THESE

Houria

Sujets

• L?Image (revue)
• Station météorologique
• Résultats électoraux de l'extrême gauche en France
• Hrvoje Miholjevi?
• Pixel par pouce
• Validation des billets

Informations

• Publié par: Thoek
• Nombre de lectures: 267
• Langue: Français
• Poids de l'ouvrage: 3 Mo

Extrait

N° d’ordre : 01/2008-D/EL République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie Houari BOUMEDIENE FACULTE D'ELECTRONIQUE ET INFORMATIQUE THESE Présentée pour l’obtention du diplôme de DOCTORAT EN : ELECTRONIQUE Spécialité : Traitement d’Images Par : KHEDAM Radja THEME CONTRIBUTION AU DEVELOPPEMENT DE METHODOLOGIES DE FUSION/CLASSIFICATION CONTEXTUELLES D’IMAGES SATELLITAIRES MULTI-SOURCES. Application à la cartographie thématique du milieu urbain de la ville d’Alger. Soutenue le 09 / 02 / 2008, devant le jury composé de : Professeur U.S.T.H.B M. A. Houacine Président urMme A. Belhadj-Aissa Directrice de thèse Professeur E.N.P Mme L. Hamami Examinatrice Professeur Univ. Blida M. M. Bensebti Examinateur ProfesseurM. Y. Smara ur Maître de Conférences Univ. Constantine M. S. Chikhi Examinateur REMERCIEMENTS Les travaux présentés dans cette thèse, ont été développés et mis en œuvre au sein du Laboratoire de Traitement d’Images et Rayonnement (LTIR) de la Faculté d’Electronique et Informatique (FEI) de l’Université des Sciences et de la Technologie Houari Boumediene (USTHB). En premier lieu, je tiens à exprimer ma profonde gratitude à Madame A. Belhadj-Aissa, Professeur à l’USTHB, pour avoir dirigé ma recherche depuis le Magister et pour la confiance et l’intérêt qu’elle m’a témoignés tout au long de l’élaboration de cette thèse. Je lui suis très reconnaissante pour le suivi régulier et formateur reçu durant ces six années de Doctorat, et bien avant, durant les trois années de Magister. Je la remercie pour la démarche scientifique rigoureuse et l’esprit d’auto-critique qu’elle a su m’inculquer. J’espère avoir été à la hauteur de ces espérances. J'adresse mes remerciements les plus sincères à Monsieur A. Houacine, Professeur à l'USTHB, pour l’honneur qu’il me fait en acceptant de présider le jury de cette thèse. Je tiens à exprimer ma reconnaissance à Monsieur Y. Smara, Professeur à l'USTHB, tant pour avoir accepté de prendre part au jury de cette thèse, que pour ses remarques, ses critiques, ses encouragements et la grande disponibilité dont il a fait toujours preuve au laboratoire. Mes vifs remerciements vont aux membres du jury qui ont accepté de prendre de leur temps pour examiner mon travail : Madame L. Hamami, Professeur à l’Ecole Nationale Polytechnique (ENP), Monsieur M. Bensebti, Professeur à l’Université Saad Dahlab de Bilda (USDB) et Monsieur S. Chikhi, Maître de Conférences à l'Université Mentouri de Constantine (UMC). Au cours de ces six années de recherche, j’ai eu à effectuer deux stages de courtes de durées : le premier, en 2005, au département Image et Traitement de l’Information (ITI) de l’Ecole Nationale Supérieure des Télécommunications de Bretagne (ENSTB), France, sous la direction de Monsieur G. Mercier, Maître de Conférences à l’ENSTB, le second, en 2006, au Laboratoire d'Automatique, de Mécanique, et d'Informatique industrielles et Humaines (LAMIH) de l’Université de Valenciennes et du Hainaut Cambrésis (UVHC), France, sous la direction de Monsieur A. Ahmed-Taleb, Professeur à l’UVHC. Que Monsieur G. Mercier et Monsieur A. Ahmed-Taleb trouvent ici, l’expression de mes remerciements les plus sincères, pour leur chaleureux accueil et leur disponibilité, ainsi que pour les discussions fructueuses que j’ai eues avec chacun d’eux. Je les remercie pour les idées et les orientations qu’ils m’ont suggérées. Merci aux étudiants que j’ai co-encadrés avec Pr. A. Belhadj-Aissa et qui m’ont aidé à progresser plus vite dans ma recherche. Merci à tous les membres du laboratoire LTIR pour leur sympathie, leur amitié et la bonne ambiance permanente au laboratoire. Merci à celles et ceux qui auront à lire tout ou une partie de ce manuscrit et qui y trouveront un intérêt quelconque. Enfin, un grand MERCI à ma famille pour le soutien et les encouragements qu’elle a su m’apporter pour arriver au terme de cette thèse. J’espère l’honorer avec ce travail.TABLE DES MATIERES Résumé I Liste des figures et des tableaux I Liste des ymboles V Chapitre I : Introduction 1 I. Fusion/classification des images