Soutenance de thèse de doctorat de Hela Elmannai

Soutenance de thèse de doctorat le 01/10/2016 à 09H00 , à l'amphi 1 de Sup'Com.

Intitulé : La conception d’une nouvelle approche non linéaire pour la séparation des sources des images satellites

Présentée par : Hela Elmannai  

Jury

Président	Pr. Mohamed Rached BOUSSEMA		Professeur à l'ENIT
Examinateur	Pr. Sadok El ASMI		Professeur à SUP’COM
Rapporteurs	Pr. Ahmed BEN HAMIDA		Professeur à l’ENIS
	Pr. Imed Riadh FAREH		Professeur à l’ISAM
Directeur de thèse	Pr. Mohamed Saber NACEUR		Professeur à l'INSAT
Invité	M. Mohamed Anis LOGHMARI		Maître Assistant à l'ISI

Résumé

Le développement des technologies de télédétection pose de nouveaux défis de traitement et d’analyse de couverture du sol. Concevoir et appliquer de nouvelles approches devient alors un besoin imminent pour la modélisation et l’extraction de l’information. Dans ce contexte, la séparation de sources permet d’établir des chaînes de traitements des données satellitales. Apportant un remède à la complexité du phénomène de mixture des radiances collectées aux bords des satellites, la séparation non linéaire sera exploitée pour des contributions diverses de la vision par ordinateur. L’intelligence artificielle dans des formes multiples de machines à apprentissage ou des concessions axiomatiques sera adoptée pour la réalisation de processus intégraux de classification.

Ce travail de thèse est basé sur la séparation des données multispectrales. Ces données sont issues de différentes bandes spectrales et présentent des problèmes de corrélations et de réflexions multiples. Le modèle de séparation adopté est non linéaire nécessitant un apprentissage par inférences bayésiennes implémenté au sein d’un réseau de neurones. Les contributions majeures de ce travail de thèse sont l’amélioration et la régulation de la classification ainsi que la classification par le choix de différentes architectures de fusion. L’outil de classification présenté dans ce travail est utilisé pour l’aide à la décision en cas d’insuffisance des connaissances de la vérité terrain ou des différents changements dans la zone d’intérêt.

Dans une première contribution, les images sources seront réduites au niveau dimension par une méthode qualitative préservant l’information de la vérité terrain. Ces mêmes sources seront utilisées au sein d’une classification supervisée améliorant la classification par régulation.

La deuxième contribution concernera le traitement des données sources dans un espace de caractéristiques. Divers descripteurs seront utilisés pour la détection des thématiques de la zone d’étude. Un système de fusion à deux niveaux permettra d’identifier dans une base d’images les thématiques présentes. La première fusion s’applique au niveau des descripteurs et la seconde fusion s’applique au niveau des sources extraites. La machine à vecteurs support est utilisée dans les processus de classification. En effet, le modèle d’identification de thématiques du sol permettra, par apprentissage, de déterminer un système décisionnel adapté à la nature de la zone d’étude.

Notre contribution finale sera de proposer une classification combinée à une fusion paramétrique des descripteurs moyennant une approche par apprentissage.

Ces différentes contributions ont été mises en expérimentation sur des données multispectrales SPOT4 représentant une zone étendue au sein de la Tunisie. Des études comparatives et des expérimentations de précision ont été élaborées. De même, une base d’apprentissage a été générée présentant les thèmes majeurs de la zone d’étude.

Mots-clés

Images multispectrales, Séparation de sources, Inférences Bayésiennes, Fusion d’informations, Réseau de neurones, Descripteurs, Machine à Vecteurs Support, Classification.