Caracterisation de textures d'images radar par reseaux de neurones

Caracterization of radar remote sensing textures with neural networks

• Auteur / Autrice : PHILIPPE MAINGUENAUD
• Direction : R. JEANSOULIN
• Type : Thèse de doctorat
• Discipline(s) : Terre, océan, espace
• Date : Soutenance en 1995
• Etablissement(s) : Paris 6

Résumé

Ce travail a pour but de caracteriser les proprietes texturales presentes dans les images radar s. A. R. Afin de realiser une classification efficace des differentes classes. Les images traitees concernent des zones de guyane dans le cadre du projet pilote ppf12 de l'environnement fluvial et cotier en guyane francaise. Ce type d'image interdit toute hypothese sur les distributions statistiques des niveaux de gris de chacune des classes. Notre travail a consiste a selectionner les methodes neuronales afin de construire des regles d'apprentissage des proprietes texturales des niveaux de gris. Nous avons tout d'abord etudie l'etalement spatial de la texture. Pour cette taille de fenetre d'analyse, nous avons evalue le codage qui fournissait les meilleurs taux d'apprentissage au sens neuronal. Notre choix s'est porte sur le classique spectre de fourier. Apres avoir verifie l'amelioration apportee par le couplage des donnees multi-temporelles, nous cherchons le moyen d'atteindre des resultats similaires a partir d'une seule image source. Pour ce faire, nous filtrons l'image brute pour extraire certaines proprietes texturales au detriment de certaines autres. Le couplage des informations de l'image brute et des images filtrees permet d'atteindre les resultats obtenus par l'approche multi-temporelles lorsque celle-ci est possible. Nous introduisons la methode hierarchique dans les techniques neuronales pour accelerer et ameliorer la qualite de l'apprentissage. Cette decomposition permet d'obtenir de tres nettes ameliorations qui se concretisent par une classification automatique et assez detaillee des differentes images testees. Nous avons compare notre approche avec la methode des (k) plus proches voisins. Cette comparaison fait apparaitre une plus grande homogeneite dans la classification pour les methodes neuronales. Malgre les resultats satisfaisants que nous avons obtenus, nous avons etudie plus en detail l'influence des differentes frequences selectionnees sur la rapidite et la qualite de l'apprentissage