1

les problèmes de traitement d’images en télédétection

http://www.fas.org/irp/imint/docs/rst/Front/overview.html

DR. NICHOLAS M. SHORT

REMOTE SENSING is the BACKBONE of the SPACE PROGRAM

2

remote sensing

télédétection

http://rst.gsfc.nasa.gov/Intro/Part2_4.html

3http://rst.gsfc.nasa.gov/Intro/Part2_4.html

4http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

utilisation des informations dans différentes bandes de fréquences

5

6

http://rst.gsfc.nasa.gov/Intro/Part2_4.html

views of the nearby Crab Nebula, which is now in a state of chaotic expansion after a supernova explosion first sighted in 1054 A.D. by Chinese astronomers).

                                    

high energy x-ray region visual image

long wavelength radio telescope image

infrared region

8

Gaspard-Félix Tournachon, dit Nadar, 1820-1910

le précurseur dela photo aérienne ...

9

http://earth.esa.int/landtraining07/D2L4-Caetano.pdf

10

11

12

13

14

15

16

signaux aléatoires bidimensionnels

les définitions et les propriétés fondamentales sont des extensions directesde celles qui sont données en traitement du signal monodimensionnel

moyenne, variancecorrélation, densité spectralebruit blancstationnarité (locale)filtrage des signaux aléatoires

17

signaux aléatoires bidimensionnels

moyenne

variance, écart type dispersion autour de la moyenne

corrélation

densité spectrale

m = E(x)

E(x-m)2

histogramme, densité de probabilité

extensions des notions 1D

histogramme image

histogramme de la dérivéede l’image

18

La fonction d’autocorrélation

Filtrage linéaire des signaux aléatoires bidimensionnels

f(x,y)h(x,y)

g(x,y)

a pour transformée de Fourier la densité spectrale

Bruit blanc 2D

r(m,n)=2(m,n) (Impulsion à l’origine)

Densité spectrale constante 2

autocorrélation

19

bb 20 128

Bruit blanc

r(m,n)=2(m,n)

(Impulsion à l’origine)

Densité spectrale constante 2 autocorrélation

r B 2

Ici une seule réalisation :Fluctuations autourDe la valeur moyenne

20

med med2

MEDE MEDE2

analyse spectrale des différentesrégions (importance relative deshautes et des basses fréquences,direction privilégiée,

est ce que le spectred’un nouveau médaillonressemble plus à l’undes différents spectres « appris » pour chaque région ?

plus de basses fréquences

plus de hautes fréquences

est ce que le spectredu nouveau médaillon ressemble au spectredes médaillons voisins ?

21

classification grâce à une analyse spectrale plus fine

est ce qu’on trouve des pics significatifs dansla transformée de Fourier de l’image ?

Indication de directions privilégiées et de fluctuations assez périodiques dansces directions privilégiées(interprétation de la transformée de Fourieren termes de sinusoïdes)

22

analysefréquentiellebidimensionnelle

les composantes fréquentielles les plus énergétiques

23

un des problèmes couramment rencontrés : décomposer l’image en régions assez homogènes séparées par des contours

24

télédétection

caractériserles régions

séparer l’imageen régionschampsroutesbatiments

25

nearest neighbourmaximum likelyhood (gaussian)

26

in some sense, nearly all of the high-dimensional space is "far away" from the centre, or, to put it another way, the high-dimensional unit space can be said to consist almost entirely of the "corners" of the hypercube, with almost no "middle". (This is an important intuition for understanding the chi-squared distribution.)

Hughes phenomenon

27

How different the results from different classifiers can be?

Maximum likelihood Artificial Neural Networks Decision tree

28

mise en œuvre élémentaire des champs de markov(ici pour décomposer une image en régions)

http://www.tsi.enst.fr/tsi/enseignement/ressources/mti/markov/index.html

Rôle des champs de Markov pour régulariser une classification par k-means Martin DE LA GORCE - Mohamed TRIGUI Décembre 2004

principe : (issu des simulations en physique)

l’affectation d’un pixel à une région est influencée parl’affectation des pixels voisins

une approche fondée sur les probabilités (rechercheau hasard, avec des itérations

29

affecter un numéro de classe i à chaque échantillon au hasard

calculer la moyenne sur les valeurs des échantillons

(centre ci) de chacune des classes

chaque échantillon (x,y) a une valeur f (x,y)

pour chaque échantillon, affecter maintenant

le numéro de la classe dont le centre ci

est le plus proche de cet échantillon ;

réitérer ce processus jusqu’à stabilisation

initialisation

première classification par les k-means

boucle

test d’arrêt

la distance de chaque échantillon à chacun des centres de classe ci est calculée

d (x,y, ci)

30

il faut essayer d’améliorer ce résultat qui ne tient pas compte dufait qu’un pixel doit appartenir à la même classe que ses voisins

31

chaque pixel a une probabilité d’appartenir à une classe

on commence par assigner aléatoirement la classe à laquelle appartient le pixelen fonction de cette probabilité

),,( iyxp

1/6

1/3

1/2

géné

ratio

n

d’une

valeu

r aléa

toire

équir

épar

tie

1 2 3

probad’appartenance

classe

0

1

1/6

1/3+1/6=1/2

1/2+1/2=1

assignationà une classeen fonction durésultat du tirage

1

2

3

champs de markov

au départ, cette probabilité est fonction de la distance au centre de la classe(la somme sur l’indice i des probabilités doit valoir 1)

0 50 100 150 200 2500

1

2

p1x

p2x

p3x

x

Probabilité initiale d'appartenance à une classe fonction de la distance au centre de la classe

Champs de Markov (plus élaboré et plus souple que la morphologie mathématiquemais sur des bases similaires : on souhaite qu’un pixel ait la plupart du temps les mêmes caractéristiques que ses voisins …)

0 50 100 150 200 2500

0.2

0.4

0.6

0.8

1

1.2

p1x

p1x p2x p3x

p2x

p1x p2x p3x

p3x

p1x p2x p3x

xprobabilité d'appartenance après normalisation

1. initialisation

33

0 50 100 150 200 2500

0.2

0.4

0.6

0.8

1

1.2

p1x

p1x p2x p3x

p2x

p1x p2x p3x

p3x

p1x p2x p3x

xprobabilité d'appartenance après normalisation

2. Modification de la probabilité d’appartenance(ou plutôt du degré de sûreté ou de confiance)

x

Si le pixel d’intensité x est bleu et la majorité de ses voisins aussi, la probabilitéd’appartenance à la classe « bleu » est augmentée (et par conséquent les autressont diminuées

3. Processus itératif : augmentation du facteur de correction (inverse de la« température ») de sorte que les probabilités se rapprochent de zéro ou de un

Analogue à un lissage (filtrage passe bas) suivi d’une décision de classement

34

on modifie la probabilité d’appartenance du pixel à chacune des classes : si un des voisins appartient à la classe i les voisins

(cas le plussimple) (x-1,y) (x+1,y)

(x,y+1)

(x,y-1)

(x,y)

T

iyxiyxiyxiyxcyxdgiyxp i ))1,()1,(),1(),1((),,(exp.),,(

distance de l’intensité du pixelau centre de la clase

facteur de pondération positif décroissantvers zéro en fonction du numéro d’itération(« température »)

termes de pénalisation liés à l’appartenance des voisins

signe négatif

facteur de normalisation

d’après la théorie il faut que les probabilités soient de la forme g.exp (u)

),,( iyxp

35

effectuer à nouveau un tirage aléatoire en réduisantlégèrement la « température » T

une fois que les probabilités ont été calculées (à un coefficient g près), il faut les normaliser (somme des probabilités égale à 1)

quand la température est très basse : une seuledes probabilités se rapproche de 1, car les autres probabilitéss’amenuisent (après la normalisation

j

jyxp

iyxpiyxp

),,(

),,(),,(

décroissance de T

les probabilités décroissentsauf la plus grande

36

rôle du coefficient

0.31

choix des voisins

4 8

37

réglage de la sensibilité

38

fonction Gibbs : calcule une réalisation de la loi de Gibbs

U(c) = energie_cliques

pour chaque classe c

pour chaque pixel

calcul de U(c) et de exp(-U(c)/T(proba de chacune des classes)

choix aléatoire d’une classe en fonction de ces probabilités

distance du pixel à la classe c

rajout de 1 à 4 termes beta si

yxyx

yxyx

yxyx

yxyx

cX

cX

cX

cX

,1,

,1,

,,1

,,1

Energy : calcul de l’énergie totale

SA : itérations température décroissante

nouvelle réalisation aléatoire Gibbsévaluation de l’énergie totale (vérification)

39

première approche

commencer par analyser l’histogramme de l’imagequi peut donner de bonnes indications surle nombre de classes, les seuils pertinents etc ...

évaluer si les méthodes sophistiquées proposéespar les chercheurs améliorent nettement les résultatsdans le cas du problème étudié ...

40

quelques problèmes de télédétection

comptage

41

lignes a( ) 161 cols a( ) 158x 1 lignes a( ) 2

y 1 cols a( ) 2

bx y a

x y ax 1 y a

x y ax y 1 a

x y ax y 1 a

x y ax 1 y a

x y 200

x y

bx y 799

a b 200

exemple élémentaire de télédétection

42

obse

rvat

ion

rens

eign

emen

t

43De l’importance du contexte dans l’interprétation d’une image

44

analyse de l’extension d’un feu de forêt

projet ariana inria

45

http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

Introduction à laTélédétectionMichaël TONONIGN France International

paramètres de surfaceUtilisation du sol, végétation,état de surface ...structures linéaires visibles sur l’imageinfrastructures, réseau hydrographique ...

Les images detélédétectionsont une sourceimportante dedonnées pour lamise à jour dedonnéesgéographiques

46

Rouge (R) Proche Infra-Rouge (PIR)

nécessité de traiter un pixel comme un vecteur (chaque composanteest l’intensité dans une bande de fréquence, p.ex. image couleur RVB)

47

Principal Components Analysis

48

Compensation de la distorsionpour la mise en correspondance

l’image satellite est vue sous un angle variableil y a déformation

49http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

(recherche de points caractéristiques)

mise en correspondance d’images (voir aussi stéréo vision)

50http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

)..,..(),( ydxcybxafyxg

51

- Recherche des coordonnées de points caractéristiques (angles) - Appariement de ces points sur les deux images modèle (carte) et photo- Identification des paramètres de la transformation

(par exemple déformation quadratiques)

fxx y x y 0.1 y

20.01 fy

x y y x 0.02 x20.008 x y 0.005

5 0 5 10 15 20 25 305

0

5

10

15

20

25

fyx y

fxx y

.

52

5 0 5 10 15 20 25 305

0

5

10

15

20

25

fyx y

y

fxx y x 2

.

Régénérer une image : ré-échantillonnage ; interpolation

53

détection de batimentsréalisation d’une représentationtridimensionnelle (abscisse, ordonnéeet altitude)

interprétation de l’éclairageet des ombres (voir lescours de synthèse d’images)

si possible stéréovision

54

recherche de lignes p ex routes

transformée de Hough

+ variations rapides cf détection de contours+ tenir compte d’informations connues a priori

55

SUIVI DIACHRONIQUE PAR TÉLÉDÉTECTION SPATIALE DE LA COUVERTURE LIGNEUSE EN MILIEU DE SAVANE SOUDANIENNE EN CÔTE D’IVOIREMoussa KONÉ, Angora AMAN, Constant Yves ADOU YAO, Lacina COULIBALY etKouakou Édouard N’GUESSAN

RésuméLa région de Korhogo, au nord de la Côte d’Ivoire est caractérisée par une végétation savanicole de type soudanien. La forêt classée du mont Korhogo, située à proximité de la ville de Korhogo, est soumise à une forte pression anthropique. Dans cette étude, on vise à déterminer l’impact des actions de l’humain sur la transformation de la couverture ligneuse naturelle et cultivée entre 1986 et 2000. La méthode de classification dirigée à l’aide de l’algorithme du maximum de vraisemblance a permis de réaliser les cartes de la végétation à partir d’images TM (1986) et ETM+ (2000) de Landsat avec un taux de classification global respectif de 97 % et 98 %. De ces cartes, est extraite la couverture ligneuse. Ainsi, au niveau du site de la forêt classée du mont Korhogo, la couverture ligneuse a augmenté de près de 19 %. La couverture ligneuse dans les sites autour de la forêt classée s’est également accrue. Le plus fort taux (38 %), celui de la zone périurbaine, est dû aux cultures de l’anacarde, du manguier et du teck. L’introduction de la culture de ligneux dans la zone autour de la forêt classée a permis de la préserver des actions anthropiques néfastes. Ceci pourrait à long terme contribuer à la stabilisation du climat local.Mots-clés : déforestation, télédétection, couverture ligneuse, savane.

56http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf

Carte de la végétation a) En 2000 b) En 1986

57

http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf

Taches forestières numérisées à partir des cartes de la végétation de 1986 et de 2000

58

Philippe Mayaux, Valéry, Michel Massart, Michelle Pain-Orcet, Frédéric Achard

http://bft.cirad.fr/cd/BFT_277_45-52.pdf

Évolution du

couvert forestier

du bassin du Congo

mesurée par

télédétection

spatiale

BOIS ET FORÊTS DES TROPIQUES, 2003, N° 277

Exemple de déforestation observée dans la région de Géména (RD Congo), entre 1986 et 1994

59

Le traitement de l’image, réalisé par le Cirad-forêt et le laboratoire Geotrop du Ciradamis,permet de visualiser le tracé des pistes d’exploitation, en fonction de leur ancienneté

60

navigation d’un robot

importance des connaissances « a priori » sur l’environnement !très difficile de se baser uniquement sur la vision

http://ethesis.inp-toulouse.fr/archive/00000163/01/avina.pdf

61

Attention aux fausses interprétations !

http://tempetedudesert.com/reaidy_livre.pdf

(the ‘‘face’’ on mars)