APPROCHE OBJET ETPYRAMIDALE DANS LA

CLASSIFICATION NON SUPERVISEE DES IMAGES DE

TELEDETECTION.

Emmanuel TONYE*, Alain AKONO", Jean Michel JOLION**

* LETS, Ecole Nationale Supérieure Polytechnique,
BP 8390, Yaoundé, CAMEROUN
** LISPI, Bât. 710, Université Lyon1, 69622 Villeurbanne Cedex, FRANCE

RESUME
Les méthodes conventionnelles de classification des images nécessitent souvent
un temps de calcul etun espace mémoire importants dans l'ordinateur, ainsi qu'une mise
en oeuvre laborieuse de leurs algorithmes de programmation. L'approche orientée a objet
le grand avantage de faciliter cette mise en oeuvre.La méthode pyramidale, quantà elle,
permet de réduire considérablement l'espace mémoire nécessaire lors des traitements. Elle
réduit ainsile nombre d'opérations effectuées et de ce fait elle accélère le processus de
classification Notre contributionà l'efficacité du traitement consisteà combiner les deux
méthodes précédentes,ce qui nous permet de gagnerh la fois en temps decalcul'et en
espace mémoire. Des résultats satisfaisants ont été obtenus avec les images "SPOT" et
" S A R " de la région de Yaoundé en Afrique Centrale.

MOTS CLES
Télédétection, Méthode pyramidale, Approche objet, Classification

1)INTRODUCTION

Le but de la classification est de diviser l'image originaleen plusieurs régions

distinctes. Pour ce faire, un degré de corrélation doit exister entreles entités du monde
réel se trouvant dans l'image (objets, surfaces, etc ....) et les régions extraites de la
classification. On peut distinguer trois groupes de techniques de classification : le
seuillage. la croissance de région et l'approche multirésolution. Le seuillage ([3]. [6]) est
une classification des pixelsde l'image non texturée en "fond" et "objet". Cette technique
s'adresse à des problèmes simples. La technique de classification par croissance de
régions ([3]. [4], [6]> regroupe les pixels adjacents de l'image qui possèdent un attribut
scalaire ou vectoriel homogène. Elle donne des bons résultats sur des images complexes.
La classification multirésolution ( [ 5 ] , [6], [lO]) consiste enune représentation
hiérarchique de l'imageou de ses attributs. Cette technique donne des bons résultats sur
des images fortement texturées.

un
Les techniques de classification ([2], [3], [4], [6], [7], [lO]) exigent souvent
espace mémoire important dans l'ordinateur. En effet, les images h traiter (le plus
souvent de très grande taille) doivent être stockees sous forme de matrice dans la
mémoire vive de l'ordinateur. Et dans plusieurs cas il faut faire appelà deux ou trois
matrices pour effectuer un traitement. Il arrive très souvent que les programmes

- 203 -
s'interrompent en cours de traitement, faute d'espace mémoire disponible.L'une des
techniques classiques utilisées pour la classification des images de télédétection est la
méthode du "maximum de vraisemblance" telle que proposée par Haralick [2]. Cette
méthode fait appelau calcul de matrice de cooccurrenceet elle exigeun temps de calcul
[7] ont suggéréde traiter
considérable pour l'obtention des résultats. Certains chercheurs
les images en les laissant stockées dans le disque dur de l'ordinateur et en y stockant
ne fait que ralentirle traitement 3
également les resultats intermédiaires. Cette solution
cause des multiples lectures et écritures faites sur le disque dur.

Actuellement, la plupart des usagers dans les pays endevoie dêveloppementne

disposent que d'ordinateurs de faible capacité mémoire et de vitesse moyenne. Pour leur
rendre possible la classification des images de téledCtection, nous avons mis en oeuvre
un outil faisant appel B la fois B la programmation orientée objet [4] et B la methode
pyramidale [II, [5] et [fi]. La combinaison de ces méthodes permet d'accelérer le
processus de classificationet de réduire considérablement l'espace mémoire nécessaire
pour les traitements. Ceci peut ressembler ?t une technique hybride de celles déjh citées.
L'outil développ6 aété appliquê avec succbsaux images "SPOT et "Sm" de la region
-
de Yaoundé en Afrique Centrale.

