Abstract FR:

Le sonar haute resolution constitue un moyen efficace pour observer la couche superficielle du fond de la mer. Ces dernieres annees, de nombreuses ameliorations ont rendu ces sonars de plus en plus performants. En contrepartie, la quantite d'information a sensiblement augmente et rend aujourd'hui necessaire l'automatisation de la classification de ces fonds marins. La cartographie des fonds marins en imagerie sonar est l'application privilegiee de l'etude. Nous proposons une approche qui combine une methode de caracterisation texturale des images et un classifieur neuronal. L'invariance en rotation des attributs est recherchee pour faciliter et ameliorer l'apprentissage du classifieur. Nous montrons que la modelisation autoregressive bidimensionnelle possede des atouts pour notre application, bien qu'elle ne soit pas robuste vis-a-vis des rotations d'images. Nous proposons alors trois methodes de caracterisation de la texture basees sur une modelisation autoregressive de l'image a laquelle nous associons une propriete d'invariance en rotation. La premiere methode est basee sur une modelisation autoregressive circulaire qui fournit directement un nombre restreint de parametres caracteristiques significatifs et robustes vis-a-vis des rotations d'images. Parallelement, nous developpons deux autres methodes qui conservent la modelisation autoregressive 2d non-causale et rendent invariants en rotation les parametres extraits. Celles-ci font appel respectivement aux moments de zernike et a la transformation log-polaire. Un perceptron multicouche est utilise comme classifieur. De nombreux resultats experimentaux comparatifs, obtenus sur images reelles et images tournees artificiellement (pour obtenir une grande variete dans les orientations des textures), sont fournis pour illustrer les performances des methodes de caracterisation proposees. Enfin, une chaine complete de reconnaissance d'images sonar est proposee et validee sur des images sonar reelles.