Résumé:
Le clustering est une technique de classification non supervisée dont l’objectif est d’organiser
un ensemble de données non labialisées en cluster , de telle manière que les données du même
cluster aient une valeur de similarité alors qu’ a l’opposé, deux données de deux cluster
différents aient une grand valeur de dissimilarité . En traitement d’images satellitaires les
algorithme de classification non supervisée les plus populaires sont :algorithme K-means et
algorithme ISODATA, cependant l’inconvénient de ces l’algorithmes est leur sensibilités aux
condition initiales :d’une part, le choix du nombre de cluster C qui a une grande influence sur la
qualité du résultat final ,et d’autre part, le choix aléatoire de centroïde qui conditionne la
partition finale .
Face à ce constat, dans ce travail on a étudié et implémenté des algorithmes visant à déterminer
le nombre de cluster a priori en exploitant une matrice dite de dissimilarité. Ces algorithme sont
connus sous le nom de visuel Assessment Tendency (VAT) et comprennent plusieurs variante
: VAT, iVAT, etc.
L’objectif de ce travail est d’utiliser et de tester quelques variantes de ces algorithmes à la fois
sur des données synthétiques et des données réelles (image satellitaire) afin de sélectionner le
plus performant d’entre eux.
