Extraction d'information et interprétation multi-échelle en télédétection – XIMRI

La télédétection est une technique importante pour l'observation de la terre, et l'interprétation automatique des images acquises reste un défi. De MODIS (200m), LANDSAT (30m) à QuickBird (0.6m) et GeoEye (0.5m), la résolution spatiale des images n'a cessé de s'améliorer, offrant des possibilités accrues, mais nécessitant de nouveaux développements.
D'une part, les attributs spectraux utilisés classiquement pour caractériser les images de télédétection ne sont pas adaptés aux images de haute ou très haute résolution. Des attributs contextuels doivent être alors utilisés.
D'autre part, la plupart des méthodes d'analyse développées pour une résolution et une génération de capteurs s'avère inadaptée aux autres résolutions: une approche unifiée qui est capable de classifier des images de manière indépendante de la résolution est donc nécessaire.
Enfin, afin de classifier des images de télédétection à l'aide d'attributs de différents types (attributs radiométriques et contextuelles), la manière dont ces attributs sont fusionnés doit être explorée.

A partir de ces considérations, nous proposons ce projet dont l'objectif principal est d'élaborer un système générique pour la classification d'images de télédétection basé sur différents types des attributs (respectivement spectraux et contextuels) de manière indépendante de la résolution des images.

Dans un premier temps (WP1), il s'agit de définir les attributs qui seront extraits de l'image. Les attributs spectraux sont classiques, les attributs contextuels nécessiteront davantage de recherche.
Dans un deuxième temps (WP2), il s'agit de définir des attributs indépendants de la résolution. Dans le cas des attributs contextuels pour les images de haute/très haute résolution, nous proposerons des attributs multi-échelles qui caractérisent la géométrie des structures dans les images aux différentes échelles. Dans le cas des attributs spectraux (ou radiométrqiues), nous explorerons les techniques appelées "pansharpening" qui permet de fusionner l'information spectrale provenant d'images de résolutions différentes. Dans le cadre des image shyperspectrales, les techniques de démélangeage spectrale (ou unmixing) permettent d'extraire une information spectrale potentiellement invariante à la résolution (cas de mélanges linéaires).


Enfin, pour l'étape de classification, nous proposerons une approche par apprentissage. La fusion des différents attributs se fera par une combinaison de noyaux. Le choix des noyaux adaptés à chaque type d'information et la manière dont ces noyaux sont combinés feront l'objet du WP3.