Academic literature on the topic 'Imagerie satellitaire – Classification'

La modélisation automatique de villes à partir d’images satellites est l'un des principaux défis en lien avec la reconstruction urbaine. Son objectif est de représenter des villes en 3D de manière suffisamment compacte et précise. Elle trouve son application dans divers domaines, qui vont de la planification urbaine aux télécommunications, en passant par la gestion des catastrophes. L'imagerie satellite offre plusieurs avantages sur l'imagerie aérienne classique, tels qu'un faible coût d'acquisition, une couverture mondiale et une bonne fréquence de passage au-dessus des sites visités. Elle impose toutefois un certain nombre de contraintes techniques. Les méthodes existantes ne permettent que la synthèse de DSM (Digital Surface Models), dont la précision est parfois inégale. Cette dissertation décrit une méthode entièrement automatique pour la production de modèles 3D compacts, précis et répondant à une sémantique particulière, à partir de deux images satellites en stéréo. Cette méthode repose sur deux grands concepts. D'une part, la description géométrique des objets et leur assimilation à des catégories génériques sont effectuées simultanément, conférant ainsi une certaine robustesse face aux occlusions partielles ainsi qu'à la faible qualité des images. D'autre part, la méthode opère à une échelle géométrique très basse, ce qui permet la préservation de la forme des objets, avec finalement, une plus grande efficacité et un meilleur passage à l'échelle. Pour générer des régions élémentaires, un algorithme de partitionnement de l'image en polygones convexes est présenté
Automatic city modeling from satellite imagery is one of the biggest challenges in urban reconstruction. The ultimate goal is to produce compact and accurate 3D city models that benefit many application fields such as urban planning, telecommunications and disaster management. Compared with aerial acquisition, satellite imagery provides appealing advantages such as low acquisition cost, worldwide coverage and high collection frequency. However, satellite context also imposes a set of technical constraints as a lower pixel resolution and a wider that challenge 3D city reconstruction. In this PhD thesis, we present a set of methodological tools for generating compact, semantically-aware and geometrically accurate 3D city models from stereo pairs of satellite images. The proposed pipeline relies on two key ingredients. First, geometry and semantics are retrieved simultaneously providing robust handling of occlusion areas and low image quality. Second, it operates at the scale of geometric atomic regions which allows the shape of urban objects to be well preserved, with a gain in scalability and efficiency. Images are first decomposed into convex polygons that capture geometric details via Voronoi diagram. Semantic classes, elevations, and 3D geometric shapes are then retrieved in a joint classification and reconstruction process operating on polygons. Experimental results on various cities around the world show the robustness, scalability and efficiency of the proposed approach

Lors de ces travaux, nous nous sommes intéressés au problème très particulier de la classification supervisée d'images satellitaires de zones urbaines à haute résolution spatiale. Deux stratégies ont été mises en oeuvre. La premiére stratégie consiste en une phase d'extraction de caractéristiques spatiales et spectrales et une phase de classification. Ces caractéristiques sont extraites par filtrages morphologiques: ouvertures et fermetures géodésiques et filtrages surfaciques auto-complémentaires. La classification est réalisée avec les machines à vecteurs supports (SYM) non linéaires. Nous proposons la définition d'un noyau spatial-spectral utilisant de manière conjointe l'information spatiale et l'information spectrale extraites lors de la première phase. La seconde stratégie consiste en une phase de fusion de données post-classification. Plusieurs classifiieurs sont appliqués sur différentes données issues d'une même scène (image panchromatique, image multi-spectrale). Pour chaque pixel de l'image, l'appartenance à chaque classe est estimée à l'aide des classifieurs. Les différents résultats sont fusionnés à l'aide d'opérateurs flous. Les différentes méthodes ont été testées sur des images réelles et les résultats obtenus sont significativement supérieurs à ceux considérés comme « états de l'art »
Ln this work, we have investigated the difficult problem of classification of remote sensing data over urban area with high spatial resolution. Two strategies have been proposed. The fmt one is based on a two step-approach: in a fust step, spatial and spectral features are extracted and the classification is done according to the extracted feature in the second step. Morphological processing, such as geodesic opening and closing, have been used to extract spatial and spectral features. For the classification the support vector machine have been used. A novel kemel has been defmed that use both the spectral and spatial information during the classification step. The second strategy is based on data fusion. We proposed a fusion scheme, using fuzzy logic modeling, to fuse the outputs of several classifiers appplied on different data set from a same location. Conflict and uncertainty are solved using estimated of confidence. Experimental results on real data set shown superior accuracy compare to standard approach when using our proposed method

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)

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 premire 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 traîter de forts rapports de résolution. Des cas réels d'applications sont présentés sur une scène agricole de la Plaine du Danube (base de donnes ADAM).

