Segmentation non supervisée d’images par chaîne de Markov floue - Application à la détection de changements multi-dates

Author : Cyril Carincotte

Abstract

Cette thèse est consacrée à deux problématiques couramment rencontrées en imagerie de télédétection, à savoir la segmentation non supervisée d’images et la détection de changements entre images radar. Nous nous proposons dans ce contexte d’utiliser le modèle des chaînes de Markov cachées comme base de nos travaux. Nous présentons tout d’abord un modèle de chaînes de Markov cachées d’ordre supérieur qui, bien que très coûteux en mémoire et en temps de calcul, permet de modéliser des structures de bruit complexes, comme des bruits corrélés, et dans une certaine mesure des motifs/textures. Afin de prendre en compte certaines caractéristiques floues des images de télédétection, nous proposons ensuite un modèle de chaînes de Markov cachées floues, qui tient compte de façon conjointe des caractéristiques de bruit et de flou des observations.

Contrairement au modèle classique, cette modélisation autorise la coexistence de pixels durs et flous dans une même image, et permet de caractériser des dégradés bruités situés de part et d’autre de zones plus homogènes. Plusieurs exemples de segmentation d’images de télédétection révèlent des potentialités supérieures à d’autres modèles de classification dure et floue. L’application de ce modèle en imagerie radar, pour la détection de nappe d’hydrocarbure en mer, illustre l’efficacité de cet outil.

Nous proposons finalement une méthodologie de détection de changements basée sur le modèle flou, qui nous permet de caractériser l’imprécision associée aux changements survenus entre deux acquisitions radar. Ainsi, la cartographie des changements n’est plus binaire, mais propose une réponse graduelle, qu’un expert ou un photo-interprète peut exploiter.