Apprentissage de règles floues pour caractériser des objets d'intérêt dans une image de télédétection

Résumé. Les nouveaux capteurs satellitaires permettent l’acquisition d’images d’un très haut niveau de détail à des cadences élevés, produisant ainsi une importante masse de données. Le traitement manuel de ces données étant devenu impossible, de nouveaux outils sont nécessaires afin de les traiter automatiquement. Dans ce cadre, des algorithmes de segmentation efficaces sont nécessaires pour extraire des objets d’intérêt de ces images. Cependant, les segments produits ne correspondent généralement pas aux objets d’intérêt. Dans cet article, nous proposons de changer le niveau d’abstraction afin d’interpréter les objets d’intérêt comme des objets composés par des segments. Pour cela, nous avons mis en place un processus d’apprentissage multi-niveaux, basé sur des connaissances expertes, dans le but d’apprendre des règles de compositions définissant des objets d’intérêt. Pour gérer l’imprécision relative à l’analyse d’images de télédétection nous proposons d’utiliser la logique floue afin de modéliser les règles de composition. La méthode proposée est validée sur des données de synthèse ainsi que sur des données réelles.