Une approche collaborative segmentation - classification pour l'analyse descendante d'images multirésolutions

In the field of remote sensing image analysis, the recognition of complex patterns from satellite images presents several challenges related to the size, the accuracy and the complexity of the considered data. Indeed, due tothe large amount of ground details provided by these images, the classical photo-interpretation approachesdo not provide satisfactory results. In this context, it is then relevant to develop new automatic tools adaptedto the extraction of complex patterns from such data.In this thesis, we have proposed new region-based approaches (i.e., segmentation and classification) enablingto extract different levels of information from sets of images at different spatial resolutions. Indeed, suchmultiresolution sets of images provide different (complementary) views on the represented objects of interestand can be used to make easier the extraction process of these objects. The main principle of the propose d'approach is to progressively extract and classify segments/objects of interest from the lowest to the highestresolution data, and then finally to determine complex patterns from VHSR images. This approach, inspired by the principle of photo-interpretation and human vision, merges hierarchical segmentation approaches withmultiresolution clustering strategies combined to the integration of high-level background knowledge.The proposed framework has been validated in the context of the urban mapping of complex objects.Experiments have been carried out on multiresolution sets of satellite images sensed over different cities. Theresults obtained have shown that the quality and the accuracy of the extracted patterns seem sufficient tofurther accurately perform both classification or object detection in an operational context.Depuis la fin des années 1990, les images optiques à très hautes résolutions spatiales issues de capteurs satellitaires sont de plus en plus accessibles par une vaste communauté d’utilisateurs. En particulier, différents systèmes satellitaires sont maintenant disponibles et produisent une quantité de données importante, utilisable pour l’observation de la Terre. En raison de cet important volume de données,les méthodes analytiques manuelles deviennent inadaptées pour un traitement efficace de ces données. Il devient donc crucial d’automatiser ces méthodes par des procédés informatiques, capables de traiter cette quantité de données hétérogènes.Dans le cadre de cette thèse, nos recherches se sont focalisées sur le développement de nouvelles approches basées régions (i.e., segmentation et classification) permettant l’extraction de plusieurs niveaux de connaissance et d’information à partir d’ensembles d’images à différentes résolutions spatiales. De telles images offrent en effet des vues différentes de la scène étudiée, ce qui peut permettre de faciliter l’extraction des objets d’intérêt. Ces derniers étant structurés sous la forme de hiérarchies d’objets complexes, nos travaux se sont naturellement tournés (1) vers l’utilisation d’approches de segmentation hiérarchique fournissant des ensembles de partitions de la scène à différents niveaux de détail et (2) vers l’intégration de connaissances de haut-niveau dans les processus de fouille de données. De manière plus générale, nous nous sommes intéressés à élaborer un outil informatique reposant sur une stratégie d’analyse descendante,similaire à celle d’un utilisateur, qui consiste à interpréter la scène en considérant, en premier lieu, les grandes zones composant les territoires (à partir des images aux résolutions les plus grossières) puis à affiner récursivement le niveau d’interprétation pour en extraire des zones plus spécialisées (à partir des images aux résolutions les plus fines).L’ensemble de ces travaux a été implanté dans une bibliothèque logicielle et validé dans le contexte de l’analyse d’environnements urbains à partir d’ensembles d’images multi résolutions