Semi-automatic Classification of Remote Sensing Images

L'objectif de cette these est de developper des solutions efficaces pour laclassification interactive des images de teledetection. Cet objectif a eterealise en repondant a quatre questions de recherche.La premiere question porte sur le fait que les descripteursd'images proposees dans la litterature obtiennent de bons resultats dansdiverses applications, mais beaucoup d'entre eux n'ont jamais ete utilises pour la classification des images de teledetection. Nous avons teste douzedescripteurs qui codent les proprietes spectrales et la couleur, ainsi que septdescripteurs de texture. Nous avons egalement propose une methodologie baseesur le classificateur KNN (K plus proches voisins) pour l'evaluation desdescripteurs dans le contexte de la classification. Les descripteurs Joint Auto-Correlogram (JAC),Color Bitmap, Invariant Steerable Pyramid Decomposition (SID) etQuantized Compound Change Histogram (QCCH), ont obtenu les meilleursresultats dans les experiences de reconnaissance des plantations de cafe et depâturages.La deuxieme question se rapporte au choix del'echelle de segmentation pour la classification d'images baseesur objets.Certaines methodes recemment proposees exploitent des caracteristiques extraitesdes objets segmentes pour ameliorer classification des images hauteresolution. Toutefois, le choix d'une bonne echelle de segmentation est unetâche difficile.Ainsi, nous avons propose deux approches pour la classification multi-echelles fondees sur le les principes du Boosting, qui permet de combiner desclassifieurs faibles pour former un classifieur fort.La premiere approche, Multiscale Classifier (MSC), construit unclassifieur fort qui combine des caracteristiques extraites de plusieursechelles de segmentation. L'autre, Hierarchical Multiscale Classifier(HMSC), exploite la topologie hierarchique de regions segmentees afind'ameliorer l'efficacite des classifications sans perte de precision parrapport au MSC. Les experiences montrent qu'il est preferable d'utiliser des plusieurs echelles plutot qu'une seul echelle de segmentation. Nous avons egalement analyse et discute la correlation entre lesdescripteurs et des echelles de segmentation.La troisieme question concerne la selection des exemplesd'apprentissage et l'amelioration des resultats de classification bases sur lasegmentation multiechelle. Nous avons propose une approche pour laclassification interactive multi-echelles des images de teledetection. Ils'agit d'une strategie d'apprentissage actif qui permet le raffinement desresultats de classification par l'utilisateur. Les resultats des experiencesmontrent que la combinaison des echelles produit de meilleurs resultats que leschaque echelle isolement dans un processus de retour de pertinence. Par ailleurs,la methode interactive permet d'obtenir de bons resultats avec peud'interactions de l'utilisateur. Il n'a besoin que d'une faible partie del'ensemble d'apprentissage pour construire des classificateurs qui sont aussiforts que ceux generes par une methode supervisee qui utilise l'ensembled'apprentissage complet.La quatrieme question se refere au probleme de l'extraction descaracteristiques d'un hierarchie des regions pour la classificationmulti-echelles. Nous avons propose une strategie qui exploite les relationsexistantes entre les regions dans une hierarchie. Cette approche, appelee BoW-Propagation, exploite le modele de bag-of-visual-word pour propagerles caracteristiques entre les echelles de la hierarchie. Nous avons egalementetendu cette idee pour propager des descripteurs globaux bases sur leshistogrammes, l'approche H-Propagation. Ces approches accelerent leprocessus d'extraction et donnent de bons resultats par rapport a l'extractionde descripteurs globaux.