Réduction du nombre de canaux des images multispectrales par approche connexionniste - An improved neural network technique for data dimensionality reduction in satellite imagery

Réduction du nombre de canaux des images multispectrales par approche connexionniste

An improved neural network technique for data dimensionality reduction in satellite imagery

M. Janati Idrissi A. Sbihi  R. Touahni  A. Roukhe  A. Aït Fora 

Université Ibn Tofail, Faculté des Sciences, B.P. 14000, Kénitra, Maroc

Université Moulay Ismaïl, Faculté des Sciences, B.P. 4010, Meknès, Maroc

Corresponding Author Email: 
mjanati@caramail.com
Page: 
491-500
|
Received: 
27 June 2000
|
Accepted: 
N/A
|
Published: 
31 December 2000
| Citation

OPEN ACCESS

Abstract: 

This paper presents an application of back-propagation neural network based mapping scheme of multispectrale data images. The approach exploits the ability of neural networks for non-linear projection of multidimensional data, and their advantages over traditional methods. An updating rule for this network, based on the Conjugate Gradient Algorithm is used. The main advantage of this algorithm is the speedup of the convergence rate. Performance evaluation using a Landsat image of Kénitra region (Morocco) is carried out. Classification results of the proposed algorithm outperform those obtained using conventional methods.

Résumé

Ce papier présente une nouvelle technique de réduction du nombre de canaux spectraux pour aider à la classification des images multispectrales en mode d’occupation du sol. Cette technique, basée sur des réseaux de neurones multicouches, propose une règle d’apprentissage de ces réseaux qui adapte le gradient conjugué à la méthode de rétropropagation ; permettant ainsi une convergence rapide au réseau. Les résultats de classification sont évalués sur une fenêtre d’image LandsatTM de 512*512 pixels, relative à la région de Kénitra (Maroc), et comparés à ceux obtenus par les méthodes classiques.

Keywords: 

Non-linear projection, Neural networks, Remote sensing imagery, Conjugate gradient

Mots clés

Projection non linéaire, Réseaux de neurones, Images multispectrales, Gradient conjugué

1. Introduction
2. Projection Des Données Multidimensionnelles Par Réseaux De Neurones Multicouches
3. Application À La Réduction Du Nombre De Canaux D’images Satellitaires
4. Conclusion
  References

[Abo 97] G. P. Abousleman, M. W. Marcellin, B. R. Hunt, « Hyperspectral Image Compression Using Entropy-Constrained Predictive Trellis Coded Quantization », IEEE Trans on Image Processing, Vol. 6, n° 4, April 1997, pp. 566-573.

[Aka 74] H. Akaike, « A new Look at the Statistical Model Identification », IEEE Trans. on Automatic Control, Vol. IV, 1974, pp. 716-722.

[Bet 95] M. Betrouni, S. Delsert et D. Hamad, « Interactive Pattern Classification by Means of Artificial Neural Networks », IEEE, International Conference on System Man and Cybernetics (SMC), Vancouver, British Columbia, Canada, October, 1995, Vol. IV, pp. 3275-3279.

[Bis 95] C. M. Bishop, « Neural Networks for Pattern Recognition », Clarendon Press, Oxford, 1995.

[Bon 92] F. Bonn et G. Rochon, « Précis de télédétection : Principes et méthodes », Press de l’université de Québéc. AUPELF, 1992, 512 pages.

[Can 98] G. R. Canta, G. Poggi, « Kronecker-Product Gain-Shape Vector Quantization for Multispectral Image Coding », IEEE Trans on Image Processing, Vol. 7, n° 5, May 1998, pp. 668-678.

[Dao 94] M. Daoudi, D. Hamad et J.G. Postaire, « A new Interactive Patter Classification Approach using five-layer Neural Networks and Mathematical Morphology », EUFIT 94, Aachen, Germany, September 1994.

[Dav 73] David G. Luenberger, « Introduction to Linear and Non Linear Programming », Stanford University, 1973

[Def 90] P. Defourny, « Méthodes d’évaluation quantitative de la végétation ligneuse en région Soudano-Sahélienne à partir de données Landsat TM (Burkina Faso) », Actualité Scientifique, Télédétection et sécheresse, Ed. AUPELF-UREF, Paris, France, 1990, pp.63-74.

[Gir 89] M.C. Girard et C.M. Girard, « Télédétection appliquée : zones tempérées et inertropicales », Paris, Masson, 1989, 260 pages.

[Ham 95] D. Hamad et M. Betrouni, « Artifacial Neural Networks for Non Linear Projection and Exploratory Data Analysis », International Conference on Artificial Neural Networks and Genetic Algorithms, ICANNG’95, Alès, France 1995, pp.164-167.

[Hes 52] M. R. Hestenes, E. Stiefel, « Méthods of Conjugate Gradients for Solving Linear Systems », National Bureau of Standards Journal of Research 49, 1952, p. 409-436.

[Hill 89] A. Hillion, J. M. Boucher et C. Roux, « Le Traitement des images de télédétection : Aperçu et Perspectives », Télétection en Francophonie, ED, AUPELF-UREF, JohnLibby, Eurotext, Paris, 1989, p. 83-92.

[Jai 92] A. K. Jain et J. Mao, « Artifacial Neural Networks for Non Linear Projection of Multivariate Data », In Proc. IEEE Int. Joint. Conf. on Artificial Neural Networks, Vol 3, Baltimor, Maryland, June 1992, pp. 335-340.

[Kar 94] J. Karhunen, « Optimisation Criteria and Non Linear PCA Neural Networks », IEE Inter. Conf. On Neural Networks (NN) Orlando, Florida, USA, 1994, pp. 1241-1246.

[Ker 92] P. Kerlizin et P. Refregier, « Robustesse des réseaux neuronaux multicouches : Analyse théorique et application à la compression d’images », Neuro-Nimes, 1992, pp. 479-490.

[Lec 86] Y. Le Cun, « Learning Processin Asymmetric Threshold Network », Disorder systems and biological Organisation, E. Bienenstock, F. Fogelman Soulie, and G. Weibush (Eds), Berlin: Springer, 1986.

[Lec 87] Y. Le Cun, « Modèles connexionnistes de l’Apprentissage », Thèse de Doctorat, Paris VI, 1987.

[Lip 87] R.P. Lippman, « An introduction to Computing with Neural Nets » IEEE ASSP Magazine, 1987, pp. 4-22.

[Mat 93] S. Matjek, « L’Analyse Discriminante : Générer des images contractées et orientées pour faciliter l’interprétation forestière », 16ème Syposium canadien sur la Télédétection, Sainte-Foy, Quebec, 1993.

[Man 91] R. Maniere, H. Khijar et J. Courboules, « Comparaison des différentes méthodes de traitement par analyses en composantes principales des données Thamatic Mapper de Landsat-5 Appliquées à l’inventaire des forêts méditerranéennes du Sud de la France », Int. J. Remote Sensing, Vol. 12, n° 9, 1991, pp.1897-1903.

[Rum 86] D. E. Rumelhart, G.E. Hinton et R. J. Williams, « Learning Internal Representation by Error Propagation », Parallel Distributed Proceessing : Exploration in Micro Structures of Cognition, Vol. 1, Mit Press, Cambridge, Mass, 1986, pp. 318-362.

[Rou 98] A. Roukhe, « Neurons Network Processing by a practical Algorithm of Optimization » International Workshop on Applications of Artificial Neural Networks to Ecological Modelling, Toulouse, Decembre 1998, pp 14-17.

[Was 89] P.D. Wasserman, « Neural computing Theory and Practictise », VNR, New York, 1989.