Techniques d'analyse de contenu appliquées à l'imagerie spatiale

Depuis les annees 1970, la teledetection a permis d’ameliorer l’analyse de la surface de la Terre grâce aux images satellites produites sous format numerique. En comparaison avec les images aeroportees, les images satellites apportent plus d’information car elles ont une couverture spatiale plus importante et une periode de revisite courte. L’essor de la teledetection a ete accompagne de l’emergence des technologies de traitement qui ont permis aux utilisateurs de la communaute d’analyser les images satellites avec l’aide de chaines de traitement de plus en plus automatiques. Depuis les annees 1970, les differentes missions d’observation de la Terre ont permis d’accumuler une quantite d’information importante dans le temps. Ceci est du notamment a l’amelioration du temps de revisite des satellites pour une meme region, au raffinement de la resolution spatiale et a l’augmentation de la fauchee (couverture spatiale d’une acquisition). La teledetection, autrefois cantonnee a l’etude d’une seule image, s’est progressivement tournee et se tourne de plus en plus vers l’analyse de longues series d’images multispectrales acquises a differentes dates. Le flux annuel d’images satellite est suppose atteindre plusieurs Peta octets prochainement. La disponibilite d’une si grande quantite de donnees represente un atout pour developper de chaines de traitement avancees. Les techniques d’apprentissage automatique beaucoup utilisees en teledetection se sont beaucoup ameliorees. Les performances de robustesse des approches classiques d’apprentissage automatique etaient souvent limitees par la quantite de donnees disponibles. Des nouvelles techniques ont ete developpees pour utiliser efficacement ce nouveau flux important de donnees. Cependant, la quantite de donnees et la complexite des algorithmes mis en place necessitent une grande puissance de calcul pour ces nouvelles chaines de traitement. En parallele, la puissance de calcul accessible pour le traitement d’images s’est aussi accrue. Les GPUs («Graphic Processing Unit ») sont de plus en plus utilises et l’utilisation de cloud public ou prive est de plus en plus repandue. Desormais, pour le traitement d’images, toute la puissance necessaire pour les chaines de traitements automatiques est disponible a cout raisonnable. La conception des nouvelles chaines de traitement doit prendre en compte ce nouveau facteur. En teledetection, l’augmentation du volume de donnees a exploiter est devenue une problematique due a la contrainte de la puissance de calcul necessaire pour l’analyse. Les algorithmes de teledetection traditionnels ont ete concus pour des donnees pouvant etre stockees en memoire interne tout au long des traitements. Cette condition est de moins en moins respectee avec la quantite d’images et leur resolution. Les algorithmes de teledetection traditionnels necessitent d’etre revus et adaptes pour le traitement de donnees a grande echelle. Ce besoin n’est pas propre a la teledetection et se retrouve dans d’autres secteurs comme le web, la medecine, la reconnaissance vocale,… qui ont deja resolu une partie de ces problemes. Une partie des techniques et technologies developpees par les autres domaines doivent encore etre adaptees pour etre appliquee aux images satellites. Cette these se focalise sur les algorithmes de teledetection pour le traitement de volumes de donnees massifs. En particulier, un premier algorithme existant d’apprentissage automatique est etudie et adapte pour une implantation distribuee. L’objectif de l’implantation est le passage a l’echelle c’est-a-dire que l’algorithme puisse traiter une grande quantite de donnees moyennant une puissance de calcul adapte. Enfin, la deuxieme methodologie proposee est basee sur des algorithmes recents d’apprentissage automatique les reseaux de neurones convolutionnels et propose une methodologie pour les appliquer a nos cas d’utilisation sur des images satellites.