Collaborative method of segmentation and classification of objects from remote sensing images with very high spatial resolution
Méthode collaborative de segmentation et classification d'objets à partir d'images de télédétection à très haute résolution spatiale
Résumé
Object based image analysis is a rising research area in remote sensing. However, existing approaches heavily rely on the object construction process, mainly due to the lack of interaction between the two steps, i.e., Construction and identification.In this thesis, we focused on the study of the construction phase (i.e., segmentation) as a basis for the proposed approaches. The first proposed approach is based on a hierarchical semantic growth. This approach allows merging region-growing algorithms and Object Based Image Analysis approaches. Due to the dependency of the semantic growth on the seed class, we propose two adaptations of the approach on the most used class in the urban context, i.e., roadsand buildings. The second approach benefits of both multi-agent systems and genetic algorithms characteristics. It overcomes the threshold’s dependency of the proposed cooperative multi-agent system between an edge approach and a region approach. The genetic algorithm is used to automatically find building extraction parameters for each agent based on expert knowledge. The proposed approaches have been validated on a very high-resolution image of the urban area of Strasbourg.
Avec l’avènement des images satellitaires à très haute résolution, les approches pixelliques ne donnant plus entière satisfaction ont été remplacées par les approches objets. Cependant, ces approches restent tributaires de la première étape qui permet le passage du pixel vers l’objet, à savoir l’étape de construction. L’architecture séquentielle de ces approches fait que les erreurs de l’étape de construction se répercutent sur l’étape d’identification. Il devient donc primordial de passer de cette architecture séquentielle vers une architecture itérative permettant la collaboration entre les étapes de construction et d’identification. Dans le cadre de cette thèse, nous nous sommes concentrés sur l’étude de l’étape de construction(i.e., la segmentation) comme base de départ pour les approches proposées. Nous avons proposé deux approches objets basées sur les techniques de segmentation les plus propices à la collaboration, à savoir les techniques régions et les techniques collaboratives région/contour. La première approche proposée se base sur une croissance sémantique hiérarchique. Elle permet de combiner les algorithmes de croissance de régions et les approches d’analyse d’images orientées objets. La croissance étant spécifique à la classe du germe de départ, nous avons proposé deux adaptations de l’approche sur les objets les plus rencontrés dans le contexte urbain, à savoir, les routes et les bâtiments. La deuxième approche utilise un algorithme évolutionnaire local permettant un paramétrage local des différents agents régions et contours évoluant au sein d’un système multi-agents.
Origine : Version validée par le jury (STAR)