ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Revue Internationale de Géomatique

1260-5875
Vous êtes sur le site des articles parus entre 2001 et 2014 :
» Accédez aux articles parus depuis 2015 «
International Journal of Geomatics and Spatial Analysis
 

 ARTICLE VOL 24/2 - 2014  - pp.181-210  - doi:10.3166/rig.24.181-210
TITRE
Une approche basée objet combinée avec les classifieurs avancés (SVM, RF, Extra Trees) pour la détection des changements du bâti

TITLE
Combining object-based approach and advanced classifiers (SVM, RF, Extra Trees) for mapping changes of build-up area

RÉSUMÉ

Cet article expose le développement d’une méthodologie automatique pour la détection des changements du bâti en vue d’une mise à jour semi-automatique des cartes urbaines. L’approche est basée sur la comparaison entre une carte existante et une image à très haute résolution spatiale (THRS) récente. Elle s’enchaîne sur 4 étapes. D’abord l’image est segmentée pour produire des primitives. Ces dernières sont caractérisées par quatre catégories d’attributs. Des classifieurs avancés par apprentissage supervisé (CAAS) ont été utilisés dans l’étape de la classification. Le paramétrage optimal de ces classifieurs est obtenu automatiquement par validation croisée en se référant au meilleur taux d’erreur. La prédiction finale des objets est déduite par un combineur de multiples classifieurs (CMC) conçu à partir des 3 meilleurs CAAS. Enfin, une étape de détection des changements permet d’identifier les primitives qui représentent les changements du bâti. Les données utilisées concernent la ville de Rabat (Maroc). Une image QuickBird a été utilisée avec un plan existant à l’échelle 1:10,000. Indépendamment de la qualité de la forme des bâtiments détectés, la méthode offre des meilleurs taux en exhaustivité (91,7%) et en exactitude (81,5 %).



ABSTRACT

This paper expounds the development of an automatic methodology for mapping changes of build-up area for semi-automatic update of urban maps. The approach is based on a comparison between an outdated map and a newly registered very high spatial resolution satellite image (VHSR). The whole process is performed mainly on four steps. First, the image was segmented to give primitives. They will be characterized by four categories of fe atures. Then, advanced supervised learning algorithms are used in a classification step (Support Vector Machines (SVM), Bagging, Random Forest (RF) and Extremely Randomized Trees (Extra Trees)). The adjustment of classifiers’ parameters is done automatica lly by cross validation according to the best error rate. The final objects’ prediction is deducted thanks to a combiner of multiple classifiers (CMC) from the three better classifiers. Last, a post classification change detection step allows to identify the segments which represent changes of build up area. The data used in this research concern the city of Rabat (Morocco). A QuickBird image has been used with an old map at the scale of 1:10,000. Regardless of the quality of the detected buildings’ shape, the method achieves good rates of completeness (91.7%) and correctness (81.5%).



AUTEUR(S)
Loubna ELMANSOURI

MOTS-CLÉS
détection des changements du bâti, image à THRS, SVM, forêts aléatoires

KEYWORDS
changes of build-up area, VHSR image, SVM, random forest, extra trees

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (625 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier