Abstract FR:

Dans le but de segmenter des images aeriennes ou satellitaires, les travaux realises dans cette these portent sur la representation de ces images par des multifractals. Un premier chapitre est une introduction au traitement d'images applique a l'observation terrestre, ainsi qu'aux modeles classiques de texture et aux methodes usuelles de classification automatique des donnees. Apres avoir montre que les modeles fractals et multifractals existants ne sont pas adaptes a notre probleme, nous proposons un modele multifractal de texture plus approprie, appele mesure multinomiale multipermutee (mmm). Il s'obtient par generalisation des mesures multinomiales. Des proprietes theoriques sont etablies et une methode pratique est propose pour l'identification des parametres du modele. Dans un deuxieme temps, nous nous interessons a l'adequation de ce modele a la representation des textures naturelles et a la segmentation d'images reelles. Pour cela, deux attributs issus de l'analyse multifractale sont proposes pour caracteriser les textures. Leur comportement vis-a-vis du changement de resolution et de la rotation d'image est etudie experimentalement. Afin de montrer l'apport de notre approche, les deux attributs multifractals sont utilises respectivement dans les algorithmes de segmentation supervisee et non supervisee que nous avons definis. Des tests sont effectues sur des images aeriennes et satellitaires (spot2 et simulations spot5), mais aussi sur des images de video exterieure pour la navigation de robot autonome. Ensuite, nous presentons une etude comparative entre notre approche et celles basees sur les multifractals universels de schertzer et lovejoy, les indices de cooccurrences, la modelisation markovienne de lorette. Cette etude est completee par une evaluation quantitative de nos resultats de segmentation par rapport a une verite terrain fournie par une expertise humaine. Des limitations de notre approche sont abordees et discutees.