University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Slimani,Yacine |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
LA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) / LAFI ,Yacine
Titre : LA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) Type de document : texte imprimé Auteurs : LAFI ,Yacine, Auteur ; Slimani,Yacine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : l’apprentissage profond
les réseaux de neurones convolutifs (CNN)
l’application de la détection des changementsIndex. décimale : 004 - Informatique Résumé :
Avec le développement rapide de diverses technologies de capteur satellite, l'image satellitaire a été une source d'importation de données, Ce qui a permis à l’être humain de localiser, cartographier, découvrir des richesses et identifier des problèmes environnementaux, en plus de l’application de la détection des changements dans les images satellitaires avec l’apprentissage profond et plus spécifiquement les réseaux de neurones convolutifs (CNN), et cette application fait partie des plus gros problèmes dans le domaine du traitement d'image. Donc, dans ce mémoire, nous avons expliqué le fonctionnement de cette application et nous avons également implémenté des méthodes d'application de la détection de changement dans l'imagerie satellite en utilisant les algorithmes de modèle CNN. Et nous avons pu obtenir de bons résultatsCôte titre : MAI/0448 En ligne : https://drive.google.com/file/d/1KZnfkxd4jKTQdObFtrUMXH4Pi0_zdSXs/view?usp=shari [...] Format de la ressource électronique : LA DETECTION DES CHANGEMENTS DANS LES IMAGES SATELLITAIRES AVEC L`APPRENTISSAGE PROFOND (DEEP LEARNING) [texte imprimé] / LAFI ,Yacine, Auteur ; Slimani,Yacine, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : l’apprentissage profond
les réseaux de neurones convolutifs (CNN)
l’application de la détection des changementsIndex. décimale : 004 - Informatique Résumé :
Avec le développement rapide de diverses technologies de capteur satellite, l'image satellitaire a été une source d'importation de données, Ce qui a permis à l’être humain de localiser, cartographier, découvrir des richesses et identifier des problèmes environnementaux, en plus de l’application de la détection des changements dans les images satellitaires avec l’apprentissage profond et plus spécifiquement les réseaux de neurones convolutifs (CNN), et cette application fait partie des plus gros problèmes dans le domaine du traitement d'image. Donc, dans ce mémoire, nous avons expliqué le fonctionnement de cette application et nous avons également implémenté des méthodes d'application de la détection de changement dans l'imagerie satellite en utilisant les algorithmes de modèle CNN. Et nous avons pu obtenir de bons résultatsCôte titre : MAI/0448 En ligne : https://drive.google.com/file/d/1KZnfkxd4jKTQdObFtrUMXH4Pi0_zdSXs/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0448 MAI/0448 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction et analyse de connaissances à partir du web Type de document : texte imprimé Auteurs : Slimani,Yacine, Auteur ; Muussaoui,Abdelouhab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (159 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille des usagers du web
Méthod de marche aléatoireIndex. décimale : 004 Informatique Côte titre : DI/0037 En ligne : https://drive.google.com/file/d/1mQMD_7tHWXKH_4wg8YdbSQqQeXRxiNQG/view?usp=shari [...] Format de la ressource électronique : Extraction et analyse de connaissances à partir du web [texte imprimé] / Slimani,Yacine, Auteur ; Muussaoui,Abdelouhab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (159 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille des usagers du web
Méthod de marche aléatoireIndex. décimale : 004 Informatique Côte titre : DI/0037 En ligne : https://drive.google.com/file/d/1mQMD_7tHWXKH_4wg8YdbSQqQeXRxiNQG/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0037 DI/0037 Thèse Bibliothéque des sciences Français Disponible
DisponibleMeta-heuristic Approach-based Change Detection for Remote Sensing / Billal Maaoui
Titre : Meta-heuristic Approach-based Change Detection for Remote Sensing Type de document : texte imprimé Auteurs : Billal Maaoui, Auteur ; Slimani,Yacine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (58 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Remote sensing satellite images change detection metaheuristic classification Index. décimale : 004 - Informatique Résumé :
Remote sensing plays a crucial role in monitoring changes in land cover through
the use of aerial imagery and satellite data. This technology provides accurate information
about changes in vegetation, soil, and green areas, aiding in the assessment
of environmental impacts and the development of strategies for land cover
conservation and sustainable development.
In this study, a change detection approach was applied using multi-temporal Landsat-
8 satellite images and a supervised classification method PSOGSA (the hybridization
of particle swarm optimization and the gravitational search algorithm)to accurately
identify changes and degraded areas.