II) METHODOLOGIE

11.1) L'Approche Orient& Objet

L

L'utilisation de la programmation orientée objet facilite grandement la mise en

oeuvre des algorithmes de recalage. Dans la méthode utilisant les régions comme
primitives de mise encorrespondance,on définit ces régions comme des objets. Un objet
est lui-même défini comme une entité ayant des champs et des méthodes. Nous pouvons
par exemple définirun rectangle comme un objet ayant pour champs quatre variables
X1.Y 1,X2,Y2 qui représentent respectivement les coordonnkes du coin supérieur gauche
et les coordonnéesdu coin inférieur droit du dit rectangle. Une méthode d'un objet est
une fonction que peut exécuter cet objet. Ainsi, nous pouvons associer au rectangle
précédent une methode nommée "Déplace(Xo,Yo)" qui lui permet dese positionnerau
point de coordonnées (Xo.Yo) chaque fois qu'elle est exécutée. Notons aussi qu'un objet ,
peut avoir des descendants. Chaque descendant hérite des champs et des méthodes de son '
ancêtre.
Dans le casde la classification des images, l'objet peut Ctre:
- un pixel avec les champs suivants: niveau de gris, indice de classification (indice
permettant de savoir si l'objeta d6jB êté classéou non), numéro de la classe.
- la classe avecles champs suivants: le barycentre,la couleur. On peut aussi associerZI
la classe une méthode lui permettant de s'afficherB 1"cran de l'ordinateur.
- une region avecles champs suivants: taille de la région, moyenne des niveauxde gris,
variance des niveauxde gris, amplitude de variation des niveaux de gris, couleur de la
region.

L'approche Objet permet de traduire facilement un algorithme de classification

en langage informatique. Elle permet aussiune grande flexibilité dans les opérations.
Considérons par exemple une région avec les champs définis plus haut. A llobjet

- 204 -
"région" on associe une méthode nommée "Affiche" qui permettra d'afficher uniquement
cette régionà l'écran. Ceci peut avoir une apprication intéressantequi consiste à pouvoir
localiser et observer une région particulikre de l'image (exemples : classe de la
végétation, classe des bâtiments, etc.). L'ensemble de toutes les régions est défini
comme un tableau mono-dimensionnel d'objets: région(i), i = l,...,K. Pour afficher la
région numéro 2 par exemple, il suffit de faire région(2)Mfiche. Et pour afficher toute
l'image segmentée il faut faire région(i).Affiche pour tous =les 1,...,
i K, ce qui revientà
afficher l'ensemble de toutes les régions. D'autres opérations qu'on aurait difficilement
réalisées par les méthodes classiques sont faites aisément avec l'approche objet, par
exemple:
- la fusion de deux classes (il suffit d'attribuer
un même barycentreet une même couleur
aux deux classes et de décrémenter le nombre total de classes
de l),
- la création d'une nouvelle classe centréeen un pixel particulier (il suffit de définir le
barycentre de cette classecommeétant le niveaudegris du pixel considéré et
d'incrémenter le nombre total de classes l),de
- etc. ....
11.2) L'ApprochePyramidale

Le traitement des images numériques nécessite souvent l'occupation d'un espace

mémoireimportantdansl'ordinateur, à cause dugrandvolume de données que
contiennent ces imageset de la complexité des algorithmes de traitement. La méthode
pyramidale permet de pallier cet inconvénient. Cette méthode consiste premièrement à
construire une pyramide d'images dont l'image de base est l'image initiale. La pyramide
est donc une suite d'images Ih ,h appartenant à l'intervalle [On]. h représente un niveau
de la pyramide et n+l est le nombre total de niveaux de la pyramide, ou encore hauteur
de la pyramide. Io est donc l'image de baseInetest le sommet de la pyramide. L'image
Ih est une version réduite de l'image Ih-1 et chaque élément (pixel) de l'image Ih est une
moyenne pondérée des éléments de l'image Ih-1:

22
3 7

Ih (X,y) = W(1,k)
Ih-1(2X + 1,2y + k) (1)
1=-3.=-;:
avec h E [O,n] , x E [O,NCh] et y E [o,NLh]. NCh + 1 : Nombre de colonnes de
l'image du niveauh. NLh + 1 :Nombre de lignes de l'image du niveauh.

