Modélisation de fonds multispectraux texturés et hétérogènes pour la détection d'anomalies

Detection methods for spotting covered up objects are used in many fields of applications, including the exploration of millitary battlefields. In this context, no specification about what to detect can be known a priori. Anomaly detection methods can deal without these informations and are the starting point of this thesis. In this work, the considered data are multispectral images of natural scenes containing covered up targets. The vegetation present in these backgrounds causes strong textured aspects. We propose to exploit simultaneously both spectral and spatial informations to measure the gain obtained by considering the textures within an anomaly detection method. As a matter of fact, the false-positive rate is prone to increase on highly textured scenes if this kind of behaviour are not expected by the considererd anomaly detector. Several anomaly detection methods adapted to multispectral backgrounds have been compared to reference detectors that only exploit the spectral information. The first anomaly detectors we propose rely on models like Gaussian Markovian random fields and mixtures of structured Gaussian, allowing parametric tests ; the second ones rely on non-parametric tests operated in kernel-spaces. The obtained results show the necessisty of a joint segmentation and detection for heterogeneous scenes. Moreover, the best result have been obtained through anomaly detectors that do not assume any a priori distribution over data.Des méthodes de détection d’objets camouflés sont utilisées dans de nombreux domaines, dont celui de l’exploration de théâtres d’opérations militaires. Dans ce contexte, les spécificités des cibles à repérer ne sont pas connues a priori. Les méthodes de détection d’anomalies permettent de se passer de ces informations et forment le point de départ de cette thèse. Les données considérées dans ces travaux sont des images multispectrales de fonds naturels contenant des cibles camouflées. Ces fonds présentent un fort aspect texturé du à la végétation. Nous proposons d’exploiter conjointement les informations spectrale et spatiale dans le but de mesurer le gain conféré par la prise en compte des textures dans le cadre d’une détection d’anomalies. En effet, le taux de faux-positifs est susceptible d’augmenter sur des scènes très texturées si ces comportements ne sont pas prévus par le détecteur d’anomalies utilisé. Plusieurs méthodes de détection adaptées aux fonds multispectraux texturés ont été comparées à des détecteurs d’anomalies de référence n’exploitant que l’information spectrale. Les premiers détecteurs proposés reposent sur des modèles de type champs de Gauss-Markov aléatoires et mélanges de gaussiennes structurées, permettant des tests paramétriques ; les seconds sur des tests nonparamétriques dans des espaces à noyaux. Les résultats obtenus montrent la nécessité d’une segmentation conjointe à la détection d’anomalies sur des images hétérogènes. Par ailleurs, les meilleurs résultats de détection ont été obtenus grâce aux modèles dépourvus d’à priori sur les distributions des pixels de fonds