Cette thèse est dédiée à la détection de l'ombre, de la végétation et des bâtiments à partir d'une unique image optique très haute résolution. La première partie présente une nouvelle méthode pour détecter simultanément les ombres et la végétation : plusieurs indices d'ombre et de végétation sont comparés puis fusionnés grâce à la théorie de l'évidence de Dempster-Shafer afin d'obtenir une segmentation en trois classes : “ombre”, “végétation” et “autre”. Comme la fusion est une méthode pixellique, elle est incorporée dans un contexte markovien pour régulariser la segmentation. Dans la deuxième partie, une nouvelle technique de segmentation d'images par croissance de région est proposée. L'image est tout d'abord sur-segmentée en régions homogènes afin de remplacer la structure rigide de la grille de pixels. Une classification-fusion itérative est ensuite appliquée sur ces régions. À chaque itération, les régions sont classées en utilisant une segmentation markovienne, puis regroupées entre elles en fonction de la position des ombres, de leur classe, et de la rectangularité de la forme fusionnée. Les bâtiments sont estimés à partir de la classification finale comme étant les rectangles d'emprise minimale. Ces deux algorithmes ont été validés sur plusieurs images de télédétection et ont permis de démontrer leur efficacité. / This PhD thesis is devoted to the detection of shadows, vegetation and buildings from single high resolution optical remote sensing images. The first part introduces a new method for simultaneously detecting shadows and vegetation. Several shadow and vegetation indices were investigated and merged using the Dempster-Shafer evidence theory so as to obtain a segmentation map with three classes : “shadow”, “vegetation” and “other”. However, the performance of the fusion is sensitive to noise since it processes at a pixel-level. A Markov random field (MRF) is thus integrated to model spatial information within the image. In the second part, a novel region growing segmentation technique is proposed. The image is oversegmented into smaller homogeneous regions which replace the rigid structure of the pixel grid. An iterative region classification-merging is then applied over these regions. At each iteration, regions are classified using a MRF-based image segmentation, then, according to the position of shadows, regions having the same class are merged to produce shapes appropriate to rectangles. The final buildings are estimated using the recursive minimum bounding rectangle method from the final classification. These two algorithms have been validated on a variety of image datasets and demonstrate their efficiency.
Identifer | oai:union.ndltd.org:theses.fr/2015STRAD032 |
Date | 22 September 2015 |
Creators | Ngo, Tran Thanh |
Contributors | Strasbourg, Collet, Christophe |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0052 seconds