Extraction de routes par classification supervisée et par réseaux de neurones artificiels à partir d’image SPOT: cas d’une ville oasienne (Algérie)
Résumé
L’apparition des images satellitaires à très haute résolution spatiale (THRS) constitue une révolution dans les études urbaines. Cependant les images de résolution (haute et moyenne continuent à être utilisées pour l'étude de l'évolution du paysage urbain, constituant ainsi une alternative intéressante à l’absence de données cartographiques. L’objectif de la présente étude est d’identifier les voies de communication à partir d’une image THR de SPOT (XS, du 26 mars 2007 à 10 mètres de résolution) par deux approches: 1) la classification dirigée: l’identification correcte est de 90 % sur la zone de vérification et la qualité de la classification atteint 85% ; le résultat est amélioré par morphologie mathématique et vectorisé par la transformée de Hough; 2) Une approche par réseaux de neurones multicouches avec l’algorithme de rétro propagation et une nouvelle structure du vecteur d’entrée. Les données d’apprentissage sont basées sur les caractéristiques spectrales de l’image THR de SPOT ; une fenêtre de dimension (3×3) pour chacune des composantes R, V et B de la composition colorée obtenue à partir des canaux XS1, XS2 et XS3 de l’image multi spectrale constitue l’entrée du réseau neuronal ; sa sortie est codée par ‘un’ si le pixel central de la fenêtre correspond à une route et par ‘zéro’ si le pixel central correspond au fond de l’image ; cette méthode donne un résultat avec une erreur quadratique moyenne (EQM) inférieur à 0.03.
Abstract
The apparition of satellite imagery at very high spatial resolution (VHSR) constitutes a revolution in urban studies. However the images of high and medium resolution continue to be used for the study of urban landscape change, so constituting an interesting alternative to the lack of cartographic data. The objective of the present study is to identify lines of roadways from an VHR SPOT image (XS, of 26th March 2007 at 10 meter resolution) by two approaches: 1) supervised classification: the identification correct is 90% on the zone of check and the quality of the classification reaches 85%; the result is improved by mathematical morphology and vectorized by the Hough transform, 2) An approach by multilayer neural networks with back- propagation algorithm and a new structure of the input vector. The training data are based on the spectral characteristics of the HVR SPOT image. A window size (3×3) for each component R, G and B colour composite obtained from channels XS1, XS2 and XS3 of multi-spectral image constitutes the input of the neural network; its output is encoded by ‘one’ if the central pixel of the window corresponds to a road and ‘zero’ if the central pixel does not correspond to a road; this method gives a result with a mean square error (MSE) lower than 0.03.
Lire l’article

PDF de 13 pages, tel qu’imprimé dans la revue, pages 237 à 249. En libre accès.
Pas encore de consultation enregistrée.