satellitaires 3 I.1. Principe de la fusion de donées 4 I.2. Principe de la classification d’images satellitaires 5 I.3. Approches de fusion/classification des images satellitaires 7 I.3.1. Approche du vecteur empilé (the stacked vector approach) 7 I.3.2. Approches statistiques probabilistes 8 a). Aproche par estimation 8 b). Aproche bayesiene 8 I.3.. Aproche évidentiele 8 I. Structure de la thèse 10 III. Localisation de la zone d’étude et données satellitaires utilisées 12 IV. Prétraitement des images multi-sources 14 IV.1. Corection géométrique 4 IV.2. Correction radiométrique et atmosphérique 14 V. Extraction des bases d’entraînement et de contrôle 17 V.1. Extraction des bases d’entraînement V.2. Extraction des bases de contrôle 18 VI. Critères d’évaluation des méthodologies proposées 21 VI.1. Evaluation statistique – Matrice de confusion 21 VI.2. Signatures pectrales 22 VI.3. Espace des caractéristiques 2 Partie I : Approches mathématiques pour la fusion/classification des images satellitaires Chapitre II : Approche probabiliste 28 Introduction 28 I. Clasifcation bayesiene ponctuele 9 I.1. Règle de décision bayesiene 29 I.2. Clasifcation multispectrale 30 I.2.1. Estimation de la probabilité P(x w ) 0 s i I.2.2. Fonction discriminante 31 I.3. Fusion/clasifcation multi-capteurs 32 Résultats et comentaires 3 I.4. Intérêt de l’information spatiale 36 I. Clasifcation bayesiene contextuele 6 II.1. Approche MAP 37 II.1.1. Modélisation de la probabilité P(X W ) 8 II.1.2. Modélisation de la probabilité P(W ) 38 a). Modèle de Markov 8 II.1.3. Algorithmes d’approximation du MAP 41 a). Heuristique « recuit simulé » 41 b). Algorithme ICM 2 I.2. Aplication de l’ICM 42 II.2.1. Classification de données mono-capteurs 42 II.2.2. de multi-capteurs 43 Résultats et comentaires 46 II.2.3. Classification de données multitemporelles 51 Résultats et comentaires 54 Conclusion 9 Chapitre III : Approche évidentielle 61 Introduction 1 I. Théorie de l’évidence de Dempster-Shafer (DST) 61 I.1. Formalisme mathématique 62 I.1.. Cadre de discernement 2 I.1.2. Fonction de masse élémentaire 62 I.1.3. Fonctions de crédibilité et de plausibilité 62 I.2. Règle de fusion de Dempster 63 I.3. Notion de conflit dans la DST 3 I.4. Prise de décision dans la DST 64 I.4.1. Maximum de crédibilité 64 I.4.2. Maximum de plausibilité 64 I.4.3.Maximum de crédibilité avec recouvrement des intervalles de confiance 65 I.4.4. Maximum de probabilité pignistique 65 I.5. Estimation des fonctions de mase 65 I.5.1. Fonctions de mases particulières 5 I.5.2. Modèles de transfert des fonctions de masse 66 I.5.3. Modèle de transfert d’Appriou 67 I.5.4. Généralisation du modèle d’Appriou au cas multi-classes 68 II. Application de la DST à la fusion/classification des images satellitaires 72 II.1. Application à la fusion/classification mono-échele 72 II.1.1. Fusion/classification évidentielle mono-capteur 75 Résultats et comentaires 77 II.1.2. Fusion/classification évidentielle multi-capteurs 82 Résultats et commentaires 83 II.1.3. Fusion/classification évidentielle multi-dates 84 Résultats et comentaires 86 II.2. Application à la fusion/classification multi-échelles 93 I.2.1. Principe 94 I.2.. Construction de l’ensemble de fusion 6 a). Modèle non supervisé 96 b). Modèle supervisé 8 Résultats et comentaires 101 Conclusion 10 Partie II : Approches biomimétiques pour la fusion/classification des images satellitaires Chapitre IV : Approches inspirées des mécanismes des vivants 115 Introduction 15 I. Algorithmes évolutionaires 15 I.1. Principe 15 I.2. Etapes d’un processus évolutionnaire 117 I.2.1. Codage 17 I.2.2. Initialisation 117 I.2.3. Sélection 17 I.2.4. Reproduction 118 I.2.5. Fonction « objectif » 119 I.2.6. Remplacement 19 I.2.7. Convergence 19 I.3. Clases d’EAs 19 I.3.1. Algorithmes génétiques (GAs) 120 I.3.2. Algorithmes à estimation de distribution (EDAs) 122 I.3.3. Programmation génétique (GP) 122 I.4. Application des EAs à la fusion/classification des images satellitaires 125 I.4.1. Application du GA 126 Résultats et comentaires 129 I.4.2. de l’EDA 133 Résultats et commentaires 134 I.4.3. Application de la GP 137 Résultats et comentaires 139 I.4.4. Application des EAs à la fusion/classification contextuelle 142 Résultats et comentaires 142 I.5. Approche génétique non supervisée 143 Résultats et commentaires 144 II. Système immunitaire artificiel (AIS)