>>

Soutenance de thèse : Jefersson Alex Dos Santos

Titre de la thèse

Classification semi-automatique des images de télédétection.
Semi-automatic Classification of Remote Sensing Images.

Date et lieu de soutenance

Lundi 25 mars 2013, 15h.
ENSEA, Cergy, salle 331.

Résumé

L'objectif de cette thèse est de développer des solutions efficaces pour la classification interactive des images de télédétection. Cet objectif a été réalisé en répondant à quatre questions de recherche. La première question porte sur le fait que les descripteurs d'images proposées dans la littérature obtiennent de bons résultats dans diverses applications, mais beaucoup d'entre eux n'ont jamais été utilisés pour la classification des images de télédétection. Nous avons testé douze descripteurs qui codent les propriétés spectrales et la couleur, ainsi que sept descripteurs de texture. Nous avons également proposé une méthodologie basée sur le classificateur KNN (K plus proches voisins) pour l'évaluation des descripteurs dans le contexte de la classification. Les descripteurs Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID) et Quantized Compound Change Histogram (QCCH), ont obtenu les meilleurs résultats dans les expériences de reconnaissance des plantations de café et de pâturages. La deuxième question se rapporte au choix de l'échelle de segmentation pour la classification d'images basée sur objets. Certaines méthodes récemment proposées exploitent des caractéristiques extraites des objets segmentés pour améliorer classification des images haute résolution. Toutefois, le choix d'une bonne échelle de segmentation est une tâche difficile. Ainsi, nous avons proposé deux approches pour la classification multi-échelles fondées sur le les principes du Boosting, qui permet de combiner des classifieurs faibles pour former un classifieur fort. La première approche, Multiscale Classifier (MSC), construit un classifieur fort qui combine des caractéristiques extraites de plusieurs échelles de segmentation. L'autre, Hierarchical Multiscale Classifier (HMSC), exploite la topologie hiérarchique de régions segmentées afin d'améliorer l'efficacité des classifications sans perte de précision par rapport au MSC. Les expériences montrent qu'il est préférable d'utiliser des plusieurs échelles plutôt qu'une seul échelle de segmentation. Nous avons également analysé et discuté la corrélation entre les descripteurs et des échelles de segmentation. La troisième question concerne la sélection des exemples d'apprentissage et l'amélioration des résultats de classification basés sur la segmentation multiéchelle. Nous avons proposé une approche pour la classification interactive multi-échelles des images de télédétection. Il s'agit d'une stratégie d'apprentissage actif qui permet le raffinement des résultats de classification par l'utilisateur. Les résultats des expériences montrent que la combinaison des échelles produit de meilleurs résultats que les chaque échelle isolément dans un processus de retour de pertinence. Par ailleurs, la méthode interactive permet d'obtenir de bons résultats avec peu d'interactions de l'utilisateur. Il n'a besoin que d'une faible partie de l'ensemble d'apprentissage pour construire des classificateurs qui sont aussi forts que ceux générés par une méthode supervisée qui utilise l'ensemble d'apprentissage complet. La quatrième question se réfère au problème de l'extraction des caractéristiques d'un hiérarchie des régions pour la classification multi-échelles. Nous avons proposé une stratégie qui exploite les relations existantes entre les régions dans une hiérarchie. Cette approche, appelée BoW-Propagation, exploite le modèle de bag-of-visual-word pour propager les caractéristiques entre les échelles de la hiérarchie. Nous avons également étendu cette idée pour propager des descripteurs globaux basés sur les histogrammes, l'approche H-Propagation. Ces approches accélèrent le processus d'extraction et donnent de bons résultats par rapport à l'extraction de descripteurs globaux.

Mots clés :

classification semi-automatique,images de télédétection,retour de pertinence

Abstract

A huge effort has been made in the development of image classification systems with the objective of creating high-quality thematic maps and to establish precise inventories about land cover use. The peculiarities of Remote Sensing Images (RSIs) combined with the traditional image classification challenges make RSI classification a hard task. Many of the problems are related to the representation scale of the data, and to both the size and the representativeness of used training set. In this work, we addressed four research issues in order to develop effective solutions for interactive classification of remote sensing images. The first research issue concerns the fact that image descriptors proposed in the literature achieve good results in various applications, but many of them have never been used in remote sensing classification tasks. We have tested twelve descriptors that encode spectral/color properties and seven texture descriptors. We have also proposed a methodology based on the K-Nearest Neighbor (KNN) classifier for evaluation of descriptors in classification context. Experiments demonstrate that Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID), and Quantized Compound Change Histogram (QCCH) yield the best results in coffee and pasture recognition tasks. The second research issue refers to the problem of selecting the scale of segmentation for object-based remote sensing classification. Recently proposed methods exploit features extracted from segmented objects to improve high-resolution image classification. However, the definition of the scale of segmentation is a challenging task. We have proposed two multiscale classification approaches based on boosting of weak classifiers. The first approach, Multiscale Classifier (MSC), builds a strong classifier that combines features extracted from multiple scales of segmentation. The other, Hierarchical Multiscale Classifier (HMSC), exploits the hierarchical topology of segmented regions to improve training efficiency without accuracy loss when compared to the MSC. Experiments show that it is better to use multiple scales than use only one segmentation scale result. We have also analyzed and discussed about the correlation among the used descriptors and the scales of segmentation. The third research issue concerns the selection of training examples and the refinement of classification results through multiscale segmentation. We have proposed an approach for interactive multiscale classification of remote sensing images. It is an active learning strategy that allows the classification result refinement by the user along iterations. Experimental results show that the combination of scales produces better results than isolated scales in a relevance feedback process. Furthermore, the interactive method achieves good results with few user interactions. The proposed method needs only a small portion of the training set to build classifiers that are as strong as the ones generated by a supervised method that uses the whole available training set. The fourth research issue refers to the problem of extracting features of a hierarchy of regions for multiscale classification. We have proposed a strategy that exploits the existing relationships among regions in a hierarchy. This approach, called BoW-Propagation, exploits the bag-of-visual-word model to propagate features along multiple scales. We also extend this idea to propagate histogram-based global descriptors, the H-Propagation method. The proposed methods speed up the feature extraction process and yield good results when compared with global low-level extraction approaches.

Keywords:

semi-automatic classification,remote sensing images,relevance feedback.

Composition du jury

  • Jocelyn CHANUSSOT, ENSE3, Grenoble INP, rapporteur
  • William Robson SCHWARTZ, UFMG, Brésil, rapporteur
  • Goldenstein SIOME, University of Campinas, Brésil, examinateur
  • Nicolas PAPARODITIS, MATIS, IGN, examinateur
  • Ricardo TORRES, University of Campinas, Brésil, directeur de thèse
  • Sylvie PHILIPP-FOLIGUET, ENSEA Cergy-Pontoise, directrice de thèse,
  • Alexandre FALCãO, University of Campinas, Brésil, co-directeur de thèse
  • Philippe-Henri GOSSELIN, ENSEA Cergy-Pontoise, co-directeur de thèse

Retour