memoire de recherche, traitement d'images...2 résumé dans certains torrents de montagne,...
TRANSCRIPT
Traitement d’image et morphologie fluviale d’un torrent en tresse : Le
Torrent de St Pierre au pré de Madame Carle (Hautes-Alpes (05), France)
Fabien HUGUE Maitre de Stage : Philippe BELLEUDY
Laboratoire d’étude des transferts en hydrologie et en environnement LTHE, section « River », Bâtiment CERMO Domaine Universitaire, 460, rue de la
piscine, 38400 Saint Martin d’Hères, France.
UJF, OSUG, CNRS
Mémoire de recherche, version du 02 Mai 08, présenté à l'évaluation
Module TUE 414 "Mémoire de recherche" - année 2007-2008 Master de 1ère année, Sciences de la Terre de l'Univers et de l'Environnement
université Joseph Fourier, Grenoble, France
1
Sommaire
RESUME ............................................................................................................................................................... 2
ABSTRACT........................................................................................................................................................... 3
I. INTRODUCTION............................................................................................................................................... 4
II. DESCRIPTION DU SITE ETUDIE ................................................................................................................ 5
II.1. LOCALISATION GEOGRAPHIQUE ET HISTORIQUE ........................................................................................ 5 II.2. DESCRIPTION DU TORRENT ........................................................................................................................ 6
III. FONDEMENTS ET OBJECTIFS.................................................................................................................. 7
IV. METHODE....................................................................................................................................................... 8
IV.1. SELECTION DES IMAGES ........................................................................................................................... 8 IV.2. ORTHORECTIFICATION ET GEOREFERENCEMENT .................................................................................... 9 IV.3. CLASSIFICATION DES ZONES DU LIT DU TORRENT .................................................................................. 14 IV.4. RESUME DE LA METHODE : CAS CONCRET ............................................................................................. 15
V. RESULTATS ET DISCUSSION .................................................................................................................. 17
V.1. QUALITE DES IMAGES ET PRISE DE VUE................................................................................................... 17 V.2. SUPERPOSITION DES IMAGES .................................................................................................................. 19
V.2.1. Erreur de superposition ................................................................................................................ 19 V.2.2. Cas des assemblages d’images (fonction panoramique)........................................................ 21 V.2.3. Images partielles ........................................................................................................................... 21
V.3. CLASSIFICATION ....................................................................................................................................... 22 V.4. OUVERTURE : VARIABILITE D’UN COURS D’EAU....................................................................................... 24
V.4.1. Analyse temporelle........................................................................................................................ 24 V.4.2. Transect .......................................................................................................................................... 25
VI. CONCLUSION .............................................................................................................................................. 28
REMERCIEMENTS............................................................................................................................................ 29
CREDITS PHOTOGRAPHIES :....................................................................................................................... 29
REFERENCES ................................................................................................................................................... 30
ANNEXES ........................................................................................................................................................... 31
2
Résumé
Dans certains torrents de montagne, comme le « torrent de St Pierre » au Pré
de Madame Carle (Hautes Alpes, France), qui a un lit en tresse, on remarque une
grande variabilité du cours d’eau, dû au fait de la fonte des glaciers en été. Il est
intéressant de pouvoir étudier ces variabilités avec une échelle de temps courte afin
de mieux comprendre le transfert du stock alluvial. L'analyse diachronique à partir de
photographies numériques permet de retracer l’évolution morphologique d'un lit
fluvial, avec un pas de temps souhaité. Cette analyse comparative consiste à réaliser
un traitement d’image en trois étapes et ceci nous permet d’évaluer l’utilisation de
ces images en tant que donnée principale : i) Le travail commence par une première
sélection de qualité des images brutes de la zone à étudier. ii) Les images sont
orthorectifiées et géoréférencées pour qu’elles apparaissent dans la même
géométrie. iii) Les zones du lit du torrent sont séparées en différentes classes
auxquelles des couleurs thématiques sont attribuées, nous permettant de comparer
les images entre-elles. Cette opération se nomme la classification. Les résultats
mettent en évidence le fait que les erreurs de décalage et de déformation entre les
images sont un artéfact qu’il est difficile à minimiser. De plus la localisation des
prises de vues est déterminante sur la qualité de l’orthorectification, notamment si
l’image n’a pas été prise d’un point élevé. Une bonne classification requière à priori
une différenciation visuelle importante entre les classes d’informations. Cette étude a
finalement permise d’observer des changements significatifs globaux dans le lit du
torrent, contrairement aux petites variations qui sont masquées par les artéfacts.
Mots clefs : morphologie fluviale, lit en tresse, variabilité, analyse
diachronique, photographie numérique, traitement d’image.
3
Abstract
In the most part of mountain streams, as the “torrent de St Pierre” from “le Pré
de Madame Carle” (French Alps), which is a braided river, we observe an important
variability of the watercourse, due to the fact of glacial melting during the summer. It
is interesting to be able to study this variability within a short time frame for a better
understanding of the transfer of the alluvial supply. The diachronic analysis of digital
images allows to reveals the morphological changes of a stream with a set period of
time. This comparative analysis consists in manipulating digital images in three
stages, and this led us to assess the use of these pictures as main data source:
i) The work begins by selecting the best quality pictures from those taken in the
selected area. ii) Pictures are orthorectified and geocoded, so that they all have the
same geometry appearance. iii) The stream bed zones are separated in different
classes, in which thematic colours are allocated, allowing us to properly compare
pictures between them. This operation is called classification. Results highlight the
fact that errors from gaps and distortion between pictures are problems which are
difficult to minimize. Hence the specific place where pictures are taken is decisive on
the quality of the orthorectification, in particular if pictures were not taken from a high
vantage point. A good classification requires first an important visual differentiation
between the information classes. This study, in the end, allowed us to observe global
significant changes in the watercourse, contrary to the small variations which are
concealed by errors.
Key words: fluvial morphology, braided river, variability, diachronic analysis,
digital imaging, image manipulation
4
I. Introduction
Les mécanismes de transfert du stock alluvial sont complexes. Dans certaines
rivières comme le torrent de St Pierre au pré de Mme Carle dans les Hautes-Alpes,
(qui a ici une configuration caractéristique d’un lit en tresse), les crises se traduisent
par une grande variabilité du cours du torrent. Dans le cas présent, l'échelle de
temps de cette variabilité est très courte (inférieur à la semaine) et la morphologie
doit être suivie avec un pas de temps caractéristique pour pouvoir étudier la variation
du stock en fonction des apports d’eau issus de la fonte des glaciers en amont, ou
encore des orages [Meunier et all., 2004 ; Warburton, 1992 et 1994]. L'analyse
diachronique permet de retracer l’évolution d'un lit fluvial au cours du temps. Elle se
pratique couramment à partir de photographies aériennes ou d'imagerie satellitaire.
