Thèse soutenue

Méthode collaborative de segmentation et classification d'objets à partir d'images de télédétection à très haute résolution spatiale
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Aymen Sellaouti
Direction : Aline DeruyverKhaled Bsaïes
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 16/09/2014
Etablissement(s) : Strasbourg en cotutelle avec Université Tunis El Manar. Faculté des Sciences Mathématiques, Physiques et Naturelles de Tunis (Tunisie)
Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg)
Jury : Président / Présidente : Yahya Slimani
Examinateurs / Examinatrices : Pierre Collet
Rapporteurs / Rapporteuses : Imed Riadh Farah, Nicolas Loménie

Résumé

FR  |  
EN

Avec l’avènement des images satellitaires à très haute résolution, les approches pixelliques ne donnant plus entière satisfaction ont été remplacées par les approches objets. Cependant, ces approches restent tributaires de la première étape qui permet le passage du pixel vers l’objet, à savoir l’étape de construction. L’architecture séquentielle de ces approches fait que les erreurs de l’étape de construction se répercutent sur l’étape d’identification. Il devient donc primordial de passer de cette architecture séquentielle vers une architecture itérative permettant la collaboration entre les étapes de construction et d’identification. Dans le cadre de cette thèse, nous nous sommes concentrés sur l’étude de l’étape de construction(i.e., la segmentation) comme base de départ pour les approches proposées. Nous avons proposé deux approches objets basées sur les techniques de segmentation les plus propices à la collaboration, à savoir les techniques régions et les techniques collaboratives région/contour. La première approche proposée se base sur une croissance sémantique hiérarchique. Elle permet de combiner les algorithmes de croissance de régions et les approches d’analyse d’images orientées objets. La croissance étant spécifique à la classe du germe de départ, nous avons proposé deux adaptations de l’approche sur les objets les plus rencontrés dans le contexte urbain, à savoir, les routes et les bâtiments. La deuxième approche utilise un algorithme évolutionnaire local permettant un paramétrage local des différents agents régions et contours évoluant au sein d’un système multi-agents.