Advertisement

Multisource Fusion/Classification Using ICM and DSmT with New Decision Rule

  • Azeddine Elhassouny
  • Soufiane Idbraim
  • Aissam Bekkarri
  • Driss Mammass
  • Danielle Ducrot
Part of the Lecture Notes in Computer Science book series (LNCS, volume 7340)

Abstract

In this paper we introduce a new procedure for classification and change detection by the integration in a fusion process using hybrid DSmT model, both, the contextual information obtained from a supervised ICM classification with constraints and the temporal information with the use of two images taken at two different dates. Secondly, we have proposed a new decision rule based on the DSmP transformation, which is as an alternative and extension and overcoming the inherent limitations of the decision rules thus use the maximum of generalized belief functions.

The approach is evaluated on two LANDSAT ETM+ images, the results are promising.

Keywords

Detection of the changes Image classification Fusion Hybrid DSmT model Decision rule DSmP Satellite images ICM 

References

  1. 1.
    Smarandache, F., Dezert, J. (eds.): Advances and Applications of DSmT for Information Fusion (Collected works), vol. 1. American Research Press, Rehoboth (2004)zbMATHGoogle Scholar
  2. 2.
    Smarandache, F., Dezert, J.: Advances and Applications of DSmT for Information Fusion (Collected works), vol. 2. American Research Press, Rehoboth (2006)zbMATHGoogle Scholar
  3. 3.
    Smarandache, F., Dezert, J.: Applications and Advances of DSmT for Information Fusion (Collected works), vol. 3. American Research Press, Rehoboth (2009)zbMATHGoogle Scholar
  4. 4.
    Idbraim, S., Ducrot, D., Mammass, D., Aboutajdine, D.: An unsupervised classification using a novel ICM method with constraints for land cover mapping from remote sensing imagery. International Review on Computers and Software (I.RE.CO.S.) 4(2) (2009)Google Scholar
  5. 5.
    Ducrot, D.: Méthodes d’analyse et d’interprétation d’images de télédétection multi-sources Extraction de caractéristiques du paysage, Habilitation thesis, France, Décembre 1 (2005)Google Scholar
  6. 6.
    Mercier, G.: Outils pour la télédétection opérationnelle, Habilitation thesis, Rennes I university, France, March 2 (2007)Google Scholar
  7. 7.
    Corgne, S., Hubert-Moy, L., Dezert, J., Mercier, G.: Land cover change prediction with a new theory of plausible and paradoxical reasoning. In: ISIF 2003, Colorado, USA (March 2003)Google Scholar
  8. 8.
    Moraa, B., Fourniera, R.A., Foucherb, S.: Application of evidential reasoning to improve the mapping of regenerating foreststands. International Journal of Applied Earth Observation and Geoinformation (2010)Google Scholar
  9. 9.
    Basse, R.M.: Université de Nice, La prise en compte de l’incertitude dans une démarche de modélisation prédictive. In: MoDyS, Lyon, France, Novembre 8-9 (2006)Google Scholar
  10. 10.
    Bouakache, A., Belhadj-Aissa, A.: Satellite image fusion using Dezert-Smarandache theory, DSmT-book3, Master Project Graduation, University Houari Boumediene (2009)Google Scholar
  11. 11.
    Khedam, R., Bouakache, A., Mercier, G., Belhadj-Aissa, A.: Fusion multidate à l’aide de la théorie de Dempster-Shafer pour la détection et la cartographie des changements: application aux milieux urbain et périurbain de la région d’alger. Télédétection 6(4), 359–404 (2006)Google Scholar
  12. 12.
    Djiknavorian, P.: Fusion d’informations dans un cadre de raisonnement de Dezert-Smarandache appliquée sur des rapports de capteurs ESM sous le STANAG 1241, Memory to obtain the degree (M.Se.), Laval University, Quebec (2008)Google Scholar
  13. 13.
    Anne-Laure, J., Martin, A., Maupin, P.: Gestion de l’information paradoxale contrainte par des requêtes pour la classification de cibles dans un réseau de capteurs multi-modalités. In: SCIGRAD 2008, Brest, France, Novembre 24-25 (2008)Google Scholar
  14. 14.
    Foucher, S., Germain, M., Boucher, J.M., Bénié, G.B.: Multisource Classification Using ICM and Dempster-Shafer Theory. IEEE Transaction on Instrumentation and Measurement 51(2) (April 2002)Google Scholar
  15. 15.
    Bloch, I.: Fusion d’informations en traitement du signal et des images. In: IC2, Hermès Science, Traité IC2, Paris, France (2003)Google Scholar
  16. 16.
    Lemeret, Y., Lefevre, E., Jolly, D.: Fusion de données provenant d’un laser et d’un radar en utilisant la théorie de Dempster-Shafer. In: MAJECSTIC 2004, France (2004)Google Scholar
  17. 17.
    Fiche, A., Martin, A.: Bayesian approach and continuous belief functions for classification. In: LFA, Annecy, France, November 5-6 (2009)Google Scholar
  18. 18.
    Germain, M., Boucher, J.M., Bénié, G.B., Beaudry, E.: Fusion évidentielle multi source basée sur une nouvelle approche statistique floue. In: ISIVC 2004, Brest, France (2004)Google Scholar
  19. 19.
    Martin, A.: Fusion de classifieurs pour la classification d’images sonar. In: RNTI-E 2005, pp. 259–268 (Novembre 2005)Google Scholar
  20. 20.
    Chitoub, S.: Combinaison de classifieurs: une approche pour l’amélioration de la classification d’images multisources multidates de télédétection. Télédétection 4(3), 289–301 (2004)Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2012

Authors and Affiliations

  • Azeddine Elhassouny
    • 1
  • Soufiane Idbraim
    • 1
  • Aissam Bekkarri
    • 1
  • Driss Mammass
    • 1
  • Danielle Ducrot
    • 2
  1. 1.IRF-SIC Laboratory, Faculty of ScienceIbn Zohr UniversityAgadirMorocoo
  2. 2.CESBIO LaboratoryToulouseFrance

Personalised recommendations