| Titre : | Classification multispectrale des images satellites |
| Auteurs : | Ouiem Miloud ; Farah Fekraoui, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (161 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Résumé : |
Au fil du temps, l’homme a développé les moyens qu’il a utilisés pour identifier laterre et révéler sa richesse. Il a également mis au point des programmes et du matériel permettant de classer les images prises par satellite, ce qui lui permet de déterminer le terrain et de déterminer les lieux et les changements qui se produisent au niveau du sol. La classification est une tache prédictive qui consiste à regrouper les données les plus similaires dans une même classe. Cette opération est donc d’une grande complexité et l’utilisation des algorithmes puissants s’avère nécessaire. Le Deep Learning ou apprentissage profond est une famille d’algorithmes d’apprentissage (machine learning) pour entraîner des réseaux deneurones composés de plusieurs couches internes et potentiellement un grand nombre. Ces techniques ont permis des progrès importants et rapides dans les domaines de l’analyse des images. Le travail proposé dans ce mémoire vise à réaliser une classification des images satellites à l’aide du DeepLearning. Nous avons utilisé un réseau de neurone profond, une variante du réseau ResNet 50, qui peut aller jusqu’à non pas à 50 couches en profondeur, mais à 100 couches. Les résultats obtenus, comparés aux résultats obtenus par d’autres réseaux sur de la même base d’images mais, sont jugés satisfaisants en termes d’efficacité de calculet de précision. |
| Sommaire : |
table des Figures iv Liste des Tableaux vii General Introduction 2 1 La Classification des images satellites 3 1.1 Introduction 3 1.2 Généralités sur la télédétection 3 1.2.1 Définition de la télédétection 3 1.2.2 Processus de la télédétection : 4 1.2.3 Détection passive et active 5 1.2.3.1 capteur active 5 1.2.3.2 capteur passive 6 1.2.4 Caractéristiques des images 7 1.2.4.1 Résolution spatiale 7 1.2.4.2 Résolution spectrale 8 1.2.5 Paramètres influant sur le contenu d’une image satellitaire . 8 1.2.5.1 La définition de l’image : 8 1.2.5.2 Les canaux disponibles : . 9 1.2.5.3 La date de prise de vue : . 9 1.3 La classification des images satellites 9 1.3.1 Définitions 9 1.3.2 Types de classification 9ii Classification non supervisée ..10 Classification supervisée...11 1.4 conclusion .15 2 Le Deep learning pour la classification des images 16 Introduction..16 Définition de l’apprentissage automatique(machine learning) 16 Les différents procédés d’apprentissage automatique 17 Les applications d’apprentissage automatique .18 Définition de l’apprentissage profond (deep learning).19 Pour quoi le deep learning? 20 Architectures de réseaux de neurones profonds .20 Les réseaux de neurones convolutifs.21 Réseau de neurones récurrents.22 Cartes auto-adaptatives (SOMs) .23 Machines de Boltzmann 24 Auto-encodeurs 24 la comparaison entre l’apprentissage automatique et l’apprentissage en profondeur 25 transfer learning26 l’utilisation du Transfer Learning 27 Conclusion.29 3 Conception du notre systéme 30 Introduction..30 Conception du système30 L’architecture générale30 Architecture détaillée 31 Lecture et collecte des données.31 Augmentation de données .31 Pré-traitement .33 Conception de l’architecture du modele(resnet-50) . 343.2.2.5 l’apprentissage : .36ii i Conclusion. 37 4 implémentation, résultats et discussions 38 Introduction.. 38 Environnements et outils de développement . 38 Framework et environnement de travail 38 Languages de programmation 39 Outils de développements 39 Environnement 41 Implémentation et discussion des résultats 43 Collecte de données 43 Prétraitement des données 43 augmentation des données 44 Réseau de neurone ResNet-50 45 L’apprentissage 45 l’interface de l’application 47 Validation des résultats 49 Matrice de confusion 51 étude comparative 52 test des résultats . 53 Limites du système classifieur et solutions proposées.. 55 Conclusion.56 General Conclusion 58 Bibliographie 59 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/746 | Mémoire master | bibliothèque sciences exactes | Consultable |
