Université de Rennes Détection de changements multi-temporels à partir de classification non-supervisée : application aux images radar à ouverture synthétique polarimétriques et multi-vues Multi-temporal change detection based on unsupervised classification : application for multi-look polarimetric synthetic aperture radar images Données SAR PolarimétriquesApprentissage non supervisésProcessus de Dirichlet Polarimetric SAR datasetsUnsupervised learningDirichlet Process Polarimétrie radar Radar à antenne synthétique Apprentissage non supervisé (intelligence artificielle) Principe de Dirichlet Images de télédétection La détection de changement constitue un domaine essentiel en télédétection, notamment pour le suivi environnemental, la gestion des risques et la surveillance du territoire. Dans cette thèse, l’objectif est de développer une méthode non supervisée de détection de changement appliquée aux données SAR polarimétriques. Nous commençons par une étude approfondie des méthodes existantes, qu’elles soient supervisées ou non supervisées. Ensuite, nous proposons une nouvelle approche non supervisée qui ne nécessite ni information a priori sur la vérité terrain ni connaissance préalable du nombre de classes. Notre méthode intègre le processus de Dirichlet afin d’estimer automatiquement le nombre de classes. Nous construisons ainsi une approche complète basée sur le modèle EM-DPMM-MRF. L’algorithme EM permet d’estimer les paramètres du modèle et de mettre à jour les classes de manière itérative, tandis que les champs de Markov (MRF) sont utilisés pour intégrer l’information spatiale dans le processus de segmentation. Enfin, la détection de changement est réalisée à partir de la comparaison de deux images classifiées de la même zone d’étude, conduisant à la génération d’une carte binaire de changement. Change detection is a crucial field in remote sensing, particularly for environmental monitoring, risk management, and territory surveillance. The objective of this thesis is to develop an unsupervised change detection method for polarimetric SAR data. We begin with a comprehensive review of existing supervised and unsupervised approaches. Subsequently, we propose a novel unsupervised method that does not require prior information about ground truth or the number of classes. Our approach incorporates the Dirichlet Process to automatically estimate the number of classes. We thus develop a complete framework based on the EM-DPMM-MRF model. The Expectation-Maximization (EM) algorithm is used to iteratively estimate the model parameters and update the class assignments, while Markov Random Fields (MRF) are introduced to integrate spatial information into the segmentation process. Finally, change detection is performed by comparing two classified images of the same study area, leading to the generation of a binary change map. Electronic Thesis or DissertationText en application/pdf1 : 13378 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/a46bc974-fbe1-4390-b34e-05b261979a2f Bdiri Wassim 1999-03-27 TN 298649039 bdiriwassim@gmail.com 2026URENS020 http://www.theses.fr/2026URENS020 2026-06-02 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiPottierÉricintervenant_1075883112MéricStéphaneintervenant_2171542754TupinFlorenceintervenant_3035548363BouhlelNizarintervenant_6128025247TrouvéEmmanuelintervenant_4035526211OvarlezJean-Philippeintervenant_5153287160 MATISSEecoleDoctorale_1 267602553 IETR partenaireRecherche_1 149256035 ddc:620 PottierÉricMéricStéphaneTupinFlorenceTrouvéEmmanuelOvarlezJean-PhilippeBouhlelNizarUniversité de RennesMATISSE IETR ASCII PDF 13699576