The techniques were successful in classifying satellite images and revealed the
forest cover loss due to fires in our study area.Note de contenu : Table of Contents
Acknowledgement i
Abstract ii
Acronyms vii
1 Remote sensing 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Definition of remote sensing . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 The main steps of remote sensing . . . . . . . . . . . . . . . . . . . . 5
1.4 Remote sensing equipment . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 The satellite image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 Satellite image resolution . . . . . . . . . . . . . . . . . . . . . 8
1.5.1.1 Spatial resolution . . . . . . . . . . . . . . . . . . . . 8
1.5.1.2 Spectral resolution . . . . . . . . . . . . . . . . . . . 8
1.5.1.3 Temporal resolution . . . . . . . . . . . . . . . . . . . 9
1.5.1.4 Radiometric resolution . . . . . . . . . . . . . . . . . 9
1.6 Types of satellite images . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.1 Panchromatic images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.2 Multi-spectral images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.3 Hyper-spectral images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.4 Multi-source images: . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Overview of Satellite Image Processing . . . . . . . . . . . . . . . . . 10
1.7.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1.1 The classification methods . . . . . . . . . . . . . . . 11
1.7.1.2 Classification by Multilayer Perceptron Neural Networks
(MLP . . . . . . . . . . . . . . . . . . . . . . . 12
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Change Detection techniques for Remote Sensing 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 What is Change Detection? . . . . . . . . . . . . . . . . . . . . 15
2.1.2 procedure of change detection . . . . . . . . . . . . . . . . . 16
2.2 Change Detection Challenges in RS Imagery . . . . . . . . . . . . . 17
2.3 OUTLINE OF CHANGE DETECTION METHODS . . . . . . . . . . 17
2.3.1 Visual Interpretation . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Algebra based approach . . . . . . . . . . . . . . . . . . . . . 19
2.3.2.1 Image Differencing . . . . . . . . . . . . . . . . . . . 19
2.3.2.2 image ratioing . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2.3 Normalized Difference Vegetation Index NDVI . . . 21
2.3.3 Transformation/Data Reduction . . . . . . . . . . . . . . . . . . 21
2.3.3.1 Tasseled Cap transformation . . . . . . . . . . . . . . 21
2.3.4 Classification-based methods . . . . . . . . . . . . . . . . . . . 22
2.3.4.1 Post-classification comparison . . . . . . . . . . . . . 22
2.3.5 Advanced methods . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.6 Ggeographic Information System (GIS) . . . . . . . . . . . . . 23
2.3.7 Visual interpretation methods . . . . . . . . . . . . . . . . . . 23
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Metaheuristics 24
3.1 Overview of Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 optimization problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Heuristics and Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Classification of Metaheuristics . . . . . . . . . . . . . . . . . . . . . . 26
3.4.1 single solution based metaheuristics . . . . . . . . . . . . . . . 26
3.4.1.1 simulated annealing algorithm . . . . . . . . . . . . . 26
3.4.1.2 Greedy randomized adaptive search procedures . . . 27
3.4.2 population based metaheuristics . . . . . . . . . . . . . . . . . 27
3.4.2.1 Gravitational Search Algorithms . . . . . . . . . . . . 27
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 methodology used 29
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 multilayer perceptron MLP . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1 MLP Operational Overview . . . . . . . . . . . . . . . . . . . . 30
4.2.2 learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.3 Gradient Backpropagation Algorithm . . . . . . . . . . . . . . . 32
4.2.4 The optimization of the MLP neural network . . . . . . . . . 32
4.2.4.1 Optimizing MLP Neural Network with PSOGSA . . 33
4.2.4.2 Steps of the PSOGSA Algorithm . . . . . . . . . . . 33
4.3 A general diagram of the methodology used . . . . . . . . . . . . . . 35
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5 implementation and analyse 38
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2 Purpose of the Application . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3 Study area . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3.1 Satellite used . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.4 Coloration and enhancement . . . . . . . . . . . . . . . . . . . . . . . 42
5.5 Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.6 Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.7 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.7.1 MLP/PSOGSA Classification . . . . . . . . . . . . . . . . . . . 46
5.7.2 Vegetation index “NDVI” . . . . . . . . . . . . . . . . . . . . . 46
5.7.2.1 Classification results . . . . . . . . . . . . . . . . . . 47
5.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51Côte titre : MAI/0829 Meta-heuristic Approach-based Change Detection for Remote Sensing [texte imprimé] / Billal Maaoui, Auteur ; Slimani,Yacine, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (58 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Remote sensing satellite images change detection metaheuristic classification Index. décimale : 004 - Informatique Résumé :
Remote sensing plays a crucial role in monitoring changes in land cover through
the use of aerial imagery and satellite data. This technology provides accurate information
about changes in vegetation, soil, and green areas, aiding in the assessment
of environmental impacts and the development of strategies for land cover
conservation and sustainable development.
