Une thèse de Doctorat a été soutenue par Mme GACEM Amel, chercheur au Centre de développement des satellites (CDS / ASAL), le Jeudi 28 Juin 2018 à l’Université des Sciences et de la Technologie Mohamed Boudiaf d’Oran, Faculté de génie électrique, Département d’électronique.

        Cette thèse, intitulée « Fusion de données multi-sources pour l’analyse de scènes urbaines », traite la problématique de la fusion d’images multi-sources, en l’occurrence, des données de télédétection multispectrales et panchromatiques à haute résolution spatiale, et fait face à la complexité des données issues du milieu urbain. Elle a été dirigée par le professeur BERRACHED Nasr-Eddine (Professeur / USTO), et a été soutenue devant le jury composé de :

M. BENABADJI Noureddine Professeur USTO-MB Président
M. TALEB Nasreddine Professeur UDL-SBA Examinateur
Mme. FIZAZI Hadria Professeur CTS/ASAL Examinateur
M. SMARA Youcef Professeur USTHB Examinateur
M. OULD MAMMAR Madani Maître de conférence AUMAB-Mostaganem Examinateur

Résumé :

        Dans le domaine de la fusion de données multi-sources, la fusion des données de télédétection multispectrales et panchromatiques en zone urbaine a suscité beaucoup d’attention. Les données multi-sources ont été remarquablement augmentées pour la classification. En effet, les différentes sources peuvent fournir plus d’informations, et la fusion des différentes informations peuvent produire une meilleure compréhension du site observé.

Notre recherche est structurée en deux parties, la première est une contribution basée sur la fusion Bayésienne et la segmentation Mean-shift afin de compléter l’information manquante et améliorer le taux d’extraction des routes urbaines. Les évaluations quantitatives et qualitatives dans la zone urbaine étudiée montrent que l’exhaustivité et l’exactitude des routes principales extraites au sens de leurs longueurs, ont été augmentées de plus de 50%, en appliquant la méthode de fusion de données Bayésienne et la technique de filtrage Mean-Shift.

La deuxième contribution est basée sur une méthodologie de fusion de décision pour la combinaison de données multispectrales et panchromatiques en zone urbaine. La première étape de cette contribution est l’extraction des caractéristiques radiométriques à partir des données multispectrales, ensuite, les classificateurs SVM à base de noyau RBF sont appliqués sur chacune des données de caractéristiques, et sur les données panchromatiques. Après la production multiple de classificateurs, deux techniques comparatives de fusion de données sont appliquées en tant que méthode de fusion de classifications, pour combiner les résultats des classifieurs SVM qui forment l’ensemble des données.

      Les résultats expérimentaux montrent que le procédé de fusion de données proposé a permis d’améliorer la précision de la classification et le coefficient kappa par rapport aux ensembles de données individuelles. Les résultats ont révélé que les exactitudes (OA) de l’ensemble de classification SVM sur les données multispectrales et les données panchromatiques sont respectivement de 60,3% et 59,1%, alors que la méthode de fusion de décision proposée, avec la technique de vote majoritaire reçoit une précision globale de 88,6%, et Dempster-Shafer reçoit 94,7%.

Mots-clés : Fusion de données multi-sources, Zone urbaine, Extraction de caractéristiques, Extraction de routes, Fusion de données Bayésienne, Segmentation Mean-Shift, Machine à Vecteurs de Support (SVM), Noyau RBF (Fonction de Base Radiale), Vote Majoritaire, Dempster-Shefer.