Les images de télédétection satellites ont une haute résolution et les cibles ont une taille relative petite dans l’image, ce qui rend difficile d’assurer à la fois une précision de détection et une vitesse d’exécution. Pour résoudre le problème de détection d’objets dans les images de télédétection à haute résolution, cet article propose une méthode de détection combinant la segmentation par fenêtre glissante et un détecteur de petits objets. Tout d’abord, la méthode de fenêtre glissante est utilisée pour segmenter l’image en plusieurs sous-images, la taille du pas de glissement est légèrement inférieure à celle de la fenêtre afin de garantir un certain chevauchement entre les sous-images, et une plus grande fenêtre de segmentation est adoptée pour réduire le nombre de sous-images. Ensuite, les sous-images sont compressées puis traitées par un algorithme de détection d’objets pour réduire le temps d’exécution. Enfin, les résultats de détection sont fusionnés et une stratégie de suppression non maximale est utilisée pour éliminer les cibles détectées en double dans les zones de chevauchement. Concernant l’algorithme de détection, cet article se base sur YOLOv8n, améliore la structure du réseau en utilisant un noyau de convolution SPD, ajuste la stratégie de correspondance des échantillons positifs et négatifs basée sur la méthode NWD, et améliore la structure de la pyramide des caractéristiques pour renforcer la performance de détection des petits objets, permettant ainsi à l’algorithme de s’adapter aux sous-images compressées de plus grande taille afin de réduire le nombre de segmentations et d’améliorer la vitesse de détection. Les expériences démontrent que, sur un jeu de données de détection de véhicules avec une résolution moyenne des images de 4000×4000, la précision moyenne de détection des objets est de 55,7%, le temps de calcul moyen par image est d’environ 47,5 ms, avec une amélioration de la précision de 16% par rapport à YOLOv8n, 15% par rapport à YOLOv5s et 7,6% par rapport à YOLOv6s. L’efficacité opérationnelle de la méthode répond aux exigences en temps réel et permet de détecter en temps réel des cibles dans les images satellitaires avec une plus grande précision.

Détection d’objets; images de télédétection; algorithme YOLOv8; détection de petits objets; méthode de fenêtre glissante