Résumé:
Résumé
Ce mémoire se concentre sur l'exploitation des images SAR pour l'extraction des zones urbaines. Nous avons utilisé des images SAR de San Francisco et de la baie d'Alger, acquises respectivement par les radars RADARSAT-2 et Sentinel-1 de l'ESA. Nous avons exploré plusieurs méthodes de détection, tant non supervisées que supervisées, telles que la méthode de cohérence, les décompositions de Yamaguchi et de Freeman, ainsi que les méthodes de seuillage OTSU et K-means, et les méthodes de classification SVM, MLP et Random Forest. En utilisant une sélection minutieuse des régions d'apprentissage (ROI), nous avons constaté que la méthode de classification SVM donnait les meilleurs résultats pour l'extraction des zones urbaines. Ces résultats ouvrent des perspectives prometteuses pour la cartographie et la surveillance des zones urbaines à partir de données SAR, avec des applications potentielles en planification urbaine et en gestion des ressources.
Abstract
This thesis focuses on the exploitation of SAR images for urban area extraction. We utilized SAR images of San Francisco and the Bay of Algiers, acquired respectively by RADARSAT-2 and Sentinel-1 radars from ESA. We explored various detection methods, both unsupervised and supervised, including coherence-based methods, Yamaguchi and Freeman decompositions, OTSU and K-means thresholding methods, as well as SVM, MLP, and Random Forest classification methods. Through careful selection of training regions (ROI's), we found that SVM classification yielded the best results for urban area extraction. These findings present promising prospects for urban mapping and monitoring using SAR data, with potential applications in urban planning and resource management.