Les images satellitaires ont trouvé une large application pour l'analyse des ressources naturelles et des activités humaine. Les images à haute résolution, e. G. , SpOT5, sont trés nombreuses. Ceci donne un grand intérêt afin de développer de nouveaux aspects théoriques et des outils pour la fouille d'images. L'objectif de la thèse est la fouille non-supervisée d'images et inclut trois parties principales. Dans la première partie nous démontrons le contenu d'images à haute résolution. Nous décrivons les zones d'images par les caractéristiques texturelles et géométriques. Les algorithmes de clustering sont présentés dans la deuxième partie. Une étude de critères de validité et de mesures d'information est donnée pour estimer la qualité de clustering. Un nouveau critère basé sur la Longueur de Description Minimale (LDM) est proposé pour estimer le nombre optimal de clusters. Par ailleurs, nous proposons un nouveau algorithme hiérarchique basé sur le critère LDM à noyau. Une nouvelle méthode de ''combinaison de clustering'' est présentée dans la thèse pour profiter de différents algorithmes de clustering. Nous développons un algorithme hiérarchique pour optimiser la fonction objective basée sur une matrice de co-association. Une deuxième méthode est proposée qui converge à une solution globale. Nous prouvons que le minimum global peut être trouvé en utilisant l'algorithme de type ''mean shift''. Les avantages de cette méthode sont une convergence rapide et une complexité linéaire. Dans la troisième partie de la thèse un protocole complet de la fouille d'images est proposé. Différents clusterings sont représentés via les relations sémantiques entre les concepts
Remote sensed satellite images have found a wide application for analysing and managing natural resources and human activities. Satellite images of high resolution, e. G. , SPOT5, have large sizes and are very numerous. This gives a large interest to develop new theoretical aspects and practical tools for satellite image mining. The objective of the thesis is unsupervised satellite image mining and includes three main parts. In the first part of the thesiswe demonstrate content of high resolution optical satellite images. We describe image zones by texture and geometrical features. Unsupervised clustering algorithms are presented in the second part of the thesis. A review of validity criteria and information measures is given in order to estimate the quality of clustering solutions. A new criterion based on Minimum Description Length (MDL) is proposed for estimating the optimal number of clusters. In addition, we propose a new kernel hierarchical clustering algorithm based on kernel MDL criterion. A new method of ”clustering combination” is presented in the thesis in order to benefit from several clusterings issued from different algorithms. We develop a hierarchical algorithm to optimise the objective function based on a co-association matrix. A second method is proposed which converges to a global solution. We prove that the global minimum may be found using the gradient density function estimation by the mean shift procedure. Advantages of this method are a fast convergence and a linear complexity. In the third part of the thesis a complete protocol of unsupervised satellite images mining is proposed. Different clustering results are represented via semantic relations between concepts

