The new high-resolution images from the satellites as IKONOS, SPOT5, Quickbird2 give us the opportunity to map ground features, which were not detectable in the past, by using medium resolution remote sensed data (LANDSAT). More accurate and reliable maps of land cover can then be produced. However, classification procedure with these images is more complex than with the medium resolution remote sensing data for two main reasons: firstly, because of their exiguous number of spectral bands, secondly, owing to high spatial resolution, the assumption of pixel independence does not generally hold. It is then necessary to use new spectral classifiers taking into account also proximal information. In this view, it is necessary to combine both spectral and spatial features to optimise land use classification. Standard supervised classification techniques, so-called per-pixel classifiers, use only spectral information of remote sensing image, whereas neglecting the relationships between neighbouring pixels. The objective of this work is the comparison between a conventional supervised classifier, as Maximum Likelihood algorithm, and a spatial classifier based on a searching algorithm of a given geometrical pattern. The data in this study were a remote sensing image taken by SPOT5 satellite in July 2007 and used to discriminate the water melon cover class. Applying the object recognition technique the overall accuracy increased of about 12 percent.

Les nouvelles images à haute résolution des satellites comme IKONOS, SPOT5, Quickbird2 nous donnent la possibilité de dresser des cartes caractéristiques du terrain, qu'on ne pouvait pas relever par la télédétection d'images de moyenne résolution (LANDSAT). Des cartes plus précises et fiables, de couverture du sol peuvent alors être produites. Toutefois, la procédure de classement de ces images est plus complexe que le classement des données de télédétection à résolution moyenne pour deux raisons principales: tout d'abord, en raison de leur nombre réduit de bandes spectrales, d'autre part, en raison de la haute résolution spatiale, l'hypothèse de l'indépendance de pixels ne peut plus être acceptée. Il est alors nécessaire de recourir à de nouveaux classements spectraux en tenant compte également de l'information proximale. De ce point de vue, il est nécessaire de combiner l'information spectrale et spatiale afin d'optimiser la classification des sols. Les techniques de classification supervisée standard, soi-disant per-pixel, utilisent uniquement l'information spectrale de la télédétection image, négligeant les relations entre les pixels voisins. L'objectif de ce travail est la comparaison entre un classificateur conventionnel supervisé, en tant que Maximum Likelihood algorithme, et un classificateur spatial sur la base d'un algorithme de recherche d'un modèle géométrique. Les données de cette étude sont une image de télédétection par satellite SPOT5 prise en Juillet 2007 et utilisée pour l'individuation des champs de pastèque pour identifier sa classe de couverture. L'application de la technique de reconnaissance par objet a augmenté la précision globale du classement d'environ 12 pour cent.