimodal Data Fusion: An Overview of Methods, Challenges and Prospects," Proceedings of the IEEE, vol. 3,
no. 9, 2015.
[2] N. Courty, R. Flamary, D. Tuia, T. Corpetti. "Optimal Transport for Data Fusion in Remote Sensing," IGARSS, Jul 2016, Beijing, China.
[3] J. Mifdal, B. Coll, N. Courty, J. Froment, B. Vedel. "Hyperspectral and multispectral Wasserstein barycenter for image fusion," IGARSS 2017,
Jul 2017, Houston, United States.
[4] C. I. Kanatsoulis, X. Fu, N. D. Sidiropoulos, W.-K. Ma, Hyperspectral super-resolution: A coupled tensor factorization approach," IEEE Trans.
Signal Process., vol. 66, no. 24, pp. 6503⬓6517, Dec. 2018.
[5] C. Prévost, K. Usevich, D. Brie, P. Comon. "Hyperspectral Super-Resolution With Coupled Tucker Approximation: Recoverability and SVD-
Based Algorithms," IEEE Trans. Signal Process., vol. 68, 2020.
Mots clés :
Image hyperspectrale, fusion de données, transport optimal, décomposition tensorielle
Conditions :
Durée : 36 mois
Employeur : Université de Lorraine
Lieu : Faculté des Sciences et Technologie, bâtiment Henri Poincaré (1er cycle)
Rémunération : contrat doctoral (environ 2200 € bruts/mois)
Profil : Master 2 en traitement du signal, science des données ou mathématiques appliquées
Département(s) : 
Biologie, Signaux et Systèmes en Cancérologie et Neurosciences
Financement :
Projet InnovTech - PEPR Sous-Sol