FUSION TARDIVE D'IMAGES SPOT 6/7 ET DE DONNÉES MULTITEMPORELLES SENTINEL-2 POUR LA DÉTECTION DE LA TACHE URBAINE

International audienceLa fusion d'images multispectrales à très haute résolution spatiale (THR) avec des séries temporelles d'images moins résolues spatialement mais comportant plus de bandes spectrales permet d'améliorer la classification de l'occupation du sol. Elle permet en effet de tirer le meilleur parti des points forts, respectivement, géométriques et sémantiques de ces deux sources. Le travail proposé ici s'intéresse à un processus d'extraction automatique de la tache urbaine fondé sur la fusion tardive de classifications obtenues respectivement à partir d'images satellitaires Sentinel-2 et SPOT 6/7. Ces deux sources sont d'abord analysées indépendamment selon 5 classes, respectivement par Forêt Aléatoire et réseaux de neurones convolutifs. Les résultats sont alors fusionnés afin d'extraire les bâtiments le plus finement possible. Cette étape de fusion inclut une fusion au niveau pixellaire, suivie d'une étape de régularisation spatiale intégrant un terme lié au contraste de l'image. Le résultat obtenu connaît ensuite une seconde fusion afin d'en déduire la tache urbaine en elle-même : une mesure a priori de zone urbaine est calculée à partir des objets bâtiments détectés au préalable, puis fusionnée avec une classification binaire dérivée de la classification originale des données Sentinel-2. Les résultats montrent bien la complémentarité des deux sources de données ainsi que la pertinence de l'adoption d'une stratégie de fusion tardive. Abstract Fusion of very high spatial resolution multispectral (VHR) images with time series of lower spatial resolution images with more spectral bands can improve land cover classification, combining geometric and semantic advantages of both sources, respectively. This study presents a strategy to extract the urban footprint using decision-level fusion of individual classifications on Sentinel-2 and SPOT 6/7 satellite images. First, both sources are classified separately in five classes, using state-of-the-art supervised Random Forest classification and Convolutional Neural Networks. The two results are then merged in order to extract individual buildings with the highest spatial precision conceivable. Secondly, detected buildings are merged again with the Sentinel-2 classification so as to extract the artificialized areas ; the building labels from the regularization step are dilated in order to connect the building objects ; a binary classification is derived from the original Sentinel-2 classification before being reintroduced in a fusion and contrast sensitive regularization process so as to eventually retrieve the urban footprint. Results show well the complementary between both data sources as well as the relevance of the late fusion stategy