Fusion de données multicapteurs basée sur la théorie de Dempster-Shafer pour l’extraction des types d’occupation du sol en milieu semi-aride
Résumé
Les méthodes de fusion d’images issues d’une diversité de capteurs permettent d’améliorer les résultats de classification en prenant en compte la complémentarité et la redondances contenues dans ces images. Cet article a pour objectif de présenter une méthodologie faisant appel à la fusion d’images satellitales. Cette méthodologie repose sur la théorie de Dempster-Shafer qui permet de prendre en compte l’ignorance et l’incertitude liées aux données. L’approche utilisée repose sur la conception d’une nouvelle architecture de fusion mixte et sur l’utilisation des intersections des classes et de leurs unions. La recherche s’est déroulée en deux temps. D’abord, une classification bayésienne non dirigée a été effectuée respectivement sur une image RSO de RADARSAT et sur une image HRV(XS) de SPOT. Ensuite, une fusion radar-optique a été réalisée sur les résultats des deux classifications. Ayant calculé les valeurs des fonctions de masses, la plausibilité et la croyance pour chacune des hypothèses simples et composées du modèle multisources, il était nécessaire de définir un critère de décision, afin de sélectionner l’hypothèse optimale. Dans la théorie de Dempster-Shafer, les deux grandeurs à maximiser étaient la plausibilité et la croyance. Comme résultat de la fusion, on obtient une image classée en quatre classes (zones humides, zones de sebkha, parcelles cultivées, zones de végétation naturelle). Le pourcentage de bonne classification finale atteint 98,7 %. Cela correspond à une amélioration comparée à la carte de l’occupation du sol obtenue par une classification basée sur l’union des classes.
Abstract
Methods of image fusion stemming of a diversity of collectors allow to improve results of classification by taking into account the complementarity and the redundancy contained in these images. The problem processed in this paper has for objective to present a methodology making call to the fusion of remote sensing data. This methodology is based on Dempster-Shafer theory wich allows to take into account the ignorance and the uncertainty linked to data. A new architecture of mixed fusion is proposed. It uses the intersection of classes and their unions. The research has unfolded in two steps. First, a unsupervised baysian classification has been undertaken respectively on RADARSAT and SPOT images. Then, a radar - optic fusion has been realized on results of the classifications. Having calculated values of mass functions, the plausibility and the belief for each of simple hypotheses and composed of the multisensor model, it was necessary to define a criterion of decision, so as to select the most optimal hypothesis. In the Dempster-Shafer theory, the two magnitudes to maximize were the plausibility and the belief. As result of the fusion, one obtains a classified image with four classes (humid region, region of sebkha, cultivated plots, natural vegetation regions). The percentage of good final classification reached 98,7 %, which corresponds to an improvement compared to the landcover map of the ground obtained by a classification based on the union classes.
Lire l’article
PDF, tel qu’imprimé dans la revue, pages 213 à 223. En libre accès.
Pas encore de consultation enregistrée.