Résumé : L’ombre sur l’imagerie satellitaire à très haute résolution spatiale a suscité relativement peu de travaux de recherche en télédétection. La présente étude a pour objectif la détection des zones d’ombre sur l’imagerie IKONOS via l’exploitation des caractéristiques des couleurs de l’ombre. Ces caractéristiques découlent des couleurs photométriques invariantes issues des transformées couleurs. L’approche proposée a pour but d’évaluer dans un premier temps, le potentiel des transformées RGB normalisé, IHS (Intensity, Hue, Saturation), HSV (Hue, Saturation, Value), C[indice inférieur 1] C[indice inférieur 2] C[indice inférieur 3], L[indice inférieur 1] L[indice inférieur 2] L[indice inférieur 3] et M[indice inférieur 1] M[indice inférieur 2] M[indice inférieur 3] (Gevers and Smeulders, 1999) à discriminer les zones d’ombre. Cette évaluation s’est effectuée sur deux images simples dont la première est une image d’extérieur affectée par les effets atmosphériques, et la deuxième est une image d’intérieur, illuminée par une source de lumière artificielle. Les effets atmosphériques, notamment la dispersion, conduisent à la saturation maximale des zones d’ombre sur l’image d’extérieur. Cette conclusion a été vérifiée sur l’image IKONOS et exploitée pour développer une approche pour la détection de l’ombre sur ce genre de données. La transformée IHS a été retenue pour générer les couleurs photométriques H et S respectivement la teinte et la saturation. Deux dérivées I-S et H+l/I+1 ont été calculées. Ces dernières permettent le rehaussement des zones d’ombre sur l’image IKONOS. Trois méthodes de seuillage ont été appliquées sur les deux dérivées afin de particulariser les régions d’ombre. Les deux images finales issues du seuillage ont été fusionnées. La dernière étape de la recherche a consisté en une validation des résultats. Cette opération a démontré la robustesse de l’approche avec une précision globale moyenne de 80%. La confusion entre les zones d’ombre et les régions sombres est la principale faiblesse de l’approche proposée. Cependant, son amélioration est possible grâce à l’intégration d’autres types d’informations comme la texture et la prise en compte du voisinage. // Abstract : The shadow phenomena on the satellite imagery with very high spatial resolution has been the subject of a few research tasks in remote sensing. The aim of the present study is the detection of the shadow’s areas on IKONOS imagery with the use of the shadow’s colors characteristics. These characteristics were derived from the invariant photometric colors. The purpose of the suggested approach is to evaluate initially, the potential of normalized color RGB, IHS (Intensity, Hue, Saturation), HSV (Hue, Saturation, Value), C[subscript 1] C[subscript 2] C[subscript 3], L[subscript 1] L[subscript 2] L[subscript 3] et M[subscript 1] M[subscript 2] M[subscript 3] (Gevers and Smeulders, 1999) transform colors to discriminate shadow’s areas. This evaluation was carried out on two simple images whose first is an outside scene affected by the atmospheric effects, and the second is an interior one illuminated by artificial light source. The atmospheric effects, in particular dispersion, lead to the maximum saturation of shadow’s zones on the outside image. This conclusion was checked on IKONOS image and exploited to develop a method to detect the shadow on this kind of data. IHS transform was retained to generate the photometric colors hue (H) and saturation (S). Two derived images I-S and H+l/I+1 were calculated. They allow the raising of the shadow’s areas on IKONOS image. Three methods of thresholding were applied to the two derived images in order to differentiate the areas of interest. The two final images resulting from the thresholding were joined. The last stage of research consisted of a validation of the results. This operation showed the robustness of the approach with 80% of precision. Confusion between the shadow’s areas and the dark ones is the principal weakness of the suggested approach. However, this new technique can be improved by introducing other information like texture and nearest neighbor analysis.