éditions des archives contemporaines

Classification multisource non dirigée à l’aide de l’algorithme Growing Neural Gas « gng » : application à une image ETM+ de Landsat-7 de la région d’Oran, en Algérie

Habib MAHI, Djaffar YOUSFI et Tahar IFTENE
DOI—
Pages485–497
Paru le3 mars 2008
Citer Lire en PDF · 13 p.

Résumé

Les algorithmes de classification classiques sont parfois loin de rivaliser avec le photo-interprète humain. Plusieurs classifieurs en mode dirigé ou non dirigé, fondés sur l’analyse purement spectrale des pixels, ont été proposés et testés (maximum de vraisemblance, nuées dynamiques, etc.). Mais, l’information spectrale n’est pas toujours suffisante pour distinguer les objets en confusion et, globalement, les résultats obtenus ne sont pas toujours satisfaisants. Ceci reste valable même lors du choix des bandes supposées les plus pertinentes en vue d’une meilleure identification des objets en confusion. Partant de ce constat, il apparaît clair que la description exhaustive du comportement spectral des pixels exige parfois l’utilisation de données auxiliaires. C’est dans ce cadre que s’inscrit cet article. On propose un classifieur fondé sur l’algorithme Growing Neural Gas à apprentissage non dirigé et intégrant des données provenant de sources différentes. L’objectif de cette méthode est d’élaborer une classification multisource en combinant, avec des données multibandes ETM+de Landsat-7, des données RSO d’ERS-2 ainsi que des données de pente associées provenant d’un modèle numérique d’altitude, et ce en vue d’obtenir une carte d’occupation des terres reflétant la réalité de terrain

Mots clés
Classificationréseaux de neuronesalgorithme Growing Neural Gasdonnée multisourcepentemodèle numérique d’altitudeoccupation des terres

Abstract

The traditional classification algorithms are sometimes far from competing with the human photo-interpreter. Several classifiers in supervised or unsupervised mode based on the purely spectral analysis of the pixels, were suggested and tested (maximum likelihood, ISODATA, etc.). However, the spectral information is not always sufficient, and, overall, the results obtained are not always satisfactory. This remains valid even in certain cases, in particular at the time of the judicious choice of the most relevant bands, for a better discrimination of the objects in confusion. On the basis of this paper, it appears clear that the exhaustive description of the pixel behaviour sometimes requires the use of auxiliary data in addition to the spectral information. This paper is proposed within this framework. We propose a classifier based on the Growing Neural Gas algorithm using unsupervised learning and integrating the data from different sources. The objective of this methodology is to carry out a multisource classification combining multispectral Landsat-7 ETM+ data, ERS-2 SAR data and associated slope data derived from a Digital Elevation Model in order to obtain a land cover map accurately reflecting the ground truth.

Keywords
ClassificationNeural NetworksGrowing Neural Gas algorithmmultisource dataSlopeDigital Elevation ModelLand cover map

Lire l’article

Première page

PDF de 13 pages, tel qu’imprimé dans la revue, pages 485 à 497. En libre accès.

Pas encore de consultation enregistrée.