Détection de changements et classification sous-pixeliques en imagerie satellitaire : Application au suivi temporel des surfaces continentales

Sub-pixelic change detection and classification : Application to remote-sensing land-cover monitoring

• Auteur / Autrice : Amandine Robin
• Direction : Sylvie Le Hégarat, Lionel Moisan
• Type : Thèse de doctorat
• Discipline(s) : ?
• Date : Soutenance en 2007
• Etablissement(s) : Paris 5

Mots clés

Mots clés contrôlés

Imagerie satellitaire

Traitement d'images

Résumé

Dans cette thèse, nous nous intéressons à l'analyse et au suivi temporel des surfaces continentales à partir de séquences d'images satellitaires. L'exploitation de données de différentes résolutions est alors cruciale pour bénéficier à la fois d'une bonne discrimination et d'une bonne localisation des objets d'intérêt. Dans ce contexte, nous proposons deux approches probabilistes pour la classification et la détection de changements capables d'accéder à une information sous-pixelique, avec très peu d'information a priori. La première repose sur la définition d'une fonction d'énergie dans un cadre bayésien. Etant donné un nombre de classes, elle permet d'estimer la classification de manière non-supervisée en tant que minimum de cette fonction d'énergie, à travers un algorithme de recuit simulé. La seconde repose sur un modèle de détection a-contrario couplé à un algorithme stochastique d'échantillonnage aléatoire. Elle permet de détecter automatiquement les pixels de l'image qui représentent le plus vraisemblablement des changements. Une analyse théorique et expérimentale des méthodes proposées a permis d'en cerner les limites et, en particulier, de montrer leur capacité à traiter de forts rapports de résolution. Des cas réels d'applications sont présentés sur une scène agricole de la Plaine du Danube (base de données ADAM)

This thesis focuses on the land cover analysis and monitoring from remote sensing time series. The use of data with different resolution is critical for both a good discrimination and a good localization of the objects of interest. In this context, we propose two approaches for sub-pixelic classification and change detection, using very few {\it a priori} information. The first one is based on the definition of an energy function in a Bayesian framework. Given a number of classes, it enables an unsupervised estimation of the classification as a minimum of this energy function, through a simulated annealing algorithm. The second one is based on an a-contrario detection model with a stochastic algorithm that automatically selects the image subdomain representing the most likely changes. A theoretical and experimental analysis of the proposed approaches enabled to estimate their limitations and, in particular, to show their capability to deal with high resolution ratios. Actual applications are presented in the case of an agricultural scene of the Danubian plain (ADAM database).