Ces méthodes d’analyses restent néanmoins couteuses et sont souvent
indisponibles au pas de temps souhaité. La photographie pourrait alors venir
compléter ces outils, afin de faciliter le travail du scientifique. En effet, l’acquisition
d’images avec une qualité courante en photographie numérique, prises à des points
de vues élevés, reste facilement réalisable en zone montagneuse de manière
simpliste par quiconque, notamment si le lieu présente une grande fréquentation
touristique. L’objectif de cette étude est d’évaluer l’utilisation de ces images
photographiques en tant que données principales pour tenter de discriminer les
différentes zones d’un lit de rivière, et par la suite de développer cette méthode pour
retracer l’évolution morphologique d’un lit de torrent en tresse : Le torrent de St
Pierre au pré de Mme Carle, Hautes Alpes, France. La première partie présente une
description géographique et historique du site d’étude en contexte avec le torrent de
St Pierre. Par la suite, cet article expose la méthode utilisée pour le traitement des
images numériques afin de pouvoir tirer un maximum d’informations sur ces
photographies. Une section abordera les résultats obtenus lors de cette étude et une
discussion sera apportée sur chaque point pour une meilleure compréhension du
sujet.
5
II. Description du site étudié
II.1. Localisation géographique et historique
Le cours d’eau étudié est un torrent Alpin, le « Torrent de St Pierre »,
s’écoulant dans une ancienne vallée glaciaire nommée aujourd’hui le « Pré de
Madame Carle » (44°N 55’ ; 6°E 25’). Le pré de Madame Carle est un haut lieu
touristique de haute montagne situé dans les Hautes-Alpes en France, (05) (fig.1).
En effet ce cirque glaciaire est en quelque sorte la porte d’entrée principale du parc
national du Massif de Écrins. L’accès au site se fait via la ville de l’Argentière-la-
Bessée, en remontant dans la vallée de la Vallouise en direction d’Ailefroide. Le pré
de Madame Carle est le résultat d’un creusement glaciaire qui a été façonné par les
glaciers Blanc et Noirs lors du dernier âge glaciaire [Michel, 2005 ; Derruau, 1974],
puis ce vallon a ensuite été comblé en amont du verrou glaciaire d’Ailefroide par les
matériaux issus de l’érosion mécanique. Un glissement de terrain (fig. 2) conséquent
a de même contribué à bloquer la vallée au niveau du verrou donnant ainsi la forme
actuelle d’un vallon avec un fond plat où la pente moyenne entre l’amont du site et
l’aval est de 2,5% [Meunier et all., 2004]. Ce lieu situé à 1874 mètres d’altitude porte
le nom de l’épouse de Geoffroy Carle, un ancien président du parlement du
Dauphiné au XVIème siècle, qui bénéficia de cette propriété à la mort de son mari.
Figure 1. Localisation du site étudié, le pré de Madame Carle dans les Hautes-Alpes, France. Tiré de Wikipédia.org et du site internet www.pour-les-vacances.com
6
II.2. Description du torrent
Le torrent de St Pierre est formé par la confluence de deux torrents glaciaires
provenant du Glacier Blanc au Nord et du Glacier Noir à l’Ouest (fig.2). Un affluent
coulant depuis le glacier de la Momie dans le massif du Pelvoux vient se jeter un
peut plus en aval de la confluence. Ce torrent est donc le résultat de la fonte des
glaciers et connaît alors une grande variabilité saisonnière et journalière en été (pic
de crue entre 16 heure et 17 heure, heure locale) [Meunier et all., 2004].
Le torrent parcourt le pré de Madame Carle sur une distance de 1,5 kilomètres, entre
la confluence des torrents au Nord-Ouest, et le pont de la route départementale 204T
au Sud-Est, lequel permet le passage menant au parking de la « Maison du parc »
(fig.2). Le fond plat de ce vallon (Cf. partie II.1) offre la possibilité au torrent d’évoluer
sur une largeur de lit allant jusqu’à 400 mètres au plus large.
Figure 2. Vue aérienne du Pré de Mme Carle. Source : Tiré d’une photographie aérienne de l’Institut de Géographie Alpine IGA, 1993.
Malgré son nom, le Pré de Madame Carle n’est en fait qu’une plaine alluviale
où la majorité du fond de la vallée est occupée par de la grève du lit torrentiel. Le lit
7
du torrent est comparable à un sandur1, dans lequel on y remarque une large gamme
de matériaux avec une granulométrie variable allant de la farine glaciaire aux galets
d’une dizaine de centimètres en passant par du sable [Meunier et all., 2004]. Ces
matériaux fluvio-glaciaires proviennent en majorité depuis le Glacier Noir tandis que
l’apport en eau est notablement plus important du coté du Glacier Blanc.
III. Fondements et objectifs
Meunier et all., 2004, ont étudié la dynamique des torrents de montagne
notamment par le biais de bilans de masse dans le torrent de St Pierre. Les résultats
montrent une grande variation du débit journalier du fait de la fonte des glaciers et
ceci serait déterminant sur le type de transport sédimentaire avec toutefois une
prédominance du transport par suspension. Le transport par charriage observé par
Warburton, 1992 et 1994, au pied du glacier d’Arolla en Suisse montre une relation
avec l’évolution des bras du torrent. Ces derniers ont mis en évidence par simple
observation terrain le lien entre l’évolution rapide d’un lit en tresse et la cyclicité
journalière du débit torrentiel et ont apporté de nombreuses informations sur les
bilans de masse du transport solide dans les torrents de montagne.
Je propose dans cet article une méthode d’analyse temporelle sur plusieurs
images. Ce travail consiste, à partir d’outils de télédétection et de traitement
d’images, à évaluer l’utilisation d’images photographiques prises avec un pas de
temps court (inférieur à la journée). Cette étude pourrait servir par la suite à tracer la
variabilité temporelle d’un torrent en tresse en analysant des images à des dates
différentes afin de mieux comprendre les mécanismes qui régissent la respiration
d’un torrent de montagne.
1 Un sandur, au pluriel sandar, est en géologie une plaine de piémont formée par les alluvions glaciaires
charriés et déposés par les eaux de fonte de glaciers. Les sandar sont généralement plus larges que longs et sont
constitués de sédiments meubles qui ont été entrecroisés par la divagation des torrents anastomosés (en tresse).
Source : Wikipedia.org
8
IV. Méthode
Cette partie explique la méthode de procédure pour le traitement des images.
Cette étape est nécessaire pour pouvoir obtenir des données comparables,
lesquelles pourront être utilisées pour l’étude de la divagation du lit torrentiel. Nous
partirons depuis les images brutes qui vont subir dans un premier temps une
sélection de qualité (partie IV.1.). Dans un deuxième temps, les images retenues
seront orthorectifiées et géoréférencées (partie IV.2., fig. 3 et 4, encadré récapitulatif
fig.5 et annexes 1 et 2) pour qu’elles apparaissent dans la même géométrie. Dans la
troisième partie (IV.3., fig. 6 et annexe 3) nous verrons comment procéder à une
classification des différentes zones du lit du torrent, en attribuant des « fausses
couleurs » aux objets de l’image. Les images qui en sortiront finalement seront
comparables, ce qui permettra l’étude de la variabilité du lit du torrent. Dans une
dernière partie (IV.4., fig. 7) nous résumerons la méthode et nous verrons un cas
concret de traitement d’image.
IV.1. Sélection des images
L’analyse diachronique est utilisée ici pour comparer deux ou plusieurs
images prises à des dates différentes en analysant les non-similarités dans le lit
torrentiel. L’évolution d’un torrent en tresse est un phénomène rapide et l’étude de
cette variabilité nécessite la comparaison d’images prises à des dates rapprochées
(de quelques minutes à quelques heures), c'est-à-dire de pouvoir bénéficier d’un
grand nombre de photos sur une période donnée. La grande fréquentation
touristique du lieu nous offre un large choix quant à l’acquisition des images
photographiques de qualité courante. Cependant, uniquement les images
numériques font l’objet de cette étude, car nous pouvons procéder à leur traitement
directement sur ordinateur et restent de plus facilement stockables. Plusieurs critères
sont alors importants à prendre en compte avant de traiter les images sur
informatique : i) La qualité de l’image doit être nette, ni trop sombre, ni trop claire,
afin de pouvoir classer au préalable les différentes zones du lit du torrent (eau, grève
récente, grève ancienne, etc.). ii) La zone couverte par l’image doit être significative
9
pour pouvoir distinguer une partie du torrent, où des points d’amer (Cf. IV.2.1.) seront
choisis par la suite. Cette zone doit avoir une taille raisonnable pour éviter de devoir
trop « zoomer » sur celle-ci, ce qui diminuerait considérablement la qualité de
l’image. iii) La géométrie de l’image ne doit pas être retravaillée pour pouvoir obtenir
une orthorectification correcte. iv) La photographie doit être prise d’un point de vue
élevé. Les prises de vues dites « rasantes » ne contiennent pas assez d’informations
pour pouvoir les traiter par la suite.
Les images brutes qui répondent à ces premiers critères sont ensuite classées
par date de prise de vue, le but étant de pouvoir étudier la variabilité du tracé du
cours d’eau dans le temps. Nous pouvons alors comparer des images prises à
quelques mois d’intervalles pour étudier les grandes variations saisonnières tandis
que nous utiliserons des images du même jour, à des heures (ou minutes) différentes
pour les variations durant la journée. Cette étude portera aussi sur plusieurs
analyses qui nous permettrons d’émettre un choix sur le type d’appareil
photographique idéal (qualité et résolution) ainsi que sur le choix du lieu pour un
meilleur angle de prise de vue.
IV.2. Orthorectification et Géoréférencement
La comparaison des images photographiques entre elles nécessite l’obtention
d’images comportant la même géométrie. Chaque image faisant l’objet d’une étude
approfondie est alors orthorectifiée. Cette opération vise principalement à corriger les
déformations de la photographie liées à la projection de l’axe optique (distorsion)
(fig. 3). Les images orthorectifiées sont donc conformes à des images aériennes
(satellitaires ou aéroportées), où les distances entre chaque objet que comporte cette
image représentent au mieux la réalité (changement d’échelle).
10
Figure 3. Schéma du principe d’orthorectification d’une image brute.
On dit d’une image qu’elle est « redressée » lorsqu’elle a subit une
orthorectification. Pour parvenir à orthorectifier une image photographique, on
procède en quatre étapes successives (fig. 5):
1. Choix des points d’amer des images (en anglais tie-points ou landmark) :
Les points d’amer sont des nœuds de l’image que l’on suppose fixes au cours du
temps (arbres, point sur la berge, sur le parking…) et qui sont caractéristiques d’un
même plan. La transformation finale de l’image se fait à partir de ces nœuds, c’est
pourquoi il est préférable d’en choisir un grand nombre (une vingtaine de points
environ est optimal pour l’étude du pré de Madame Carle). Les points d’amer sont
choisis de telle sorte qu’il soit possible de pouvoir les retrouver facilement et que les
points apparaissent sur un maximum d’images.
2. Attribution des coordonnées de l’image : Une image numérique
classique est définie par une grille de pixels ayant chacun une intensité de couleur
variable entre 256 valeurs pour chaque bande (vert, rouge et bleu) soit 2563 couleurs
au total. Un pixel est la plus petite entité d’une image numérique et est représentée
sous la forme d’un petit carré. En général les images de qualité courante comportent
4 à 6 millions de pixels rangés sur une grille où le coin en haut à gauche est l’origine
du repère (ex. si une image a 4 915 200 pixels la grille peut être
de 2560 x 1920 pixels, et les pixels sont comptabilisés de 0 à 2560 de gauche à
11
droite pour l’axe i et de 0 à 1920 de haut en bas pour l’axe j dans le repère (O, i, j)). A
partir de ce repère, on peut associer à chaque point d’amer ses coordonnées
d’image en pixels (i ; j) (Cf. Annexe 1 pour l’extraction des coordonnées d’une
image).
3. Géoréférencement (ou géocodage) à partir d’une image aérienne : Le
géoréférencement consiste à faire correspondre des pixels d’une image à des points
appartenant à un système de coordonnées géographiques (en degrés, en système
métrique, etc.). Les points d’amer choisis sur les images photographiques
correspondent à des lieux géographiques sur le terrain, où la position de ces points
peut être représentée dans les coordonnées terrestres de la zone géographique
(x ; y) (en l’occurrence ici on se sert du quadrillage kilométrique de type Lambert
zone III). On utilise donc le géoréférencement pour attribuer les coordonnées
géographiques (x ; y) de chaque point d’amer de l’image brute. Cette étape nécessite
de travailler sur des images aéroportées qui ont déjà été orthorectifiées au préalable.
MapInfo est un Système d’Information Géographique (SIG) qui permet de réaliser
des grilles de géoréférencement (fig. 4), à partir desquelles nous pouvons recueillir
les coordonnées (x ; y) des points d’amer. (Cf. Annexe 2 pour procéder à une
orthorectification). Cette étape peut être directement réalisée sur le terrain avec un
GPS ou des théodolites pour plus de précision, mais par manque de temps, nous
avons choisi de travailler sur des images aériennes.
4. Transformation et affichage sur un écran d’ordinateur : La
transformation est un processus qui fait correspondre au mieux chaque point d’amer
de l’image brute (coordonnées (i ; j) en pixel) avec les points réels sur le terrain en
coordonnées géographiques (x ; y). Le résultat obtenu est ensuite ramené à une
échelle nous permettant d’afficher l’image sur un écran d’ordinateur. L’image ainsi
créée s’apparente à une image aérienne sans distorsions.
Le modèle d’orthorectification utilisé dans cette étude est un modèle
d’interpolation cubique [Thèse HAUET, 2006], et fait correspondre au mieux les
coordonnées (i ; j) aux coordonnées (x ; y) par la méthode des moindres carrés.
L’orthorectification représente la réalité des distances et des aires sur les images
12
avec une approximation provenant du choix des points d’amer (erreur en pixels) et
une approximation provenant du géoréférencement de la zone d’étude. Les images
redressées subissent une deuxième sélection de qualité (Cf. paragraphe IV.1. sur la
sélection des images).
Figure 4. Grille de géoréférencement du pré de Madame Carle en projection Lambert III kilométrique dans le système français Méridien de Paris. Tiré du site internet www.geoportail.fr
13
Figure 5. Schématisation de la procédure d’orthorectification
1. Image brute sélectionnée : Choix des points d’amer fixes sur un
même plan (plan correspondant au lit du torrent).
2. Association des coordonnées de l’image en pixel (i ; j) pour
chaque point d’amer [A (i ; j), B (i ; j), C (i ; j), D (i ; j)].
3. Géoréférencement de la zone d’étude dans un repère terrestre
(métrique, kilométrique, etc.) à partir d’images aériennes déjà
orthorectifiées et de cartes topographiques, puis attribution des
coordonnées (x ; y) pour chaque point d’amer (choisis en 1.)
[A’ (x ; y), B’ (x ; y), C’ (x ; y), D’ (x ; y)].
4. Correspondance entre les coordonnées terrestres et les
coordonnées de l’image en pixel pour l’orthorectification, puis remise
à l’échelle pour l’affichage sur un écran d’ordinateur.
