Note ABES Extraction, analyse et utilisation de relations spatiales entre objets d'intérêt pour une analyse d'images de télédétection guidée par des connaissances du domaine Extraction, analysis and use of spatial relations between objects of interest for a knowledge driven remote sensing image analysis Analyse d'images Télédétection Image à très haute résolution spatiale Classification guidée par la connaissance Image analysis Remote sensing Very high spatial resolution image Knowledge driven classification 006.3 621.367 Images de télédétection Classification Représentation des connaissances Algorithmes Traitement d'images -- Techniques numériques Les nouveaux capteurs satellitaires permettent l'acquisition d'images d'un très haut niveau de détail à des cadences élevées, produisant ainsi une importante masse de données. Le traitement manuel de ces données étant devenu impossible, de nouveaux outils sont nécessaires afin de les traiter automatiquement. Des algorithmes de segmentation efficaces sont nécessaires pour extraire des objets d'intérêt de ces images. Cependant les segments produits ne correspondent pas aux objets d'intérêt, rendant difficile l'utilisation de connaissances expertes.Dans le cadre de cette thèse nous proposons de changer le niveau d'interprétation d'une image afin de voir les objets d'intérêt pour l'expert comme des objets composés par des segments. Pour cela, nous avons mis en place un processus d'apprentissage multi-niveaux dans le but d'apprendre ces règles de composition. Une règle de composition ainsi apprise peut ensuite être utilisée pour extraire les objets d'intérêt correspondant. Dans un second temps, nous proposons d'utiliser l'algorithme d'apprentissage de règles de composition comme première étape d'une approche montante-descendante. Cette chaîne de traitement a pour objectif d'améliorer la classification à partir des informations contextuelles et de connaissances expertes. Des objets composés de plus haut niveau sémantique sont extraits à partir de règles apprises ou fournies par l'expert, et cette nouvelle information est utilisée pour mettre à jour la classification des objets aux niveaux inférieurs. L'ensemble de ces travaux ont été testés et validés sur des images Pléiades représentant la ville de Strasbourg. Les résultats obtenus montrent l'efficacité de l'apprentissage de règles de composition pour faire le lien entre connaissance experte et segmentation, ainsi que l'intérêt de l'utilisation d'informations contextuelles dans l'analyse d'images de télédétection à très haute résolution spatiale. The new remote sensors allow the acquisition of very high spatial resolution images at high speeds, thus producing alarge volume of data. Manual processing of these data has become impossible, new tools are needed to process them automatically. Effective segmentation algorithms are required to extract objects of interest of these images. However, the produced segments do not match to objects of interest, making it difficult to use expert knowledge.In this thesis we propose to change the level of interpretation of an image in order to see the objects of interest of the expert as objects composed of segments. For this purpose, we have implemented a multi-level learning process in order to learn composition rules. Such a composition rule can then be used to extract corresponding objects of interest.In a second step, we propose to use the composition rules learning algorithm as a first step of a bottom-up top-down approach. This processing chain aims at improving the classification from contextual knowledge and expert information.Composed objects of higher semantic level are extracted from learned rules or rules provided by the expert, and this new information is used to update the classification of objects at lower levels.The proposed method has been tested and validated on Pléiades images representing the city of Strasbourg. The results show the effectiveness of the composition rules learning algorithm to make the link between expert knowledge and segmentation, as well as the interest of the use of contextual information in the analysis of remotely sensed very high spatial resolution images. Electronic Thesis or Dissertation Text fr PDF 11943546 Université de Strasbourg Strasbourg 2016-12-31 https://theses.hal.science/tel-01271154 application/pdf 8526792 https://publication-theses.unistra.fr/public/theses_doctorat/2014/Belarte_Bruno_2014_ED269.pdf http://www.theses.fr/2014STRAD011/abes https://theses.hal.science/tel-01271154 https://theses.hal.science/tel-01271154 https://theses.hal.science/tel-01271154 Belarte Bruno 1986-07-06 FR 191225231 40400925 https://theses.fr/2014STRAD011 2014STRAD011 https://doi.org/10.70675/714f1f30z3268z4cc1zac5cz14a5498763a4 2014-09-19 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Wemmert Cédric MADS_DIRECTEUR_DE_THESE_1 176663576 Weber Christiane MADS_DIRECTEUR_DE_THESE_2 034178864 Passat Nicolas MADS_PRESIDENT_DU_JURY 101512821 Lebbah Mustapha MADS_RAPPORTEUR_1 144970759 Mainguenaud Michel MADS_RAPPORTEUR_2 060644915 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 MA 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 UMR7357 176969721 217648 ddc:004 ddc:620 Wemmert Cédric Weber Christiane Passat Nicolas Lebbah Mustapha Mainguenaud Michel École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 11943546