Apport de la fusion d'images satellitaires multicapteurs au niveau pixel en télédétection et photo-interprétation

The increase of images acquired by satellites observing the Earth causes to users a problem in exploitation that may be partly solved by data fusion. This work illustrates the benefit of data fusion in remote sensing and photo-interpretation using data from sensors aboard SPOT, ERS-1 and Landsat. The particularities of each sensor, optics (visible, infrared) or radar, are taken into account to perform a fusion called heterogeneous. There is a large number of possible methods in data fusion. We have opted to limit ourselves to the fusion called at pixel level, i.e. close to the signal delivered by the sensor, in opposition to a semantic level. Three methods were developed. The coarse spatial resolution of multispectral images limits their exploitation. We propose a method, called ARSIS, that uses an image of better spatial resolution to enhance that of multispectral images yet preserving the original multispectral content. ARSIS calls upon the multiresolution analysis, the wavelet transform and the modelling of spectral content as a function of scale. A protocol for the assessment of the quality of fused images has been developed in order to compare ARSIS to existing methods on SPOT and Landsat scenes. ARSIS demonstrates a clear benefit in spectral quality compared to other methods. The underlying concept is rich and proposes a wealth of perspectives. Photo-interpretation is difficult because of the large volume of images to display and handle. Several methods were studied for the display of images and above all to synthesize the large volume in a much smaller number of images. Various spaces for representing data and use of colors have been experimented. In the case of fusion of heterogeneous data, it was found that specificities of sensors must be taken into account. A method was developed for fusing optics-radar images, wherein punctual objects having a large radar echo are extracted and displayed in optics context. The third development deals with different architectures for fusion process. The selected application is the automatic classification. Thanks to available ground truth, centralized, decentralized and hybrid architectures may be compared. Their advantages and drawbacks with respect to operational constraints, tractability, and classification performances are discussed. The presented work clearly evidences the benefit of data fusion in classification compared to single sensors processing.Le nombre croissant d'images de la Terre en provenance de capteurs satellitaires pose aux utilisateurs un problème d'exploitation, auquel la fusion de données semble pouvoir apporter des solutions. Ce travail illustre l'apport de la fusion de données en télédétection et en photo-interprétation, sur des données issues des capteurs SPOT, ERS-1, et Landsat, qui sont parmi les plus utilisés dans le domaine. Les spécificités et complémentarités de ces capteurs, de type optique (visible ou infrarouge) ou radar, ont été prises en compte pour réaliser une fusion dite hétérogène. Face à la grande diversité des méthodes de fusion de données, nous avons choisi de nous restreindre à la fusion au niveau pixel, c'est-à-dire proche du signal physique bidimensionnel, par opposition au niveau sémantique. Trois développements méthodologiques majeurs ont été réalisés. L'exploitation thématique des images satellitaires multispectrales se heurte souvent à une limitation de leur résolution spatiale. Afin d'y remédier, nous proposons une méthode, nommée ARSIS, qui utilise une image de meilleure résolution spatiale pour améliorer celle des images multispectrales, sans en modifier l'information spectrale. Les outils mathématiques mis en oeuvre sont l'analyse multirésolution, la transformée en ondelettes, et la modélisation des similitudes spectrales entre les images à fusionner. Des critères d'estimation de la qualité image des produits synthétisés ont été développés, pour pouvoir comparer la méthode ARSIS aux méthodes préexistantes, sur plusieurs scènes SPOT et Landsat. L'intérêt de la méthode ARSIS tient à sa richesse conceptuelle et à un réel gain en qualité spectrale par rapport aux autres méthodes. Nous avons également étudié quelques méthodes de représentation visuelle du volume de données, qui sont destinées à faciliter le travail de photo-interprétation et à améliorer la qualité de l'information extraite, mais aussi à concentrer l'important volume de données en un minimum d'images. Les méthodes de changement d'espace de représentation des données et l'utilisation de la couleur ont été expérimentées. Les critiques des photo-interprètes sur les produits réalisés ont mis en évidence la nécessité de prendre en compte les spécificités des capteurs pour la fusion de données hétérogènes. Nous avons donc développé une méthode de fusion hétérogène optique-radar, qui consiste à extraire les objets ponctuels à fort écho radar pour les représenter dans un contexte optique. Le troisième développement a porté sur la comparaison de différentes architectures de fusion, dont le rôle est de définir l'enchaînement des algorithmes qui constituent une méthode de fusion. L'application retenue est la classification automatique, très utilisée en télédétection, qui permet de comparer numériquement les performances des architectures grâce à l'utilisation d'une vérité terrain. Des architectures centralisée, décentralisée, et une architecture "mixte" sont présentées. Leurs avantages et inconvénients en ternes de contraintes opérationnelles, de souplesse d'utilisation, et de qualité de la classification sont discutés. Ces derniers sont illustrés par la comparaison des résultats de classification des différentes architectures, pour deux classificateurs et deux sites différents. Enfin, ce travail met clairement en évidence l'apport de la fusion en classification par rapport aux traitements monocapteurs