Modèles a contrario pour la détection générique de changements en imagerie satellitaire très haute résolution
A contrario models for generic change detection in very high resolution satellite imagery
par Vincent VIDAL sous la direction de Lionel MOISAN
Thèse de doctorat en Mathématiques appliquées
ED 386 Sciences Mathematiques de Paris Centre

Soutenue le vendredi 20 novembre 2020 à Université Paris Cité

Sujets
  • Imagerie satellitaire
  • Rupture (statistique)
  • Télédétection

Les thèses de doctorat soutenues à Université Paris Cité sont déposées au format électronique

Consultation de la thèse sur d’autres sites :

TEL (Version intégrale de la thèse (pdf))

Description en anglais
Description en français
Mots clés
Traitement d'images, Cadre a-contrario
Resumé
Dans cette thèse, nous proposons plusieurs méthodes de détection de changements génériques, adaptées à l'aide à la photo-interprétation. Nous introduisons différents modèles de détection de changements, dit « primaires », présentant chacun une approche différente de la notion de changement et reposant sur le cadre statistique dit « a contrario », qui permet un contrôle du nombre moyen de fausses alarmes. Pour le premier modèle, qui soustrait directement des descripteurs calculés ponctuellement sur chacune des images, nous proposons une estimation du nombre de fausses alarmes en présence de bruit gaussien, qui s'avère exacte dans le cas de descripteurs linéaires. Le deuxième modèle primaire repose sur une comparaison d'histogrammes locaux, qui par sa robustesse permet de s'affranchir de la nécessité d'effectuer une mise en correspondance préalable précise entre les deux images à comparer. Le troisième modèle proposé est une extension de l'algorithme de détection d'anomalies de Reed-Xiaoli à un couple d'images et des distributions locales modélisées par des mélanges de gaussiennes. Les deux derniers modèles primaires intègrent une invariance à certains changements globaux, et permettent ainsi la comparaison d'images radiométriquement différentes, problème peu étudié dans la littérature. Ainsi, le modèle par « destin commun » examine la présence d'anomalies locales dans la statistique jointe des deux images à comparer, et permet donc de s'affranchir d'éventuelles transformations systématiques entre les deux images. Le modèle par « reconstruction indirecte », quant à lui, utilise une distance entre patchs pour construire une version de la première image dans le référentiel radiométrique de la seconde, ce qui permet ensuite de les comparer directement. Dans la dernière partie, nous nous intéressons à la construction d'un détecteur de changements spécifiés à partir d'un petit nombre d'exemples. À l'aide d'un algorithme de type gradient boosting appliqué à des arbres de régression, nous réalisons l'agrégation de détecteurs obtenus en combinant les modèles primaires précédents avec différents descripteurs. L'intérêt de cette méthode est illustré sur un cas réel de données satellitaires.