Annonce
Soutenance de thèse : Aurélie Voisin - INRIA Sophia Antipolis
3 Octobre 2012
Catégorie : Soutenance de thèse
Aurélie Voisin a le plaisir de vous inviter à sa soutenance de thèse qui aura lieu le 17 octobre 2012 à 14h30 à l'INRIA Sophia Antipolis Méditerranée (salle Euler violet).
Titre : "Classification supervisée d'images d'observation de la Terre à haute résolution par utilisation de méthodes markoviennes".
Le jury sera composé de :
- Pr Grégoire Mercier, Institut Mines-Telecom / Telecom Bretagne, Rapporteur
- Pr Paolo Gamba, Université de Pavie (Italie), Rapporteur
- Pr Marc Berthod, DR emeritus INRIA, Examinateur
- Dr Roger Fjortoft, CNES, Examinateur
- Dr Véronique Serfaty, DGA, Examinateur
- Pr Josiane Zerubia, INRIA-SAM, Directrice de thèse
- Hervé Yesou, SERTIT, invité
La classification d'images de télédétection incluant des zones urbaines permet d'établir des cartes d'utilisation du sol et/ou de couverture du sol, ou de zones endommagées par des risques naturels (tremblements de terre, inondations...). Les méthodes de classification développées au cours de cette thèse sont des méthodes supervisées fondées sur des modèles markoviens.
Une première approche a porté sur la classification d'images d'amplitudes issues de capteurs RSO (radar à synthèse d'ouverture) à simple polarisation et mono-résolution. La méthode choisie consiste à modéliser les statistiques de chacune des classes par des modèles de mélanges finis, puis à intégrer cette modélisation dans un champ de Markov. Afin d'améliorer la classification au niveau des zones urbaines, non seulement affectées par le bruit de chatoiement, mais aussi par l'hétérogénéité des matériaux qui s'y trouvent, nous avons extrait de l'image RSO un attribut de texture qui met en valeur les zones urbaines (typiquement, variance d'Haralick). Les statistiques de cette information texturelle sont combinées à celles de l'image initiale via des copules bivariées.
Par la suite, nous avons cherché à améliorer la méthode de classification par l'utilisation d'un modèle de Markov hiérarchique sur quad-arbre. Nous avons intégré, dans ce modèle, une mise à jour de l'a priori qui permet, en pratique, d'aboutir à des résultats moins sensibles bruit de chatoiement. Les données mono-résolution sont décomposées hiérarchiquement en ayant recours à des ondelettes. Le principal avantage d'un tel modèle est de pouvoir utiliser des images multi-résolution et/ou multi-capteur et de pouvoir les intégrer directement dans l'arbre. En particulier, nous avons travaillé sur des données optiques (type GeoEye) et RSO (type COSMO-SkyMed) recalées. Les statistiques en chacun des niveaux de l'arbre sont modélisées par des mélanges finis de lois normales pour les images optiques et de lois gamma généralisées pour les images RSO. Ces statistiques sont ensuite combinées via des copules multivariées et intégrées dans le modèle hiérarchique.
Les méthodes ont été testées et validées sur divers jeux de données mono-/multi-résolution RSO et/ou optiques.
Mots clés : classification supervisée, champ de Markov hiérarchique, radar à synthèse d'ouverture, modélisation statistique, données multi-capteur.