La dťection et l'identification des objets p̉artir des donněs de tľďťection, particulir̈ement les constructions, peuvent t̊re considřěs comme le fondement de la mise j̉our du systm̈e d'information des donněs gǒgraphique pour l'amľioration et la surveillance des infrastructures des villes.
Les objets p̉etite čhelle comme les bt́iments, dšormais grće au dv̌eloppement d'images de tľďťection, peuvent t̊re identifiš t̉rs̈ haute ršolution. Cependant, la sp̌aration manuelle des constructions des images nčessite un temps de traitement trs̈ consq̌uent. Des recherches approfondies ont ť m̌eněs sur diverses approches, notamment les techniques traditionnelles de traitement d'images, les mťhodes d'apprentissage automatique supervis ět non supervis ět les architectures d'apprentissage profond. L'ťude de la littřature explore l'v̌olution des algorithmes d'extraction de caractřistiques, des modl̈es de classification et de leurs applications en environnements urbains. Des ťudes notables sur la segmentation sm̌antique, l'analyse d'images basě sur les objets et l'intǧration de donněs multi-capteurs sont discutěs. De plus, des informations sont fournies sur les df̌is et les limites rencontrš par les techniques actuelles, ouvrant la voie au dv̌eloppement de nouvelles stratǧies proposěs dans cette ths̈e. La synths̈e de cette ťude approfondie ťablit une base pour la recherche, mettant en v̌idence les lacunes de l'ťat de l'art actuel et df̌inissant le contexte des avancěs proposěs dans la dťection automatisě des bt́iments.
Pour cette raison, l'ľaboration d'une nouvelle mťhodologie robuste pour la dťection des constructions est nčessaire. Nous pršentons deux approches pour extraire des bt́iments p̉artir d'images haute ršolution. La premir̈e approche est basě sur une supervisě technique de l'apprentissage automatique, et pour la seconde, nous utilisons des mťhodes d'apprentissage profond.
Dans l'approche supervisě, l'image est d'abord divisě en patchs de superpixels, p̉artir desquels les couleurs et les caractřistiques de texture sont rčupřěs. Les bt́iments, les routes, les arbres et les ombres sont ensuite sp̌arš en quatre groupes l̉'aide de la technique des machines v̉ecteurs de support (SVM). L'emplacement approximatif du bt́iment a ť ďťermin ľ̉'aide d'un point de dp̌art et d'une approche de croissance rǧionale adaptative basě sur la position prčďemment connue des ombres. Une procďure de contournage a ť ǎppliquě pour extraire la forme finale des bt́iments impliquant une opřation morphologique ouverte..
La deuxim̈e approche consiste en quatre ťapes principales : segmentation de l'image en superpixels homogn̈es l̉'aide d'un clustering itřatif linǎire simple (SLIC) modifi,̌ extraction approfondie des caractřistiques l̉'aide d'une čhelle d'auto-encodeur variationnel (VAE) sur les superpixels pour la formation et le test de la collecte de donněs, identification de quatre classes (bt́iments, routes, arbres et ombres) l̉'aide de donněs d'entitš extraites en entrě d'un ršeau neuronal convolutif (CNN), et extraction de formes de bt́iments par croissance rǧionale et opřations morphologiques.
Notre mťhodes innovante donne d'excellents taux de prčision dans le cadre d'identification des unitš de construction. L'v̌aluation de la prčision sur diffřents domaines d'ťude dm̌ontre les avantages qu'on obtient avec cette nouvelle approche, ce qui permet de la positionner comme un outil robuste, rǎliste et prčis.
Mots clš: Dťection de bt́iments, Traitement d'images, Extraction de caractřistiques, Apprentissage automatique, Apprentissage profond, Tľďťection, Systm̈e d'information gǒgraphique..