Ce travail est consacré au développement ainsi qu'à l'implantation de deux modèles variationnels pour la classification d'images. La classification d'images, consistant à attribuer une étiquette à chaque pixel d'une image, concerne de nombreuses applications à partir du moment où cette opération intervient très souvent à la base des chaînes de traitement et d'interprétation d'images. De nombreux modèles de classification ont déjà été développés dans un cadre stochastique ou à travers des approches structurales, mais rarement dans un contexte variationnel qui a déjà montré son efficacité dans divers domaines tels que la reconstruction ou la restauration d'images. Le premier modèle que nous proposons repose sur la minimisation d'une famille de critères dont la suite de solutions converge vers une partition des données composée de classes homogènes séparées par des contours réguliers. Cette approche entre dans le cadre des problèmes à discontinuité libre (free discontinuity problems) et fait appel à des notions de convergence variationnelle telle que la théorie de la ì-convergence. La famille de fonctionnelles que nous proposons de minimiser contient un terme de régularisation, ainsi qu'un terme de classification. Lors de la convergence de cette suite de critères, le modèle change progressivement de comportement en commençant par restaurer l'image avant d'entamer le processus d'étiquetage des pixels. Parallèlement à cette approche, nous avons développé un second modèle de classification mettant en jeu un ensemble de régions et contours actifs. Nous utilisons une approche par ensembles de niveaux pour définir le critère à minimiser, cette approche ayant déjà suscité de nombreux travaux dans le cadre de la segmentation d'images. Chaque classe, et son ensemble de régions et contours associé, est défini à travers une fonction d'ensemble de niveaux. Le critère contient des termes reliés à l'information sur les régions ainsi qu'à l'information sur les contours. Nous aboutissons à la résolution d'un système d'équations aux dérivées partielles couplées et plongées dans un schéma dynamique. L'évolution de chaque région est guidée par un jeu de forces permettant d'obtenir une partition de l'image composée de classes homogènes et dont les frontières sont lisses. Nous avons mené des expériences sur de nombreuses données synthétiques ainsi que sur des images satellitaires SPOT. Nous avons également étendu ces deux modèles au cas de données multispectrales et obtenu des résultats sur des données SPOT XS que nous avons comparé à ceux obtenus par différents modèles.

Remote sensing and security, terms which are not usually associated, have found a common platform this decade with the conjuring of the GMOSS network (Global Monitoring for Security and Stability ), whose mandate is to discover new applications for satellite-derived imagery to security issues. This study focuses on human security, concentrating on the characterisation of vulnerable areas to conflict. A time-series of satellite imagery taken from Landsat sensors from 1987 to 2001 and the SRTM mission imagery are used for this purpose over a site in northern Iraq. Human security issues include the exposure to any type of hazard. The region of study is first characterised in order to understand which hazards are and were present in the past for the region of study. The principal hazard for the region of study is armed conflict and the relative field data was analysed to determine the links between geographical indicators and vulnerable areas. This is done through historical research and the study of open-sourced information about disease outbreaks; the movements of refugees and the internally displaced; and humanitarian aid and security issues. These open sources offer information which are not always consistent, objective, or normalized and are therefore difficult to quantify. A method for the rapid mapping and graphing and subsequent analysis of the situation in a region where limited information is available is developed. This information is coupled with population numbers to create a"risk map": A disaggregated matrix of areas most at risk during conflict situations. The results show that describing the risk factor for a population to the hazard conflict depends on three complex indicators: Population density, remoteness and economic diversity. Each of these complex indicators is then derived from Landsat and SRTM imagery and a satellite-driven model is formulated. This model based on satellite imagery is applied to the study site for a temporal study. The output are three 90 m × 90 m resolution grids which describe, at a pixel level, the risk level within the region for each of the dates studies, and the changes which occur in northern Iraq as the result of the Anfal Campaigns. Results show that satellite imagery, with a minimum of processing, can yield indicators for characterising risk in a region. Although by no means a replacement for field data, this technological source, in the absence of local knowledge, can provide users with a starting point in understanding which areas are most at risk within a region. If this data is coupled with open sourced information such as political and cultural discrimination, economy and agricultural practices, a fairly accurate risk map can be generated in the absence of field data.

Cette thèse aborde le problème de la détection de changements sur des images de scènes urbaines en télédétection. Les expériences ont été menées sur des couples d'images satellitaires panchromatiques haute résolution (<1m). A travers ce thème général, plusieurs problématiques, correspondant aux divers niveaux d'une chaîne de traitement, sont abordés, depuis la création d'un masque de changements jusqu'au raisonnement à un niveau objet. Dans ce manuscrit, nous abordons premièrement le problème de la détermination d'un masque de changements. Après avoir étudié les limites d'un algorithme de détection de changements, fondé sur l'analyse en composantes principales, nous proposons un algorithme tirant parti de l'invariance des lignes de niveau, fondé sur un modèle d'illumination et des hypothèses sur la régularité de la scène. Par la suite, nous abordons la classification des zones détectées comme changées au cours de l'étape précédente. D'abord, nous nous fondons uniquement sur les radiométries des couples de pixels. Enfin, nous étudions l'intérêt d'une composante géométrique dans la classification. Plus précisément, nous appliquons un algorithme d'approximation polygonale sur les zones connexes issues de la classification précédente, puis nous classifions les formes obtenues compte tenu des orientations des côtés des polygones obtenus.

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