|
Résumé :
|
Dans cette thèse, une méthode de classification markovienne pyramidale a été adaptée aux images satellitaires en se basant sur les champs aléatoires de Markov et sur la distribution de Gibbs. Le modèle des champs aléatoires de Markov et la distribution de Gibbs exploitent la dépendance entre les pixels voisins dans les images. L'incorporation de nouvelles fonctions d'énergie dans la distribution de Gibbs permet d'améliorer l'exactitude de la classification d'images satellitaires. Ces fonctions d'énergie permettent non seulement une homogénéité du champ de classe, mais aussi la préservation des principales discontinuités. En plus des nouvelles fonctions d'énergie, certaines méthodes de calculs statistiques ont été examinées afin de prendre en compte l'information spectrale fournie par l'ensemble des canaux de l'image. L'ensemble des modifications apportées à l'algorithme ICM (Iterated Conditional Modes) a permis d'améliorer l'exactitude de la classification de façon qualitative et quantitative. Cependant, la complexité des fonctions d'énergie a augmenté le temps de traitement sur ordinateur. Cet inconvénient a été éliminé en appliquant l'analyse pyramidale à la classification des images satellitaires. La performance des modèles de fonction d'énergie proposés est examinée par l'application de l'algorithme ICM-2 (ICM utilisant les nouvelles fonctions d'énergie) aux images multispectrales SPOT et Landsat acquises respectivement au-dessus de zones agricoles et forestières. Cet algorithme est comparé à une série d'algorithmes de classification conventionnels tels que le maximum de vraisemblance, Isodata, SEM (Stochastic Estimation Maximisation) et ICM-1 (avant la modification). L'analyse des résultats montre qu'une fonction robuste, parmi les fonctions d'énergie adaptées dans l'algorithme ICM, apporte une amélioration dans l'exactitude de la classification. Cette fonction permet de préserver les principales discontinuités et d'introduire une parfaite homogénéité du champ de classe. Nous pouvons conclure que le modèle de préservation des discontinuités est très utile dans la classification des images satellitaires multispectrales. Cette conclusion est faite en se basant d'une part, sur les notions théoriques de base des nouveaux modèles de fonction d'énergie introduits dans la distribution de Gibbs et du champ aléatoire de Markov et, d'autre part, sur les résultats expérimentaux encourageants de cette étude.
|
