Classification multi-vues d'un objet immergé à partir d'images sonar et de son ombre portée sur le fond

In the context of mine warfare, the classification of objects laying on the seabed is based on the characterization of their associated cast shadows. However, a single view may not be sufficient to classify new types of mines which are specific in shape. Multiple views can then be used to alleviate some ambiguities. Our study starts by considering sonar imagery particularities. On the one hand, pixels statistic properties as well as the principle of sonar image formation provide some useful knowledge to be integrated in the segmentation step. On the other hand, shadows undergo geometric distortions caused by sonar performances or under a particular view. This problem is differently tackled during the pattern recognition process designed to provide two types of features : whereas the first ones do not depend on relative sonar-object positions, the second ones allow contour reconstruction while keeping orientation information of the shape. On account of the previous single view analysis, more complex processes have been derived to enable a robust multi-view classification. At first, we deal with features extracted from each view. Two cases are presented : by using the shadow shapes evolution over the sonar trajectory or, on the contrary, by removing shapes deformations. In the first case, we use features sensitive to shadow changes and sequentially store their values to provide a complete multi-view characterization. In the second case, without precise requirements about the acquisition conditions, extracted features are fused to be presented to the operator as measures. Secondly, we were interested in fuzzy logic which allows the extension of pattern recognition tools to the characterization of fuzzy geometry of image subsets. This has been applied to a new image created from the whole views of the sequence.La classification sur ombre de mines marines peut être effectuée à partir d'images sonar haute résolution. Cependant, la classification mono-vue admet des limites du fait de leur forme géométrique parfois complexe. Une manière de s'affranchir des ambiguïtés consiste à effectuer une classification multi-vues. Dans un premier temps, il convient d'assimiler les spécificités de l'imagerie sonar. D'un côté, les propriétés statistiques des pixels et le principe d'acquisition des images sont des connaissances avantageusement prises en compte lors de l'étape de segmentation. D'un autre côté, les distorsions géométriques qui affectent l'ombre portée du fait des performances du sonar et de la prise de vue doivent être considérées. En matière de reconnaissance de formes, les données sonar segmentées peuvent être diversement résumées suivant qu'on s'attache à définir des grandeurs indépendantes des positions relatives objet-sonar et/ou de la résolution du sonar ou bien, autorisant une reconstruction du contour et la conservation de l'orientation de la forme associée. Ces considérations du problème mono-vue ont préparé l'élaboration de processus plus complexes de classification multi-vues. D'une part, on manipule les attributs issus d'un traitement image par image. Deux cas se présentent : en exploitant l'évolution de la forme de l'ombre en fonction du trajet du sonar ou, au contraire, en s'affranchissant des transformations du plan. Dans le premier cas, on caractérise de manière globale l'ensemble des valeurs successives prises par des attributs sensibles aux diverses formes de l'ombre. Dans le second cas, sans connaissance précise des conditions d'acquisition, les attributs extraits sont fusionnés et présentés à l'opérateur sous forme de mesures pour l'aide à la décision. Par la logique floue d'autre part, les outils de reconnaissance de formes calculés sur des données binaires ont été étendus au cas de données en niveaux de gris d'une nouvelle image pour sa caractérisation