RAPPORT DAVANCEMENT Par Narcisse Talla Tankam CURAT-LETSfévrier-mars 2004

RAPPORT D’AVANCEMENTRAPPORT D’AVANCEMENT

Par

Narcisse Talla Tankam

CURAT-LETS février-mars 2004

Thème :Thème :

Analyse des textures et classification par les réseaux de neurones pour la

cartographie des états de surface de la région semi montagneuse de Man

(Ouest de la Côte d’Ivoire).

PLANPLANI- INTRODUCTION

I-1: SommaireI-2: Objectif principalI-3: Objectifs spécifiques

II- PROBLEMATIQUE ET CADRE SCIENTIFIQUEII-1: ProblématiqueII-2: Etat de l’artII-3: Résultats attendus

III- METHODOLOGIEIII-1: Données utiliséesIII-2: Approche neuronaleIII-3: Approche préliminaireIII-4: Environnement de travail

IV- QUELQUES RESULTATS PRELIMINAIRES

V- CONCLUSION ET PERSPECTIVESV-1: ConclusionV-2: Perspectives

Détection automatique des caractéristiques dans les images :

Minimisation du temps des experts géologues dans l’extraction d’informations utiles dans l’image radar.

Réduction du risque de subjectivité dans l’analyse.

Réseaux de neurones :

Méthode basée sur un voisinage de huit. Méthode basée sur un voisinage plus grand.

Résultats attendus:Résultats attendus:Une représentation imagée pour les différentes thématiquesUne représentation imagée pour les différentes thématiquesUne image globale résultat de la classification renseignée.Une image globale résultat de la classification renseignée.

Objectif principal :Mettre en évidence les paramètres de texture les mieux adaptés

à la cartographie des états de surface et faire ressortir les différentes thématiques de la zone de Man.

Objectifs spécifiques : Identifier des différentes thématiques. Evaluer de différents paramètres de texture pertinents

identifiés pour chaque thématique. Classifier de l’image radar par la technique supervisée.

Non satisfaction des images optique pour la région: présence quasi permanente des nuages au dessus de la zone d’étude.

Nécessité d’usage d’images satellitaires radar.

Usage des techniques spatiales et des données exogènes

Module d’extraction d’une portion d’image sans perte d’information.

Module d’évaluation des paramètres de texture

Fig4 Module d’évaluation des paramètres de texture pour une thématique

Environnement de travail : le C++Builder

Flexibilité dans la manipulation des données d’images

Une bibliothèque assez riche en traitement d’images.

Pas de contrainte sur la taille de l’image à traiter.

Données utilisées:

– 2 images radar ROS de ERS2– Les cartes

Approche neuronale– Effervescence de l’approche neuronale– Modèle à voisinage de 8– Modèle à grands voisinage

– Modèle à répartition directionnelle

0 1 2 3 5 4 1 2

4 1 2 3 5 6 0 0

41 4 2 54 5 6 2 2

1 4 5 2 1 0 2 41

1 0 0 2 3 5 54 56

0 2 12 5 36 54 45 5

0 4 45 5 4 56 6 54

4 2 3 5 4 56 6 8

W =

Règle de connexion R(2,1,45o,135o)

C1(2,56,4)

C2(2,56,45)

C3(2,4,1)

C4(2,4,2)

Tx

Ty

Trois principales phases :– Identification de la thématique– Identification des paramètres de texture

pertinents pour la thématique– Détermination de la classe d’appartenance de

chaque pixel de l’imageParamètres utilisés :

La différence Inverse Le moment différentiel Inverse La probabilité maximale L’importance des petits nombres L’importance de la profondeur La variance de différence

Fig2. Quelques linéaments dans la chaîne montagneuse de Man

Fig1. Mise en exergue du Sassandra et de quelques linéaments

Entrée: image ROS de ERS2Une portion de l’image extraite au 1/300Méthode de vecteur de texture utilisée avec

7 paramètres différents

Application la totalité de la méthode d’analyse par les réseaux de neurones

Utilisation d’une trentaine de paramètres de texture

Utilisation de l’ordre 3, 4 et 5