Abstract FR:

Le sonar est largement utilise dans le domaine militaire pour localiser les mines sous-marines. L’acquisition d'images permet à des operateurs d'examiner les fonds avant le passage d'un bâtiment par exemple. Toutefois, cette tache est très délicate en raison de la présence d'un important bruit de spécule sur les images sonar. Notre travail consiste à développer un système d'aide à la décision offrant une image simplifiée de la scène et une pré-classification des objets détectes. La difficulté pour modéliser un tel problème nous a conduits à développer des méthodes originales de traitement d'image utilisant les réseaux de neurones. Ces techniques nécessitent la construction d'une base d'apprentissage contenant un grand nombre d'exemples. Pour pallier le manque de données réelles propre a l'application, nous avons tout d'abord développe un algorithme de synthèse d'images simulant la propagation de l'onde acoustique. Par ailleurs, la reconnaissance d'une cible sur une image sonar est possible par l'étude de la forme de son ombre portée qui résulte de l'absence de signal rétrodiffuse derrière l'objet. L’image est alors segmentée en deux classes : ombre et réverbération. Cette segmentation est réalisée par un réseau de neurones de type Kohonen associe a une procédure d'estimation (ECI) de la proportion d'ombre dans l'image. Un apprentissage non supervise réalise a partir des pixels de l'image permet a un petit nombre de neurones de se spécialiser pour détecter les pixels de la classe ombre. Les tests montrent que la méthode est fiable et conduit à des résultats tout a fait comparables à une segmentation markovienne. L’étape suivante consiste à construire, a partir des images segmentées, une base de données pour l'apprentissage du classifier neuronal perceptron multicouche. Chaque ombre est alors caractérisée par un vecteur constitue de descripteurs de Fourier et de paramètres spécifiques qui détectent les régularités du contour. Pour compléter ce travail, nous montrons que malgré les modestes dimensions de la base d'apprentissage, il est possible d'améliorer les taux de reconnaissance, en particulier sur les images inconnues, par l'élimination des poids les moins significatifs. Ainsi, âpres une analyse de la méthode d'élagage optimal borain damage, nous proposons une variante qui réalise une sélection plus rigoureuse des poids à éliminer.