Le plus souvent on a NCh = W h = 2" -1 et les images de la pyramide sont

carrées. On parle alors de structure arborescente quaternaire ([1],[5]) pour désigner la
pyramide. Quant à nous, nous avons construit une pyramide d'images rectangulaires
pour nos traitements. L'image de base a pour dimensions:
NCO= 319 et NLo = 199. et Nch = ((Nch-1 + 1) / 2) - 1 , NLh = ((NLh-1 + 1) /
2) - 1.

L'image du niveauh contient donc quatre fois moins d'Cléments que l'image du
niveau h-1 et son traitement nécessite aussi quatre fois moins d'espace mémoire dans

- 205 -
l'ordinateur. I%us gagnons aussi beaucoup en temps de calcul lorsque nous traitonsune
image réduite. L'image traitCe est ensuite agrandie pour une meilleure visualisation du
résultat. La fonction de pondération w doit obéir certains critkres .

Plusieurs approches pyramidales sont connues:

- par transformation dyadique: gaussienne puis laplacienne ([l].
[SI),
- par transformation dyadique de la représentation en ondelettes
([SI),
- par algorithmenon séparable en quinconce ([SI).
Pour plus de simplicité nous construisons une fonction séparable ([Il, [SI,[8])

w(I?k) = WI(1) Wljk) ( 2)

Une abondante littérature([Il, [5], [6]et [8]) définit les critères caractérisant w1.
1) Normalisation :

wl(m) = 1,
mz-2

2) Symétrie : wl(i) = wl(-i) ,i = 0,1,2

3) Equicontribution : Tous les 616ments d'une image de niveau h-1 doivent
h.
contribuer Cquitablement4 l'obtention des Clémentsde l'image de niveau supérieur
Supposons wl(0) =a, wl(-l) = wl(1)= b et wl(-2) = wl(2) = c. Dans cecass,il faut
qu'on ait a + 2c = 2b. Ces trois contraintes sont satisfaites quand
w ~ ( O ) = a wl(-l) = wl(1) = 1/4, ~ 1 ( - 2=) ~ 1 ( 2=) 114 - $2.
Pour diff61.entes valeursde a, la fonction w1 prend différentes valeurs[l], [5]:
- Pour a = 0.4, la fonction w1 a une allure gaussienne,
- Pour a = 0.5, la fonction w1 a une allure triangulaire,
- Pour a = 0.6. la fonction w1 a une allure trimodale, ce qui rapproche d'une
transformation en ondelettes[8].

Nous avons choisi a = 0.4 et 0.375. L'agrandissement de l'image traitée se fait

par construction de l'image Ih-1 à partir de l'image Ih. On travaille donc dans le sens
inverse de construction de la pyramide initiale.La formule utilisée estla suivante :

L L

Ih-1 (%Y) = 4 w(m,n)

'Ih
((x-m)/2,(y-n)/2)
m=-?,n=-2
Seuls les termes pour lesquels (x-m)/2 et (y-n)/2 sont des entiers sont inclus
dans cette somme.

- 206 -
 Pour un coût faible (du fait de la séparabilité des masques), on peut réduire très
fortement le volume associéà une image tout en la conservant sous une forme bitmap
directement exploitable par les algorithmesde classification. Bien sûr, il s'en suit une
perte d'information. On peut aisément montrer [1,5] que celle-ci est équivalenteà une
troncatwe des plus hautes fréquences du signal image. L'adéquation de cetoutil est donc
/ absence de bruit, de microstructures,
soumise à la nature de l'image (présence ...).

III)Techniquesde classification

Nous avons utilisé quelques méthodes de Classification décrites dans [2] [4]et
[6]. Nous avons appliqué ces deux approches aux méthodes de classification suivantes:
classification p y la méthode "plus proche voisin", classification itérative avec calcul
d'erreur au sens des moindres carrés, classification croissante (progressive), classification
avec classes initiales aléatoires, classification mixte.Nous présentons ici trois d'entre
elles.

