Abstract FR:

Le travail présenté porte sur l'apport des réseaux neuromimétiques à l'analyse d'images satellitaires issues des capteurs passifs de télédétection et plus précisément à la classification multispectrale de ces images. Le traitement ou l'analyse d'images de télédétection a comme but une amélioration des images brutes en vue d'une meilleure interprétation de ces images. Nous avons donc abordé l'étude des phases fondamentales de l'analyse d'images pour atteindre cet objectif, à savoir la constitution d'une base d'apprentissage représentative, la définition d'un algorithme de classification performant, le seuillage automatique d'images et une post-classification robuste. Dans une première partie, nous proposons une nouvelle approche incrémentale pour la collecte et la constitution d'une base d'apprentissage représentative, conduisant à une amélioration des résultats de la classification. Nous montrons en particulier l'intérêt des réseaux neuromimétiques dans l'élaboration d'une telle approche, puis nous introduisons un nouvel algorithme neuronal compétitif mieux adapte au problème de la classification. Après avoir pris connaissance des limites des techniques de seuillage pour extraire les contours lorsque des opérateurs de détection de contour sont utilisés, nous avons développé une approche neuromimétique de seuillage. Elle met en coopération le détecteur optimal de Deriche et un perceptron multicouches. La méthode offre l'avantage d'effectuer un seuillage automatique et de s'affranchir du choix empirique et souvent sous-optimal des seuils. Les résultats de la classification et de la détection de contour ont permis d'envisager la phase de post-classification par fusion de ces données. Les images issues de la fusion sont constituées de régions homogènes et bien délimitées, et donc faciles à exploiter par l'utilisateur.