MULTI-CLASSIFIEURS DES IMAGES SATELLITAIRES

Abstract

En télédétection, le clustering, également appelée classification non supervisée, est une tâche importante qui vise à partitionner une image donnée dans un espace multispectral en un certain nombre de classes spectrales (groupes), lorsque l’information in situ n’est pas disponible. Parmi les nombreux algorithmes de clustering existants, les plus utilises sont le K-means, l’ISODATA, le FCM (Fuzzy C-Means), le SOM (Self Organizing Map) et plus récemment le K-Harmonic Means. Cependant, avec l’augmentation de la quantité de données détectées à distance et leur hétérogénéité, il devient difficile d’obtenir des résultats de clustering pertinents en utilisant un seul algorithme. De plus, chaque algorithme précité nécessite un certain nombre de paramètres et le plus important d’entre eux est le nombre de clusters, que l’utilisateur doit définir a priori. Pour faire face à ces lacunes, les systèmes de classifications multiples (MCS), également connus sous le nom d’ensemble de clustering, est le consensus de différents algorithmes de clustering qui peut fournir la meilleure partition avec une grande précision et, par conséquent, surmonter les limites des approches traditionnelles basées sur des classificateurs uniques. Le MCS comprend deux étapes : la génération de partitions et la combinaison de partitions. Dans cette thèse, nous étudions les avantages et les potentiels de cette technique dans le domaine de l’occupation du sol en utilisant différents types de données : Données synthétiques, données composites et données de télédétection. La première étape du MCS est assurée par quatre algorithmes de clustering, à savoir l’algorithme k-means, l’algorithme k-harmonic means (KHM), l’algorithme Bisecting K-means (BKM) et l’algorithme Self Organizing Map (SOM). Le meilleur clustering qui fait office de référence est obtenu selon l’indice WB. Les méthodes de ré-étiquetage et de vote sont utilisées dans la deuxième étape. Les résultats expérimentaux obtenus par le MCS surpassent légèrement les résultats du clustering individuel.