111-1) Classification
par la méthode "plus proche
voisin"
sur
les
images"SPOT"et "SAR"

Dans cette méthode, les objets sont classés sur la base de la plus proche
distance entre leurs niveaux de gris. L'utilisateur doit entrer une valeur de seuil. Les
objets à classer sont définis comme des ensembles ayant des paramètres suivants:

1) Un niveau de gris (Niv)

si l'objet est déjh classéou non
2) Un indicateur (indice) permettant de savoir
(ClasseOK -+ Variable Booléenne)
3) Un numéro indiquant la classe 2 laquelle appartient l'objet au cas où il est
déjà classé (NuméroClasse).

Voici l'algorithme gCnéal de cette méthode:

Etape Nol. Faire i t 1 et k t 1. Mettre l'objetx1 dans la classe nol.
Etape NO2 Faire i t 1+1. Trouver le plus proche voisin de l'objet xi parmi
les objets déjh classés. SoitDmin la distance de l'objetX i à son plus proche voisin.On
suppose que ce plus proche voisin dansest la classe no m.
Etape NO3 Si DminI s (seuil de classification), alorson place l'objet xi dans
la classe no m. sinon on fait k t k+l et on place l'objet xi dans une nouvelleclasse no
k
Etape NO4 Si tous les objets sont classés déjà classés on arrête, sinon on
revient à l'étape No2.

111-2) Classification itérative avec calcul d'erreurausensdesmoindres

carrés

- 207 -
 Dans cette méthode,chaqueclasseestcaractCris6eparson barycentre.
L'appartenance d'un pixel à une classe dépend de l'écart entre le niveau de du grispixel et
le barycentre de la classe. Cette classification sefait avec calcul de l'erreurau sens des
moindres carrés selon la formule suivante :

i=l

2
eau : Erreur de classification de la classe numQo k, E2K : Erreur de classification
, ..

globale. Xi(k) : i ème Clément de Ia classe numéro k. m@) : Barycentre de la classe

k. K : Nombre total de classes.
numéro k. nk : Nombre d'eléments (pixels) de la classe
:
Voici l'algorithme genéral de cette methode

Etape N'P. Définir un nombre initial de classes K. Attribuer des barycentres

1-
appxtenant au domaine de
aux classes initiales. Ces barycentres doivent être des entiers
variation des niveaux de gris de l'image et ils doivent Ctre assez distants les uns des
autres [4].
Répéter les Ctapes 2 à 4 jusqu'à ce que les classesse stabilisent ou jusqu'h ce
qu'un nombre maximal d'iterations soit effectué.
Etape N"2. Faire une nouvelle répartition en plaçant chaque pixel dans la
classe ayant le barycentre le plus proche de son niveau gris. de
Etspe N"3. Repéter l'étape précédente jusqu'8 l'obtention d'une erreur de
3).
classification satisfaisante (Expression
Etape N'4. Ajuster ]le nombre de classes en fusionnant les classes de
barycentres mpproch&s.

111-3) Classification mixte

Lors des processus de classification, on rencontretrks souvent des objets dont

la classification dans l'une ou l'autre classe est difficile, du fait que de tels objets
semblent pouvoir appartenir h deux classes de façon simultan6e. Si on définit par
exemple une classe "vCgétation" et une classe "forCt",un champ d'hévéapourrait bien
appartenir 21 ces deux classes simultanément, si on prend pour critkrede classificationle
niveau de gris. Dans ce cas, on dkfinit le degre d'appartenanced'un tel objet B chacune des
classes auxquelles il est susceptible d'appartenir. Le degré d'appartenance d'un objet x à
une classe q est une fonction de probabilitdfq(x). fq(x) est dans l'intervalle[0,1]. Plus
fq(x) est grand, pluson est sûr que l'objetx appartient h la classe q. Si fq(x) = 1 on peut

- 208 -
affirmer avec certitude que l'objet x appartient à la classe q, et si fq(x) = O on peut
affirmer avec certitude que l'objet
x n'appartient pasà la classe q.

i=l

Dans le cas des images, d(x,Cq) est la différence entre le niveau ded'un
grispixel (objet
à classer) etun niveau degris choisi comme barycenbe d'une classe.
Soient n objets à classer. On voudrait les répartiren K classes. Nous avons, pour tout
objet x :

j=l

d(x,Cq) : Distance de l'objetx au barycentre dela classe Noq.