14
IV.3. Classification des zones du lit du torrent
La classification est un outil de télédétection permettant la création d’images
thématiques représentant des classes intéressantes de surface (ex. zone urbaine,
forêt, lac, etc.). Une classification est la correspondance entre les classes
d’information qui sont des catégories d’intérêts que l’on veut étudier, et les classes
spectrales qui sont des groupes de pixels ayant les mêmes caractéristiques
spectrales, c'est-à-dire ici la même valeur d’intensité (nous travaillons dans le
domaine du visible en bandes rouge, vert et bleu). Cette étude nécessite donc une
première interprétation visuelle afin de pouvoir identifier des groupes homogènes de
pixels sur l’image à classifier. En d’autres mots, une classification à pour but
d’attribuer une classe particulière (ou un thème) à chaque pixel de l’image. On
nomme cette opération la reconnaissance de regroupements spectraux. Nous
utilisons cet outil de façon à créer des classes qui nous servent à discriminer au
mieux les différentes zones du lit du torrent (eau, grève ancienne, grève récente,
berges, etc.). Une autre raison qui motive le fait de procéder par classifications est
que les images redressées sont différentes sur le point de vue de l’apparence
(intensité, contraste, saturation, luminosité, etc.) et la classification simplifie l’image
originale en une image standard dont les couleurs sont interprétées (exemple : bleu
pour l’eau, gris clair pour la grève récente, gris foncé pour la grève ancienne, etc.)
(Cf. Annexe 3 pour la procédure de classification).
Il existe cependant un grand nombre de classifications, et les classifications
automatiques dites supervisées ou non-supervisées restent les plus utilisées pour le
traitement d’image (Cf. cours TUE 426 Télédétection). La classification non
supervisée est automatisée par l’ordinateur qui créé directement des classes
spectrales en fonction de l’information numérique de l’image, et va donc réaliser des
classes d’information qui ne nous intéresse pas dans cette étude et peut de même
biaiser les classes d’intérêts. En revanche la classification supervisée (fig. 6)
demande une identification des échantillons assez homogènes représentatifs d’un
type de surface que l’on veut caractériser pour créer des classes d’information. Ces
classes d’information sont ensuite retranscrites sous forme d’une signature spectrale
par un algorithme pour donner une classe spectrale à chaque zone sélectionnée.
Pour l’étude de la morphologie fluviale, la classification automatique supervisée est
un atout par rapport aux autres modes de classifications, car les connaissances de
15
l’utilisateur sont utilisées pour la création des classes par saisie d'échantillons et
zones d'entraînement (de l’anglais training area).
Figure 6. Schéma de la méthode de classification automatique supervisée
L’image orthorectifiée (a.) représente une
zone de lit fluvial. On identifie 3 zones
distinctes (b.) que l’on échantillonne en
sélectionnant des zones d’entraînement
homogènes : 1, la forêt ; 2, le lit de la rivière ;
3, la rivière. Un algorithme transforme ces
classes d’information sous forme de classes
spectrales (c.) (en considérant toutes les
couches d’informations, Rouge, Vert et Bleu).
Dans cette étape, l’ordinateur associe tout les
pixels de l’image dans la classe spectrale qui
le correspond au mieux. Les classes spectrales
sont représentées (d.) pour donner le résultat
final.
IV.4. Résumé de la méthode : cas concret
En résumé, la méthode utilisée pour traiter les images se déroule en 3
grandes étapes :
a) Sélection des images : les images brutes font l’objet d’une sélection
de qualité pour filtrer les images qui sont exploitables de celles qui ne le sont pas.
Les critères de qualité prennent en compte l’angle de prise de vue et le contraste de
l’image (différentiation des zones de lit du torrent).
Exemple : la figure 7.a) est une image dont le point de vue et la qualité de
l’information sont bonnes (bonne distinction entre les différents zone du lit).
b) Orthorectification et géoréférencement : cette étape permet
d’obtenir les images dans la même géométrie (orthorectification) et de pouvoir les
superposer (géoréférencement). Cette partie est nécessaire pour l’étude de la
variabilité d’un torrent car c’est cette dernière qui nous permet de pouvoir comparer
des images prise à des dates différentes.
Exemple : la figure 7.b) représente l’image orthorectifiée et géoréférencée
dans un système géographique à partir de l’image 7.a).
16
c) classification des zones du lit du torrent : la classification des
images orthorectifiées et géoréférencées permet une simplification des images. C’est
dans cette étape que la comparaison entre les images sera la plus nette.
Exemple : la figure 7.c) est la classification de l’image orthorectifiée et
géoréférencée.
a)
b)
c)
Figure 7. Cas concret de la méthode utilisée pour le traitement d’image à partir d’une photographie datant du 02/07/2007 à 11h30
Crédits photo : F. MACIAN
a) Image brute prise le 02 juillet 2007 à
11h30
b) Image du 02/07/2007 à 11h30
orthorectifiée et géoréférencée
c) Image du 02/07/2007 à 11h30 classifiée
dans un code de couleur.
17
V. Résultats et discussion
Cette étude à été réalisée dans le but premier d’évaluer l’utilisation d’images
numériques en tant que donnée principale pour tenter d’analyser l’évolution
temporelle d’un lit en tresse. Cette partie présente la faisabilité du projet et
j’exposerais donc ici ce qui est envisageable, et ce qu’il serait nécessaire à
améliorer. Dans une première partie nous aborderons les problèmes posés par la
qualité des images et la prise de vue. Dans un deuxième temps, nous parlerons de la
superposition des images pour l’étude de la variabilité torrentielle, avec les erreurs de
superposition, les cas particuliers d’assemblage d’images et des images partielles.
Dans la troisième partie, nous parlerons de la classification et des images classifiées
ainsi que des artéfacts de cette méthode. Finalement, nous ouvrirons brièvement le
sujet pour montrer ce qu’il est possible de faire pour analyser la variabilité du torrent.
V.1. Qualité des images et prise de vue
La qualité des images dépend des conditions de prise de vue. Le type
d’appareil photographique que l’on utilise ne changera rien à ceci mais la résolution
de l’image peut varier d’un appareil à un autre. Il ne faut pas faire la confusion entre
qualité et résolution : Ici, la qualité d’une image regroupe plusieurs termes qui nous
permettent de juger de l’information contenue dans cette image, le but étant de
pouvoir discriminer les différentes zones du lit du torrent. La qualité dépend donc
principalement du contraste, de la luminosité et bien évidement du point de vue d’où
a été prise la photographie (fig. 8). La résolution d’une image dépend du nombre de
pixels que contient l’image. Pour cette étude, la résolution de l’image nous importe
peu comparé à l’information que l’on essaye d’en soutirer, à moins que celle-ci ne
vienne affecter la qualité de l’image. Une image ayant une résolution inférieure à
1 million de pixels (1000 X 1000 pixels) n’est toutefois pas exploitable pour y noter
une petite variabilité dans le cours d’eau, puisque cette dernière représente une
faible portion de l’image.
18
Mauvais point de vue (« rasant ») Bon point de vue (élevé)
Contraste
faible.
Pas de
distinction
entre les
classes
Bon
contraste.
Distinction
possible
entre les
classes
Figure 8. Critères de qualité de l’information d’une image et notion de point de vue et de contraste.
Crédits photos : A. LETREGUILLY, B. BOUDEVILLAIN.
