Multilevel fusion for classification of very high resolution remote sensing images

• Auteur / Autrice : Ahsan Ursani
• Direction : Joseph Ronsin, Kidiyo Kpalma
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et de l'image
• Date : Soutenance en 2008
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)

Mots clés

Mots clés contrôlés

Fusion multicapteurs

Signal, Théorie du (télécommunications)

Résumé

La télédétection s’avère être une discipline aux nombreuses applications telles que, la défense du territoire, la planification urbaine, la santé et la gestion de l’environnement. La collecte d’informations statistiques sur la végétation, dans une zone agricole, est une tâche essentielle de la télédétection. L’acquisition et le traitement d’images satellitaires à très haute résolution (THR) fournissent les moyens d’accomplir de telles tâches. Le traitement de ces images satellitaires exige non seulement de la puissance de calcul mais aussi les développements algorithmiques sophistiqués en segmentation et classification d’images. Cette thèse présente un travail de mise en œuvre de traitements efficaces en analyse, dans le domaine spectral et celui de la texture, sur des images à très haute résolution (THR). Ce travail combine les résultats de ces deux analyses pour une classification améliorée du couvert végétal. L’analyse spectrale présentée ici s’appuie sur une classification non supervisée, tandis que l’analyse de texture adopte une procédure de classification supervisée. La fusion des informations de type contour, issues de l’analyse spectrale non supervisée, et des informations de type bloc, issues de l’analyse texturale supervisée, conduit à des résultats de classification intéressants et encourageants. En guise d’application, la thèse étudie le cas d’un site comportant vergers, cultures maraîchères, vignes, forêts, jachères de la région de Nîmes en France. La contribution apportée ici concerne, d’une part, une amélioration de la méthode des k plus proches voisins, d’autre part, une solution à l’invariance en rotation des caractéristiques texturales issues d’une transformée de Fourier discrète, et enfin une méthode de fusion d’une classification supervisée avec une classification non supervisée.

Remote sensing is a promising technology that finds as diverse applications as defence, urban planning, healthcare, and environmental management. Collecting countrywide statistics of crop yield is one of the main tasks of remote sensing. Acquiring and processing very high resolution (VHR) satellite images are means accomplishing this task. Processing these remotely sensed (RS) images requires not only computational power but also improved algorithms for image segmentation and classification. This thesis aims at presenting the work carried out for applying computationally efficient spectral and textural analysis on very high resolution RS images, and combining the results from the two analyses for improve classification of vegetation covers. The spectral analysis presented here adopts the unsupervised approach of classification, whereas the textural analysis adopts the supervised approach of classification. The fusion of the contour information from the unsupervised spectral analysis with the pixel class information from the supervised textural analysis yields successful classification results. The thesis takes as a test case, a site covered with orchards, truck crops, crop fields, vineyards, forest, and fallows from Nîmes’ region, France. The real contribution includes improved version of the unsupervised classification method based on k-means clustering, a method of introducing rotation invariance into the texture features based on discrete Fourier transform, and a method of fusing a supervised classification with an unsupervised classification. This thesis is all about developing these algorithms.