Classification supervisée d'images d'observation de la Terre à haute résolution par utilisation de méthodes markoviennes

The classification of remote sensing images including urban areas is relevant in the context of the management of natural disasters (earthquakes, floodings...), and allows to determine land-use and establish land cover maps, or to localise damaged areas. The supervised classification methods developed during this PhD thesis are essentially based on Markovian models. The first part of the study deals with the classification of single-polarized, mono-resolution synthetic aperture radar (SAR) amplitude images. The selected method consists in modeling the class-conditional statistics by resorting to finite mixture models, and then to plug these statistics into a Markov random field (MRF). To improve the classification results in urban areas, affected not only by speckle noise, but particularly difficult to process given their heterogeneity, we extracted a textural feature from the initial image which aims at discriminating the urban areas (e.g. Haralick's variance). The textural feature statistics are combined with those of SAR amplitude image by using bivariate copulas. Next, we extended the single-scale model to a hierarchical Markov random field integrated in a quad-tree structure. This model includes a prior update that experimentally leads to results less affected by speckle. The mono-resolution data are hierarchically decomposed using a wavelet transform. The main advantage of this approach is that multi-resolution and/or multi-sensor acquisitions can directly be integrated in the tree. We applied the proposed hierarchical classification to SAR COSMO-SkyMed multi-resolution acquisitions, and to coregistered optical/SAR data. At each tree level, the statistics are independently modeled by finite mixtures of Gaussian distributions when considering optical images, and by finite mixtures of generalized Gamma distributions when considering the SAR amplitude data. Such statistics are then combined by using multivariate copulas, and plugged in the hierarchical model. We tested and validated these methods on real SAR and optical data.La classification d'images de télédétection incluant des zones urbaines permet d'établir des cartes d'utilisation du sol et/ou de couverture du sol, ou de zones endommagées par des phénomènes naturels (tremblements de terre, inondations...). Les méthodes de classification développées au cours de cette thèse sont des méthodes supervisées fondées sur des modèles markoviens. Une première approche a porté sur la classification d'images d'amplitudes issues de capteurs RSO (radar à synthèse d'ouverture) à simple polarisation et mono-résolution. La méthode choisie consiste à modéliser les statistiques de chacune des classes par des modèles de mélanges finis, puis à intégrer cette modélisation dans un champ de Markov. Afin d'améliorer la classification au niveau des zones urbaines, non seulement affectées par le bruit de chatoiement, mais aussi par l'hétérogénéité des matériaux qui s'y trouvent, nous avons extrait de l'image RSO un attribut de texture qui met en valeur les zones urbaines (typiquement, variance d'Haralick). Les statistiques de cette information texturelle sont combinées à celles de l'image initiale via des copules bivariées. Par la suite, nous avons cherché à améliorer la méthode de classification par l'utilisation d'un modèle de Markov hiérarchique sur quad-arbre. Nous avons intégré, dans ce modèle, une mise à jour de l'a priori qui permet, en pratique, d'aboutir à des résultats moins sensibles bruit de chatoiement. Les données mono-résolution sont décomposées hiérarchiquement en ayant recours à des ondelettes. Le principal avantage d'un tel modèle est de pouvoir utiliser des images multi-résolution et/ou multi-capteur et de pouvoir les intégrer directement dans l'arbre. En particulier, nous avons travaillé sur des données optiques (type GeoEye) et RSO (type COSMO-SkyMed) recalées. Les statistiques à chacun des niveaux de l'arbre sont modélisées par des mélanges finis de lois normales pour les images optiques et de lois gamma généralisées pour les images RSO. Ces statistiques sont ensuite combinées via des copules multivariées et intégrées dans le modèle hiérarchique. Les méthodes ont été testées et validées sur divers jeux de données mono-/multi-résolution RSO et/ou optiques