La figure 8 présente un tableau des critères de qualité de l’information
d’images et nous voyons bien que les prises de vues dite « rasantes » apportent peu
sur la variation du torrent dans la zone aval du pré de Madame Carle (haut des
images) et de plus lors de l’orthorectification de ce type d’images, il y aura une
grande perte de qualité et un étirement des zones éloignées, avec une grande
déformation au final. Le contraste des images nous permet de faire une bonne
distinction entre les différentes classes d’information du lit du torrent (eau, grève,
berges…). Si dans un premier temps nous pouvons distinguer les classes à l’œil nu,
nous pouvons ensuite procéder à la classification. En revanche s’il est impossible de
les différencier, nous ne pourrons entamer un travail de classification et de
comparaison temporelle par la suite.
Le modèle de l’appareil photographique peut nous donner des informations
sur la focale. Cette dernière permet de carder plus ou moins précisément ce que l’on
souhaite photographier. La focale est la distance qui sépare la surface photosensible
19
du capteur, du centre optique de l’objectif. Plus cette distance est élevée, plus le
champ de vision est restreint. Il existe 4 types de focales :
- Focale à grand angle (pour les prises de paysages)
- Focale standard (photo courante)
- Longue focales (portraits)
- Très longues focales (photos sportives, mouvements…)
Seules les focales à grand angle et standard sont adaptées pour les prises de vues
que l’on souhaite étudier, puisque les objets représentatifs se situent à de longues
distances du photographe. Dans certain algorithmes d’orthorectification, le type de
focale peut être demandé afin de procéder au redressement des images en tenant
compte de la distorsion qu’elle aurait subit lors de la prise de vue. Dans le modèle
d’orthorectification d’A. HAUET utilisé ici dans cette étude, il n’est pas nécessaire de
connaître la focale car nous ajustons l’image originale à une image redressée à partir
des points d’amer.
Les images utilisées pour cette étude ont été collectées sur le site internet :
http://www.lthe.hmg.inpg.fr/~belleudy/reportage/PredeMadameCarle/. Ce mode de
collecte nous permet d’acquérir facilement un grand nombre d’images, mais
seulement les images comportant une date de prise de vue seront étudiées.
V.2. Superposition des images
V.2.1. Erreur de superposition
L’analyse temporelle nous permet d’étudier la divagation du torrent au cours
du temps. Pour analyser la divagation, nous procédons à une superposition de deux
ou plusieurs images entre elles. Les images superposées sont analysées et les non-
similarités dans le lit du torrent représentent l’évolution temporelle du cours d’eau.
La figure 9 nous montre que lors de la superposition de deux images
orthorectifiée A et B, un certain décalage est visible. Ce décalage serait dû aux choix
des points d’amer sur l’image d’origine, et ceci peut être amplifié lors du processus
d’orthorectification.
20
a) Image orthorectifiée A du 10/08/07
b) Image orthorectifiée B du 04/09/03
c) Superposition Images A et B d) Zoom A+B
Figure 9. Erreur de décalage entre deux images superposées
Crédits photos : Image A du 10/08/2007 : J.P. BOUILLIN.
Image B du 04/09/2003 : A. LETREGUILLY
Ce décalage est visible verticalement (Nord-Sud) et horizontalement (Est-
Ouest). On peut alors déterminer un décalage effectif en utilisant la règle de
Pythagore dans un triangle rectangle. Par exemple sur la figure 9.c) et d) en
« zoomant » sur une zone caractéristique, on repère un décalage vertical de 6 pixels
et un décalage horizontal de 4 pixels ce qui équivaut à dire un décalage effectif de
7,2 pixels (ramené à 7 pixels car un pixel est indivisible) soit environ une dizaine de
mètres sur le terrain entre les point A et B. Un tel décalage ne nous permet pas
d’observer des variations minimes du lit du torrent de quelques centimètres que l’on
peut rencontrer dans une journée, voire pour un pas de temps plus court. La limite
d’observation des variabilités temporelles entre deux images est donc supérieure à
l’erreur de décalage effectif entre ces deux images, c'est-à-dire que si l’erreur
21
effective entre les images est de 10 mètres, l’observation de la variabilité sera
supérieure à 10 mètres.
V.2.2. Cas des assemblages d’images (fonction panoramique)
Le processus d’orthorectification déforme les images en fonction du choix des
points d’amer de l’image géoréférencée. Si une image d’ensemble a été fabriquée à
partir de deux images séparées par un calage panoramique automatique, l’image
orthorectifiée comportera des distorsions importantes et donc des décalages
conséquents par la suite (fig. 10.a)). Pour éviter ce type de problèmes, il est
préférable d’orthorectifier et de géoréférencer les deux images séparément puis de
les superposer ensuite dans la même projection (fig. 10.b)).
a) calage panoramique automatique depuis un
logiciel photographique puis orthorectification =
distorsion et mauvaise superposition.
b) images orthorectifiées séparément puis calage
panoramique par simple superposition = bonne
approche d‘orthorectification.
Figure 10. Influence du calage panoramique automatique sur la superposition d’images du 24/06/07.
Crédits photos : P. BELLEUDY
V.2.3. Images partielles
Certaines images ne couvrent pas totalement la zone d’étude. Il est possible
d’assembler des images de zones différentes prise à des dates pas trop éloignées,
pour obtenir une image d’ensemble de la zone d’étude. Sur la figure 11, trois images
datant du 01 Aout 2007 entre 17h05 et 17h08 ont été superposées dans le même
système géographique. Le résultat donne une image d’ensemble de la zone d’étude.
22
Figure 11. Assemblage d’images partielles prises le 01 Aout 2007 à 17h05’52’’ pour l’image 1, 17h06’19’’ pour l’image 2 et 17h08’10’’ pour l’image 3.
Crédits photos : P. BELLEUDY.
V.3. Classification
La classification permet d’obtenir les images sous la forme d’un standard, et à
partir de ces standards, nous pouvons être en mesure de faire une analyse
temporelle en superposant deux ou plusieurs images classifiées. Une analyse
temporelle a pour objectif de faire ressortir, par le biais d’une image finale, les
évolutions et/ou les changements que l’on peut remarquer entre deux ou plusieurs
séries d’images. Le principe est simple : il s’agit d’attribuer une couleur neutre aux
parties de l’image n’ayant pas changées (noir en général) et de faire ressortir par de
nouvelles couleurs les changements notables entre chaque classe. L’analyse
temporelle est difficile à réaliser ici car il faut que les images à comparer aient le
même nombre de classes, et qu’elles comportent un calage précis, ce qui est
rarement le cas dans cette étude. Par conséquent les variations sont analysées
visuellement. Le choix du nombre de classes (fig. 12) est important à déterminer pour
pouvoir tirer un maximum d’informations. En effet, on remarque sur la figure 12 qu’un
trop grand nombre de classes rend l’image plus confuse alors qu’un choix approprié
de trois classes fait d’autant plus ressortir les informations.
23
a) 10 classes = confus b) 3 classes = simplification
Figure 12. Choix du nombre de classes.
Dans le but de vouloir améliorer une classification, nous pouvons créer un
masque qui nous permet de cibler la zone à étudier, et donc de classifier uniquement
les zones à intérêts (fig. 13).
Figure 13. création d’un masque autour de la zone d’étude.
