L’un des principaux objectifs dans l’interprétation des images satellitaires est la compréhension et l’analyse du plus petit élément pouvant les construire. Le but de notre approche est la classification des thèmes des données optiques. Dans cet article nous nous sommes intéressés à un modèle neuronal combinant le Neural Gaz Croissant Supervisé et le réseau à Fonctions Radiales de Base pour concevoir un classifieur pour le traitement des données de télédétection. Ce dernier a été pris pour pouvoir tester sa capacité à être un bon classifieur. Comme tout modèle, le
composantes linéaires de route), optimisation à la résolution du gros pixel (un gros pixel est un ensemble de pixels dans une fenêtre de l’image) dont l’objectif est de disposer d’un vecteur binaire X pour la localisation exacte d’une route à chaque couple de fenêtres de l’image traitée et détection précise du tracé de route (une ligne brisée déterminée par les points de rupture qui ajuste au mieux sur les détections locales d’éléments homogènes de route, ces points sont détectés d’une manière automatique). Par conséquent, une amélioration de cet algorithme consiste à appliquer un seuillage sur l’image d’éléments homogènes de route dans le but est de diminuer le coût en temps de calcul et d’isoler les pixels que l’on considère comme importants. Enfin, nous proposons pour la deuxième phase une méthode basée sur le principe de la morphologie mathématique qui s’appuie seulement sur des connaissances radiométriques des routes. Les résultats obtenus sont davantage satisfaisants. Cet algorithme implique la construction d’un modèle systématique propre à l’objet qui nous intéresse (pour notre cas la route). Ainsi nous pouvons construire d’autres modèles pour d’autres objets en utilisant leurs caractéristiques essentielles.

Document joint:

pdf7