Pq est la taille relative de la classe :No q n4 /n; nq : Nombre d'objets dela classe q.
Pq =
n : Nombre total d'objets.

On définit un critère 0fqui caractérise le degré de chevauchement des classes

dans une classification:

I(fCi nfCj) est une fonction qui caractérisele degré de chevauchement des classes j.i et
Nous avons :

I(fci n fcj) = (l/n) C Min(fjo,fi(x)) (6)

X€H
H : ensemble des objetsà classer. n : Nombre d'objetsà classer. fj(x) (resp.fi )
probabilité d'appartenance de l'objetà lax classe j (resp. i).

La valeur minimalede 0fest O, ce qui représente le chevauchement maximal, et

la valeur maximale de0fest 1, ce qui représente une classification sans chevauchement
Of.
(l'idéal). Le problème consiste doncà trouver une classification qui maximise

Voici un algorithme généralde cette méthode:

- 209 -
 Etape Nol. Faire une classification initiale {Cl}, 1 = 1...K. L'utilisateur
choisit d'abordun nombre de classesK. Le programme détermine ensuite les barycentres
des classes initiales en suivantlesétapessuivantes : Détection duniveaude gris
maximal Gmax de l'image h classer. e Choix de K barycentres suivant l'expression: Bk
= UEAT(](k-l).Gm= /K,kGm, k= 1,...,K Bk : Barycentre dela classe Nok.
/K[)?

UEAT(]a,b[) : Valeur aléatoire prise dans l'intervalle ouvert ]a,b[.

Le programme répartit ensuite les pixels de l'image dans les diverses classes:
chaque pixel est placé dans la classe dont le barycentre est le plus proche de son nive
ae gris.
WépCter les 6tapes 2) B 4)jusqu'8obtentiond'un &if (Expression ( 5 ) )

satisfaisant ou jusqu'h ce qu'un nombre maximal d'iterations soit effectué:

Etape N02. Calculerlesfonctions de probabilit6 $(xj) pourtoutes les
classes et pour lous les objets Xj (cf. formule 3). Les objets sont les pixels de l'image
dans le cas présent.
Etape N"3. Calculer la fonction critère 0f pour la classification courante
(formule 4).
Etape N04. Afficher l'image classée et la valeur &if pour la classification

courante. Chaque pixel de l'image sera affiché avec la couleur de la classe dont le
barycentre est le plus mpproché de son niveau gris.de
Etape Nos.Refaire une classification des pixels de l'image comme h l'étape
NO1 et calculer lenouveau

Ces différentes méthodes sont de types itératives. La qualit6 du résultat dépend

grandement de l'état initial choisit. La pyramide présente dansce cas une autre
caractéristique intéressante liéeau mécanisme connu sous le vocable "coarse-to-fine".
Le principe en est simple. Soit uneimage 1 et une technique T que l'on souhaite
appliquer h l'image. Si1 est grande et/ouT complexe (ou itérative comme les méthodes
que nous venonsde présenter), le coiit de T(1) peut être élevé. L'approcheconrse tofine
consiste dans un premier temps h construire la décomposition pyramidale de 1 &qu'au
niveau Ik . Celui-ci est alors traitépar la technique T avec un gain en temps (et place
mémoire) de l'ordre de O(&) ce qui induit des valeurs très intéressantes. En contrepartie,
le résultat est bien sûr grossier. Cependant,TC&) est un point de depart cohérent avec le
résultat thCorique T(1) et encore plus avec le résultat T(1k-1). On procède alors par
raffinement successif pour obtenirT(1). Dans le cas des techniques de type itératif, on
rCduit considéablement le nombre d'itérations nCcessaire B l'obtention d'un état stable.
Plus de détails sur ces approches peuvent être trouvés [5,9]. dans

:
Les tailles des images utilisées sont les suivantes
SPOT : 1024 Lignes x 1024 Colonnes (en pixels),
SAR : 2206 Lignes x 1800 Colonnes (en pixels).

- 210 -
 L'image S A R découle de lamissiondite SIRUA. Il s'agit d'une des
expérimentations de la navette spatiale américaine réalisée en novembre 1981. Les
données ont été recueillies au moyen d'un radar à ouverture synthétique, 23.5 cm de
longueur d'onde avec une résolution de 40mau sol sous un angle d'incidencede 50".

Nous avons isolé des parties sous un format de 200 Lignes x 320 Colonnes.
Les essais ontété effectués surun compatible PC 486, cadence à 50 MHz de vitesse et
disposant de 8 Mo de mémoire vive. Les figures 1 à 4 sont des exemples de résultats
obtenus.

L'approche pyramidale (simplement gaussienne ici) permet de réduire l'espace

mémoire nécessaire pour les traitements parce qu'elle réduit la taille de Bl'image
traiter.
L'approche pyramidale nous permet donc de stocker l'image réduite en mémoire vive
pu êtce stockée que dansle disqueB cause desa grande
alors que l'image originale n'aurait
taille. De ce fait. l'approche pyramidale accélbre le processus de classification, puisque
les opération de lecture et écriture se font beaucoup plus rapidement sur une image
stockée en mémoire vive que sur une image stockéeundans disque (fut-il dur).

La perte d'information causée par l'approche pyramidale a une influence

négligeable sur la classification des images, surtout lorsque nous traitons l'image du
deuxième niveau de la pyramide gaussienne. En effet, chaque pixel de l'image initiale
subit la même opération qui consiste en une moyenne pondérée des pixels voisins. C'est
une opération linéaire qui s'applique à tous les pixels et cela n'influence pas leur
répartition en diverses classes. Des pixels qui seraient dans une même classele seront
toujoursdansl'imageréduite.Desmesuresplusprécises(erreur absolue, erreur
moyenne. erreur quadratique,rapport signal sur bruit, entropie) sont en cours
d'élaboration.

L'approcheorientéeobjetfacilitelamise en oeuvre des algorithmes de

programmation mais n'accélère pas le processus de classification. Au contraire, ellele
retarde puisque, pour exécuter la méthode d'un objet, le programme doit d'abord aller voir
cette méthode chez l'ancêtre le plus proche (consultation de la table des méthodes).
Toutefois, il n'y a pas ce retard quand nous avons affaire à des objets qui n'ont pas
à retenir est dont la facilité de la mise
d'ancêtre (casde notre classification). L'avantage
en oeuvre des algorithme de programmation,et il nous paraît grand!

Il vaut mieux, dans ces premiers essais, classer les différentes techniques
utilisées par ordre de rapidité et par ordre de réduction d'espaceaumémoire
lieu de donner
des chiffres.

RAPIDITE. La comparaison en temps d'exécution des diverses méthodes de

classification misesen oeuvre donnele classement suivant (de la méthode la plus rapide
à la méthode la plus lente) : 1") Classification mixte,2') Classes initiales aléatoires,3")
Classification progressive, 4") Classification par technique itérative. Dans chaque cas, la
rapidité décroît dans l'ordre suivant: 1") approche orientée objet et pyramidale, 2')
approche classiqueet 3") approche orientée objet.

- 211 -
 OCCUPATION MEM RE. La comparaison donne les résultats suivants:
1") approche orientée objet et. pyramidale,
2" approche classique([2]), approche orientke
objet.

Un outil de classification des images de tClCdétection a été dCveloppé. 11 peut

permettre aux usagers des micro-ordinateurs de faire la classification
non supervisée des
images de têlkdétection. Des résultats satisfaisants ont C d obtenus sur les images
"SPOT et " S A R " de la région de Yaoundé en Afrique Centrale.