In this study, a change detection approach was applied using multi-temporal Landsat-
8 satellite images and a supervised classification method PSOGSA (the hybridization
of particle swarm optimization and the gravitational search algorithm)to accurately
identify changes and degraded areas.
The techniques were successful in classifying satellite images and revealed the
forest cover loss due to fires in our study area.Note de contenu : Table of Contents
Acknowledgement i
Abstract ii
Acronyms vii
1 Remote sensing 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Definition of remote sensing . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 The main steps of remote sensing . . . . . . . . . . . . . . . . . . . . 5
1.4 Remote sensing equipment . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 The satellite image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 Satellite image resolution . . . . . . . . . . . . . . . . . . . . . 8
1.5.1.1 Spatial resolution . . . . . . . . . . . . . . . . . . . . 8
1.5.1.2 Spectral resolution . . . . . . . . . . . . . . . . . . . 8
1.5.1.3 Temporal resolution . . . . . . . . . . . . . . . . . . . 9
1.5.1.4 Radiometric resolution . . . . . . . . . . . . . . . . . 9
1.6 Types of satellite images . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.1 Panchromatic images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.2 Multi-spectral images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.3 Hyper-spectral images: . . . . . . . . . . . . . . . . . . . . . . 10
1.6.4 Multi-source images: . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Overview of Satellite Image Processing . . . . . . . . . . . . . . . . . 10
1.7.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1.1 The classification methods . . . . . . . . . . . . . . . 11
1.7.1.2 Classification by Multilayer Perceptron Neural Networks
(MLP . . . . . . . . . . . . . . . . . . . . . . . 12
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Change Detection techniques for Remote Sensing 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 What is Change Detection? . . . . . . . . . . . . . . . . . . . . 15
2.1.2 procedure of change detection . . . . . . . . . . . . . . . . . 16
2.2 Change Detection Challenges in RS Imagery . . . . . . . . . . . . . 17
2.3 OUTLINE OF CHANGE DETECTION METHODS . . . . . . . . . . 17
2.3.1 Visual Interpretation . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Algebra based approach . . . . . . . . . . . . . . . . . . . . . 19
2.3.2.1 Image Differencing . . . . . . . . . . . . . . . . . . . 19
2.3.2.2 image ratioing . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2.3 Normalized Difference Vegetation Index NDVI . . . 21
2.3.3 Transformation/Data Reduction . . . . . . . . . . . . . . . . . . 21
2.3.3.1 Tasseled Cap transformation . . . . . . . . . . . . . . 21
2.3.4 Classification-based methods . . . . . . . . . . . . . . . . . . . 22
2.3.4.1 Post-classification comparison . . . . . . . . . . . . . 22
2.3.5 Advanced methods . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.6 Ggeographic Information System (GIS) . . . . . . . . . . . . . 23
2.3.7 Visual interpretation methods . . . . . . . . . . . . . . . . . . 23
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Metaheuristics 24
3.1 Overview of Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 optimization problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Heuristics and Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Classification of Metaheuristics . . . . . . . . . . . . . . . . . . . . . . 26
3.4.1 single solution based metaheuristics . . . . . . . . . . . . . . . 26
3.4.1.1 simulated annealing algorithm . . . . . . . . . . . . . 26
3.4.1.2 Greedy randomized adaptive search procedures . . . 27
3.4.2 population based metaheuristics . . . . . . . . . . . . . . . . . 27
3.4.2.1 Gravitational Search Algorithms . . . . . . . . . . . . 27
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 methodology used 29
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 multilayer perceptron MLP . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1 MLP Operational Overview . . . . . . . . . . . . . . . . . . . . 30
4.2.2 learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.3 Gradient Backpropagation Algorithm . . . . . . . . . . . . . . . 32
4.2.4 The optimization of the MLP neural network . . . . . . . . . 32
4.2.4.1 Optimizing MLP Neural Network with PSOGSA . . 33
4.2.4.2 Steps of the PSOGSA Algorithm . . . . . . . . . . . 33
4.3 A general diagram of the methodology used . . . . . . . . . . . . . . 35
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5 implementation and analyse 38
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2 Purpose of the Application . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3 Study area . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3.1 Satellite used . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.4 Coloration and enhancement . . . . . . . . . . . . . . . . . . . . . . . 42
5.5 Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.6 Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.7 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.7.1 MLP/PSOGSA Classification . . . . . . . . . . . . . . . . . . . 46
5.7.2 Vegetation index “NDVI” . . . . . . . . . . . . . . . . . . . . . 46
5.7.2.1 Classification results . . . . . . . . . . . . . . . . . . 47
5.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51Côte titre : MAI/0829 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0829 MAI/0829 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible