Segmentation statistique et fusion d'images satellitaires par la théorie de l'évidence dans un contexte markovien
Institution:
LittoralDisciplines:
Directors:
Abstract EN:
The work developed in this thesis, is focused on the unsupervised statistical segmentation of satellite images in a Markovian context, and their fusion through the evidence theory. Indeed we have developed in this work an optimal statistical approach for the segmentation of satellite images, through the integration and the contribution of several algorithms, especially for the initialisation step by using the K-means clustering algorithm for a better definition of the image classes, then we wanted to rectify and standardize these classes through the Markov fields which allowed the consideration of the neighbourhood concept in the classification phase. For the modelling of the different classes of the image, we opted for the Pearson system for its flexibility and its adaptation by offering a range of different and optimal distributions. Finally, concerning the estimation of the different attributes of each class of the image, we used the EM and SEM algorithms. In order to optimize this work, we integrated in our approach an image fusion phase based on the evidence theory (belief function), which allowed a better decision in the segmentation stage, through the exploitation of the number of information present in the multispectral and multi-temporal images.
Abstract FR:
Le travail réalisé dans le cadre de cette thèse, porte sur la segmentation statistique non supervisée des images satellitaires dans un contexte Markovien, et leur fusion à travers la théorie de l’évidence. En effet, nous avons développée dans ce travail une nouvelle approche de segmentation statistique optimale, à travers l’intégration et l’apport de plusieurs algorithmes, notamment au niveau de l’initialisation, en exploitant tout d’abord la méthode des centres mobiles (Kmeans) pour une meilleure définition des classes de l’image, ensuite nous avons voulu régulariser et uniformiser ces classes à travers les champs de Markov qui permettaient une prise en compte de la notion de voisinage dans la phase de classification. Au niveau de la modélisation des différentes classes de l’image, nous avons opté pour les distributions du système de Pearson pour leur flexibilité et leur adaptation en offrant une gamme de lois diverses et précises. Enfin en ce qui concerne l’estimation des différents attributs de chaque classe de l’image, nous avons utilisé les algorithmes EM et SEM. Dans le but d’optimiser davantage ce travail, nous avons intégré dans notre approche une phase de fusion d’images segmentées basée sur la théorie de l’évidence, qui permettait une meilleure prise de décision au niveau de l’étape de segmentation, en exploitant la richesse des données présentes dans les images multispectrales et multi-temporelles.