Le masque permet de cibler la zone d’intérêt et donc de
pouvoir focaliser la classification pour obtenir un
résultat plus précis. La création d’un masque consiste à
sélectionner la zone d’étude et à faire disparaître ce qui
est superflu.
La classification est un outil utile pour la séparabilité des classes mais elle
comporte quelques artéfacts non négligeables. Premièrement, une classification
reste possible uniquement si nous pouvons séparer visuellement les informations sur
l’image brute (ou orthorectifiée) (exemple : eau, grève, berge…). Dans la partie IV.3.,
la méthode de classification explique que l’on attribut une gamme d’intensité de
couleur à une classe. Lorsque l’image présente de fortes variations de luminosité
(fig. 14) (comme par exemple lors de journée nuageuse ne laissant pénétrer le soleil
qu’à quelques endroits) il est alors impossible de réaliser une classification correcte
24
sur toute la zone d’étude. Il est donc préférable de réaliser la classification sur des
petites zones où l’intensité lumineuse est la même pour les classes données.
Figure 14. Artéfact de la classification : différence de luminosité sur la zone.
Crédits photo : F. MACIAN
V.4. Ouverture : Variabilité d’un cours d’eau.
La méthode exposée dans ce rapport permet l’étude de la variabilité d’un
cours d’eau dans une moindre mesure. Nous avons vu précédemment que cette
méthode comporte certains artéfacts, notamment liés au décalage entre les images
lors de la superposition. Nous pouvons donc utiliser la méthode pour l’étude des
grandes variations. Les petites variations que l’on retrouve dans une journée peuvent
être suivies dans la mesure où la superposition des images comporte une faible
erreur de décalage. Nous allons voir comment étudier la variabilité torrentielle en
réalisant une analyse temporelle (V.4.1., fig. 15) ou en procédant par transects
(V.4.2., fig. 16 et 17).
V.4.1. Analyse temporelle
La variabilité d’un cours d’eau peut être étudiée en effectuant une analyse
temporelle, c'est-à-dire en détectant les changements entre des images prises à des
dates différentes (fig. 15). Pour analyser des changements, il est possible de
superposer des images qui ont été géoréférencées dans le même système
géographique.
25
a) Image du 04 septembre 2003
b) Image du 02 juillet 2007
Figure 15. Analyse temporelle entre deux images du 04/09/2003 et du 02/07/2007 et variabilité du torrent.
Sur la figure 15, nous remarquons une grande variabilité du cours d’eau entre
2003 et 2007 notamment avec une évolution des chenaux bien marquée ici. La date
de la prise de vue est importante à connaître pour ce type de travail, car nous
pouvons retracer l’évolution en fonction du temps. Ici en juillet 2007 le débit du
torrent était certainement plus élevé qu’en septembre 2003 car en été la fonte des
glaciers en amont qui est la source de ce torrent est plus importante qu’au début de
l’automne.
V.4.2. Transect
Une autre méthode permet d’analyser une évolution dans le cours d’eau. Elle
consiste à travailler sur un transect perpendiculaire à la vallée (fig. 16). Le transect
trace l’intensité des classes en fonction de la distance entre deux points. Nous
établissons un « graphe d’intensité » le long de ce transect nous indiquant la position
des différentes zones du lit du torrent.
26
Figure 16. Transect le long d’une section perpendiculaire à la vallée. Un transect permet d’analyser la présence d’une classe le
long d’une section. La section est prise
perpendiculairement à la vallée pour pouvoir étudier la
variabilité du cours d’eau dans l’espace. Le transect est
représenté plus bas où les classes d’informations sont
symbolisés par une intensité (vertical) en fonction de la
distance entre les points A et B. La classe « Eau » se
distingue particulièrement ici avec deux bras principaux.
La classe où l’intensité est nulle correspond à la berge
(vert).
Si le transect est le même pour chaque image (mêmes points de départ et
d’arrivé), nous pouvons analyser la variation entre ces images en comparant les
graphes d’intensité (fig. 17).
Figure 17. Superposition de deux transects, correspondant chacun à deux images prises à différentes dates : Transect rouge : 04 septembre 2003 ; transect noir : 02 juillet 2007.
27
La figure 17 représente la superposition de deux graphes d’intensité
correspondant chacun à deux images prises à différentes dates. Les classes sont
représentées en fonction de leur intensité (« eau », « grève », « banc végétalisé »,
« berge »). On remarque sur ce graphique une évolution sur la localisation de la
classe « eau » entre les deux dates (à environ deux tiers du parcours, cercle bleu)
avec un décalage dans les pics de localisation. En revanche, la classe « banc
végétalisé » est restée à la même place (à mi-chemin du transect, cercle marron).
Cet outil est utile pour l’étude de la divagation des cours d’eau, mais il n’est pas très
précis car il dépend de la classification. On remarque sur le graphique un grand
nombre de pics qui ne doivent pas être pris en compte, car ils traduisent le bruit de la
classification (« berge » où il n’y en a pas par exemple).
28
VI. Conclusion
Le transfert du stock alluvial dans un cours d’eau est une grandeur qu’il est
difficile d’apprécier. L’étude de la divagation du lit du torrent pourrait permettre de
mieux comprendre ce phénomène. Ce rapport propose une méthode permettant
d’étudier la variabilité d’un cours d’eau à partir de photographies numériques d’usage
courant. Cette méthode s’appuie sur une analyse diachronique à partir d’images
prises à différentes dates. La facilité de l’acquisition de ce type d’images (d’autant
plus si le lieu présente une grande fréquentation touristique) est un atout de la
méthode car elle nous permet de collectionner une multitude d’images. Le grand
nombre d’images disponibles requière par ailleurs une sélection de qualité qui reste
déterminante pour une bonne analyse. Les images sont traitées pour parvenir à un
résultat final où elles pourront être comparables les unes aux autres. Cette méthode
nécessite quelques améliorations car elle comporte des erreurs et artéfacts ne
permettant pas une bonne corrélation des images entre elles. Des erreurs de
décalage sont à noter lors de leur superposition ce qui rend la méthode efficace
uniquement pour les grandes variations du cours d’eau. Il est envisageable de
pouvoir corriger l’orthorectification (utilisation d’autres logiciels, choix des points
d’amer plus rigoureux…) et ceci nous permettra certainement de pouvoir observer de
plus fines évolutions du lit torrentiel. L’objectif serait aujourd’hui de pouvoir minimiser
les erreurs de la méthode et de pouvoir programmer un logiciel nous permettant de
réaliser toutes les tâches plus rapidement et plus facilement.
29
Remerciements
Cette étude a été réalisée avec l’aide de mon maitre de stage, M. Philippe
BELLEUDY au sein du Laboratoire d’étude des transferts en hydrologie et en
environnement (LTHE), dans le cadre d’un stage de recherche en Master première
année à l’Université Joseph Fourier de Grenoble. Je tenais à remercier M. Alexandre
HAUET (post-doctorant au Cemagref de Lyon - Unité de recherche hydrologie-
hydraulique), qui a contribué à la réalisation du programme permettant
l’orthorectification des images. Je suis reconnaissant quant à l’aide de mes
professeurs de télédétection (TUE 426), M. Ghislain PICARD et M. Erwan PATHIER,
qui m’ont beaucoup apporté sur la compréhension des outils du traitement d’image
et de la classification en télédétection. Merci aux photographes amateurs qui ont
contribué à l’acquisition des images du Pré de Madame Carle. Un grand merci aussi
à toutes les personnes qui ont apporté leur soutien et qui ont contribué à
l’amélioration de ce rapport.