L'approche pyramidale (simplement gaussienne ici) permetde réduire l'espace

mémoire nécessaire pourles traitements parce qu'elle réduit la taille
de l'image à traiter,
image qui sera stockée en mémoire vive de l'ordinateur. Celle-ci leaccelère
processus de
classification, puisque les opgration de lecture et ecriture se font beaucoup plus
rapidement. La perte d'information causée par l'approche pyramidalea une influence
négligeable sur la classification des images, surtout lorsque nous traitons l'imagedu
deuxiCme niveau de la pyramide gaussienne. Seuls les phénomknes micro-structuraux ne
sont pas pris en compte (de même que le bruit). Cependant, ces aspects peuvent Ctre
apprehendés parune étude de l'adéquation entre modèle (classification) et données (image
initiale).

L'approche orientée objet facilite la mise en oeuvre des algorithmes de

programmation mais n'accel6re pasle processus de classification. L' avantage à retenir
est dont la facilité de la mise en oeuvre des algorithme de programmation, et c'est un
grand avantage! Les essais en cours concernent la mise en oeuvre des d6veloppements
récents sur les algorithmes pyramidaux. Des mesures plus précises (erreur absolue, erreur
moyenne, erreur quadratique, rapportsignalsur bruit, entropie) sont en cours
d'elaboration pur 1"valuation des différentes méthodes de classification.

REFERENCES BIBLIOGRAPHIQUES

[l] P. J. Burt et E. H. Adelson, "The Laplacian Pyramidas a Compact Image

Code", IEEE Truttsnctions on Conznnuticarions. 3 l(4). 1983, 532-540.
[2] R.M Haralick, K.Shanmugan, etLH. Dinstein, "Textural features for image
classification", IEEE T r a m Syst., Mata, Cyberrz., 3, 1973, 610-621.
[3] R. Horaud et O. Monga, Vision par orditmteur, HermCs, Paris, 1993.
[4] A. K. Jain et R. C. Dubes, Algorithnu For Clusto-ing Data, Prentice Hall,
1988.
151 J.M. Jolion et AXosenfeld, A Pyramidal Framework f o r Enrly Vision,
Kluwer, 1994.
[6] M. Kunt, G. Granlund el M. Kocher, Traitenml rutmtrique de5 images,
Presses polytechniques et universitaires romandes et @NET-ENST, 1993
[7] A. Thierry, "Fiabilité des indices texturaux appliqués
aux images Radar".
Rapport DESS, Université Pierre et Marie Curie (Paris VI), 1986/1987.

- 212 -
 [SI J. Waku Kouomou, "Ondellettes et applications en imagerie et en calcul de
surfaces", Thèse Univ. de Grenoble, 1993.
[9] T. Simchony. R. Chellappa et Z. Lichtenstein, "Pyramid Implementation
of Optimal-Step Conjugate-Search Algorithms for Some Low-Level Vision problems",
IEEE Trans. Syst., Man, Cybern, 19, 1989, 1408-1425.
[lO] J.M. Duboiset F. Blasco (eds), Outilsmicro-irlfortnatiques et
T&I&détectionde l' évollrtion des milieus.actes du Colloque AUPELF, Toulouse, Presses
de l'université du Québec. 1990.

- 213 -
 1"
i.....

Figure 1. Image "SPOT" de la rbgion de Yaoundé classée

par la methode du "proche voisin"- Appmche objet.

- 214 -
 Figure 2. Image "SPOT de la région de Yaoundé classée
par la méthode "Classesinitiales aléatoires" (Approche Objet et Pyramidale)
- Traitement effectuésur l'image du niveau 2 de la pyramide.

- 215 -
Figure 3. Image " S A R " de la rkgion de YaoundC classCe par la methode
"Classification Mixte" - Approche Objet.

- 216 -
 .- ., - - " - - ~ . " ~ - ~ , , ~ ~ . , , , - . ~ " ~ ~ ~ . . ~ . ~ - . , ~ - ~ - . " ~ , ~ - ~ . ~ ~ ~ . . ~ - ~ . . ~ ~ - * ~

Figure 4.Image ' ' S N de la région de Yaoundé classée par la méthode

"classification itérative avec calcul d'erreur au sens des moindres carrés" (Approche
Objet
et Pyramidale) - Traitement effectuésur l'image du niveau2 de la pyramide.

- 217 -