De l'avènement de la civilisation à l'urbanisation moderne, les réseaux routiersont non seulement fourni un moyen de transport de la logistique, mais nous ont également aidé à traverser les frontières culturelles. Les propriétés des réseaux routiers varient considérablement d'un milieu géographique à l'autre. Les réseaux se rapportant à une image satellite peuvent donc être utilisés pour classer et rechercher de tels environnements. Dans ce travail, nous avons déni plusieurs de ces environnements, et les avons classés à l'aide de caractéristiques géométriques et topologiques, calculées à partir des réseaux routiers qui s'y trouvent. En raison de certaines limites des méthodes d'extraction, les réseau extrait dans certaines régions urbaines contenant des structures routières étroites et denses n'est pas toujours complet. Cette perte d'information a été contournée par la segmentation des régions urbaines et le calcul d'une deuxième série de caractéristiques géométriques et topologiques extraites de ces masques urbains.

Les imagettes formant notre base de données ont été extraites des images acquises par le satellite SPOT5 ayant une résolution de 5m (chaque image est de taille 512x512 en pixels). L'ensemble des caractéristiques géométriques et topologiques, calculées à partir des réseaux routiers et des masques urbains permettent de répartir les imagettes dans les classes géographiques prédénies. An de réduire la dimension des attributs qui peut nuire aux performances de la classication, un dispositif de sélection des attributs a été mis en place. Il repose sur une analyse linéaire discriminante de Fisher et une classication un contre tous par séparateur à vastes marges (SVM).

L'impact de la résolution spatiale et de la taille des images sur les diérents attibuts a été étudié dans ce travail. Nous avons attentivement analysé l'impact de ces facteurs sur le pouvoir discriminant de l'ensemble des attributs dans le cadre de la classication des images de notre sélection dans les classes géographiques dénies. Des essais ont été réalisés avec la réduction de dimension FLD et la classication SVM sur une base de données constituée d'images à 10 m de résolution ainsi que sur une base de données à 5m de résolution pour des images de taille de 256x256 pixels.

En plus les approches mentionnées, nous avons mis au point une nouvelle méthode de classication des images satellite de grande taille (scènes SPOT5 à 5m de résolution) à partir d'extraits de taille plus réduite (512x512 pixels). Un partie importante du travail a été consacreé à la classication d'images satellite à grande échelle plutôt que de considérer des images de tailles diérentes. Cette classication de l'image entière à partir d'extraits de diérentes tailles est une idée nouvelle en ce sens que les extraits considérés contiennent une bonne couverture d'un type particulier d'environnement géographique.

Les réseaux routiers et les masques urbains ont été calculés à partir de ces images extraites de la scène complète. Un SVM 'un contre tous', fondé sur un noyau Gaussien, a été utilisé pour classer la scène dans son intégralité. La scène est décomposée en une matrice, dont chaque élément est associé à une classe géographique. Nous obtenons ainsi une classication de la scène entière en plusieurs sous-images de classes géographiques diérentes. L'erreur moyenne obtenue est inférieure à 10 %.

From the advent of human civilization on our planet to modern urbanization, road networks have not only provided a means for transportation of logistics but have also helped us to cross cultural boundaries. The properties of road networks vary considerably from one geographical environment to another. The networks pertaining in a satellite image can therefore be used to classify and retrieve such environments. In this work, we have defined several such environments, and classified them using geometrical and topological features computed from the road networks occurring in them. Due to certain limitations of these extraction methods there was a relative failure of network extraction in some urban regions containing narrow and dense road structures. This loss of information was circumvented by segmenting the urban regions and computing a second set of geometrical and topological features from them.

The small images forming our database were extracted from images acquired from the SPOT5 satellite with 5m resolution (each image of size 512x512 pixels). The set of geometrical and topological features computed from the road networks and urban regions are used to classify the pre-defined geographical classes. In order to avoid the burden of feature dimensionality and reduce the classification performance, feature selection was performed using Fisher Linear Discriminant (FLD) analysis and an one-vs-rest linear Support Vector Machine (SVM) classification was performed on the selected feature set. The impact of spatial resolution and size of images on the feature set have been explored in this work. We took a closer look at the effect of spatial resolution and size of images on the discriminative power of the feature set to classify the images belonging to the pre-defined geographical classes. Tests were performed with feature selection by FLD and one-vs-rest linear SVM classification on a database with images of 10m resolution. Another test was performed with feature selection by FLD and one-vs-rest linear SVM classification on a database with 5m resolution images each of size 256x256 pixels.

With the above mentioned approaches, we developed a novel method to classify large satellite images with patches of images each of size 512x512 extracted from them acquired by SPOT5 satellite of 5m resolution. There has been a large amount of work dedicated to the classification of large satellite images at pixel level rather than considering image patches of different sizes. Classification of image patches of different sizes from a large satellite image is a novel idea in the sense that the patches considered contain significant coverage of a particular type of geographical environment.

Road networks and urban region features were computed from these image patches extracted from the large image. A one-vs-rest Gaussian kernel SVM classification method was used to classify this large image. The classification labels the image patches with the one having the maximum geographical coverage of the area associated in the large image. The large image was mapped into a "region matrix", where each element of the matrix corresponds to a geographical class. In certain cases, this produces anomalies, as a single patch may contain two or more different geographical coverages. In order to have an estimate of these partial coverages, the output of the SVM was mapped into probabilities. These probability measures were then studied to have a closer look at the classification accuracies. The results confirm that our method is able to classify a large image into various geographical classes with a mean error of less than 10%.