Crédits photographies :
- BELLEUDY. P
- BOUDEVILLAIN B.
- BOUILLIN J.P.
- BOULLIER A.M.
- GRATIOT N.
- HINSIGER
- JOURDAIN B.
- LAPERGUE T.
- LETREGUILLY A.
- MACIAN F.
- MANO V.
- PICARD G.
- ROMAND D.
- SERGENT F.
- SOUILLE C.
- TORLAY L.
- VOLCKE P
30
Références
Derruau, M. (1974). Précis de Géomorphologie. 6ème édition Masson et Cie,
p135-161. Hauet, A. (2006). Estimation de débit et mesure de vitesse en rivière par Large-Scale
Particle Image Velocimetry. Thèse réalisée avec l’INPG Meunier, P., Métivier, F., Lajeunesse, E., Mériaux, A.S., and Faure, J. (2004). Flow
pattern and sediment transport in a braided river : The « Torrent de St Pierre » (French Alpes). Part 1. Elsevier Science
Michel, F. (2005). Roches et paysages. Reflets de l’histoire de la Terre. Editions
Belin, pour la Science/ BRGM, p150-157. Warburton, J. (1992). Observations of bedload transport and channel bed changes in
a proglacial mountain stream. Arctic and Alpine Research 3, 195-203. Warburton, J. (1994). Channel change in relation to meltwater flooding, Bas Glacier
d’Arolla, Switzerland. Geomorphology 11, 141-149. Sites Internet :
• Site des ressources naturelles du Canada : <http://www.nrcan-rncan.gc.ca/com/> et lien vers la page du centre Canadien de télédétection : <http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter4/01_f.php>
• Site du portail des systèmes d’information géographique pour l’aide sur
MapInfo : <http://www.portailsig.org/>
• Site de la commune de Vallouise et du pays des Écrins, pour le contexte géographique : <http://www.vallouimages.com/lavallouise/pre-madame-carle.htm>
• Site Français de cartographie et d’images aériennes :
<http://www.geoportail.fr>
• Site de recherche pour le vocabulaire : <http://www.Wikipédia.org> Documents de cours TUE 426 Télédétection, E. Pathier ; G. Picard
31
Annexes
32
1. Extraire des coordonnées (en pixel) d’une image à partir
d’un SIG (Système d’Information Géographique) : MapInfo
Cette démarche nous permet d’obtenir les coordonnées en pixel des points
d’amer (PA) sur chaque image afin de procéder à l’orthorectification de cette image.
Pour extraire les coordonnées d’une image à partir de MapInfo (Cf. 1.c.), il faut tout
d’abord Caler l’image dans un repère (lequel déterminera la projection des points
créés) (Cf. 1.a.). Il faut ensuite définir les points d’amer sur la zone à orthorectifier
(Cf. 1.b.). Nous expliquerons dans une dernière partie (Cf. 1.d.), comment pallier à
des problèmes lors des erreurs de localisation des PA.
1.a) Calage de l’image dans une projection.
- Lancer le programme MapInfo
- Dans le menu Fichier cliquer sur Ouvrir (ou Ctrl+O)
- Aller chercher l’image où vous voulez extraire des cordonnées en naviguant
sur la fenêtre Ouvrir. Sélectionner le fichier (Image) de type Raster Image,
puis cliquer sur Ouvrir.
- Une fenêtre apparait alors à l’écran : « Nom fichier : Voulez vous simplement
afficher une image ou caler cette image avec des coordonnées
géographiques ? ». Cliquer sur Calage.
- La fenêtre Calage Image apparaît : créer un point en cliquant sur Nouveau.
Le point s’affiche sur le coin haut gauche de l’mage.
- Choisir une projection de l’image en cliquant sur Projection… Sous la fenêtre
Choisir Projection, prendre la catégorie : Non-Terrestre, et la projection :
Non-Terrestre (mètres), puis cliquer sur Ok.
- Retour sur la fenêtre Calage Image : créer un nouveau point en cliquant sur
Nouveau. Le point 2 s’afficher au coin haut gauche de l’image comme
précédemment. Cliquer sur Modifier… : La fenêtre Modifier Points de
Calage apparaît : attribuer les coordonnées X et Y de la carte et de l’image
correspondants aux dimensions de l’image (exemple : si l’image à une
33
dimension de 1920 X 2560 pixels, dans les cases Carte X et Image X écrire
1920 ; et dans les cases Carte Y et Image Y écrire 2560). Puis cliquer sur Ok.
- Le deuxième point vient se caler sur le coin bas droit de l’image (Zoom Out
sur le bouton - ).
- Créer un nouveau point sur le même style (exemple : coin haut droit (1920 ; 0)
ou coin bas gauche (0 ; 2560)).
- Cliquer sur Ok. L’image s’affiche dans MapInfo.
1.b) Créer des points géocodés sur l’image calée.
- Sur la fenêtre Général, cliquer sur Contrôle des Couches (ou sur le menu
Carte, Contrôle des Couches, ou encore Ctrl+L). Rendre la couche dessin
modifiable en cliquant sur le crayon. Puis cliquer sur Ok.
- Dans la fenêtre Dessin, sélectionner l’outil Symbole (punaise).
- Placer les points sur les endroits voulus de l’image où vous voulez connaître
les coordonnées en pixels. Répéter le nombre de fois que vous voulez de
points.
- Une fois les points placés, cliquer sur le menu Carte et Enregistrer Couche
Dessin… La fenêtre Enregistrer les Objets dans la Table s’ouvre. Choisir la
destination pour l’enregistrement des points et donner un nom à la table, puis
l’enregistrer en .tab.
1.c) Extraire les coordonnées des points dans un tableau.
- Sur le menu Table, aller dans Gestion Tables et Modifier Structure… La
fenêtre Modifier la Structure de la Table s’affiche : Ajouter 2 champs
(nommés X et Y) de type « entier » (dans la même projection que
précédemment). Puis cliquer sur Ok.
- Sur le menu Table, aller dans Mettre à jour Colonne. La fenêtre Mettre à
jour Colonne s’affiche : dans l’onglet Colonne à mettre à jour, sélectionner
34
la colonne X. Pour la valeur, cliquer sur Expression, et dans l’onglet
Fonctions choisir : CentroidX(obj). Cliquer sur Ok, puis encore Ok.
- Faire de même pour la colonne Y avec l’expression CentroidY(obj).
- Le Tableau des points s’affiche dans MapInfo.
- Sur le menu Table, cliquer sur Exporter… La fenêtre Exporter la Table vers
le Fichier s’affiche : choisir la destination du tableau des coordonnées et lui
donner un nom. Enregistrer le fichier en .txt. cliquer sur Enregistrer et
délimiter les données par des tabulations.
1.d) Problèmes rencontrés
- Dans le cas où les coordonnées présentent des erreurs de localisations, aller
vérifier dans le menu Options sur préférences…
- La fenêtre Préférence s’affiche : cliquer sur l’onglet Fenêtre Carte. La fenêtre
Préférences fenêtre carte s’affiche sur l’écran : sur Projection d’une
session… vérifier que la projection corresponde à ce que vous avez choisis
auparavant (Non-Terrestre (mètres)). Cliquer sur Ok puis la fenêtre
Coordonnées non-terrestres apparaît : noter Xmin=0 ; Ymin=0 ;
Xmax=dimension maximale de l’image en i et Ymax=dimension maximale de
l’image en j (exemple : si les dimensions de l’image sont 1920X2560,
Xmax=1920 et Ymax=2560). Cliquer sur Ok.
- Vérifier que l’Affichage des coordonnées est du type Grille de référence
Militaire et Sphérique. Cliquer sur Ok puis Ok encore une fois. Le problème
devrait être résolu.
35
2. Procédure d’orthorectification d’une image par la méthode
GRP (Ground Reference Point) (GRP) programmée sur le logiciel Matlab [Hauet, thèse 2006].
Les images brutes ont été orthorectifiées en utilisant le logiciel de
programmation Matlab, où les codes de programmation ont étés tirés de la thèse d’A.
Hauet de 2006. Cette méthode d’orthorectification nécessite de créer au préalable un
fichier de coordonnées de points d’amer (fichier GRP) pour chaque image,
regroupant les coordonnées de l’image en pixel avec les coordonnées
géographiques du terrain.
2.a) Création d’un fichier GRP
Un fichier GRP est un fichier en format .txt correspondant à l’attribution des
points d’amer (PA) d’une image en pixel à ceux des coordonnée réelles sur le terrain
(ici, Méridien de Paris, Lambert III kilométrique). Ce fichier est nécessaire pour
pouvoir mener à bien la transformation d’orthorectification, car il sera utilisé par la
programmation dans le logiciel Matlab. Le fichier GRP se présente sous la forme
suivante (Tab.1), où chaque case du tableau est séparée par une tabulation
(Uniquement le texte en gras doit être présent dans ce fichier) :
GRP 3 (Nombre de points d’amer (PA)) X (coordonnées réelles des PA sur le terrain en Lambert III)
Y (coordonnées réelles des PA sur le terrain en Lambert III)
i (coordonnées des PA en pixel de l’image)
j (coordonnées des PA en pixel de l’image)
921676.56 299273.63 107 388 921807.94 299206.78 108 356 921847.67 299269.32 29 354 Tableau 1 : exemple de fichier GRP, où l’on prend seulement 3 points d’amer.
Les coordonnées i et j des PA de l’image en pixel ont été extraits de chaque
image en utilisant le logiciel de SIG (Système d’Information Géographique) MapInfo
(Cf. Annexe 1). Les coordonnées X et Y des PA en projection Lambert III du Méridien
36
de Paris ont été déterminés de la même façon après avoir géocodé une image
aérienne déjà orthorectifiée. Les fichiers GRP sont lus par le programme dans Matlab
et ce dernier va associer les coordonnées i avec les coordonnées X puis de la même
manière les j avec les Y.
2.b) Utilisation du logiciel Matlab pour l’orthorectification.
- Ouvrir le logiciel Matlab et choisir le dossier ortho_images dans Current
Directory. Le dossier ortho_images comporte tous les codes Matlab qui
servent à l’orthorectification d’une image.
- Dans la fenêtre de commande (Command Window) taper ortho_images
puis Entrer pour que l’application commence.
- La fenêtre Rechercher un dossier apparaît : Créer un nouveau dossier ou
choisir une direction où les images finales orthorectifiées seront enregistrées.
Cliquer sur Ok.
- La fenêtre LSPIV Procedure s’affiche à l’écran : cliquer sur l’onglet
1-Orthorectification.
- Une nouvelle fenêtre apparaît : Orthorectification of images : cliquer sur
l’onglet 1-GRPs Localization puis sur Read GRPs file.
- La fenêtre Select the image for the GRPs identification s’affiche : aller
chercher l’image que vous voulez Orthorectifier (sous le type Image Files)
puis cliquer sur Ok. Dans certain cas, dans la fenêtre de commande, on vous
demandera de rentrer le type du format de l’image (jpg, bmp… puis entrer).
- Une nouvelle fenêtre apparaît : Select the GRPs file : aller chercher le fichier
GRP associé à l’image choisie juste avant.
- Deux fenêtre s’ouvrent nous permettant de visualiser si les PA sont bien
placés sur l’image et pour la rectification. Sur la fenêtre GRP_check_v5
cliquer sur Yes si vous jugez que la procédure est bonne, sinon sur No et
recommencez les choix des PA (Cf. Annexe 1).
- La fenêtre Orthorectification of images réapparait de nouveau : cliquer
maintenant sur l’onglet 2-Transformation Parameterization.
- La fenêtre transf_gui_v5 s’affiche : cette fenêtre permet de lancer la
transformation en indiquant les limites supérieures et inférieures de l’image de
37
sortie, c'est-à-dire Xmin , Xmax, Ymin, Ymax et la résolution que l’on souhaite (plus
la résolution est petite, plus le temps de calcul sera grand et inversement).
Pour gagner du temps lors de la superposition des images, il est important
d’attribuer les mêmes limites pour chaque image. si vous voulez encore
visualiser la localisation des points après la transformation, cliquez sur
Display survey. Cliquer sur Compute pour lancer le calcul.
- Une fois le calcul fini, dans la fenêtre de commande de Matlab la mention
Sum of the Ortho_image apparaît. L’image finale orthorectifiée s’affiche dans
la fenêtre transf_gui_v5 et est directement enregistrée dans le dossier que
vous avez créé au début de la manipulation sur Matlab sous le format .bmp.
38
3. Classification automatique supervisée des images
Orthorectifiées avec l’aide d’un Logiciel de télédétection : Er Mapper.
La classification automatique supervisée se fait en trois étapes sur le logiciel
ErMapper : On commence par créer des classes thématiques en sélectionnant des
zones, dites zones d’entrainements. On lance ensuite la classification en réglant les
paramètres relatifs à l’algorithme de transformation puis on termine par l’affichage de
l’image classifiée sur l’écran d’ordinateur.
3.a) Création de classes thématiques par zones d’entrainements.
- Ouvrir le logiciel ErMapper.
- Dans le menu File, cliquer sur Open. La fenêtre Open s’ouvre : choisir l’image
orthorectifiée en .bmp que vous voulez classifier. Cliquer sur Ok. L’image
s’affiche dans la fenêtre *** 1 : Algorithm Not Yet Saved ***.
- Dans le menu Edit, cliquer sur Edit/Create Regions… pour créer les classes.
Une fenêtre New Map Composition apparaît : sélectionner l’image que vous
voulez classifier dans l’onglet Load from File en format .ers en mode Raster
Region. Cliquer sur Ok.
- La fenêtre Tools apparaît : pour créer des zones d’entraînement, sélectionner
l’outil Polygon. Créez vos zones d’entrainements en fonction du nombre de
classes et de l’information de chaque classe que vous voulez (eau, grève
récente, grève ancienne banc végétalisé, berge…) et juger visuellement de la
séparabilité des classes sur des histogrammes (ou scatterogrammes) en
cliquant sur Scattergram Window. Il est indispensable de devoir refermer
correctement chaque polygone pour qu’il puisse être édité : pour fermer un
polygone correctement, faire un double clique gauche avec la souris sur le
dernier point de la zone.
- Pour éditer les zones d’entrainements, cliquer sur l’objet Display/Edit Object
Attributes (ABC) et donner un nom à chaque classe.
39
- Pour attribuer une couleur à une classe, sélectionner l’objet Select/Edit
Points Mode (flèche noire) dans la fenêtre Tools et faire un double clic
gauche sur le polygone voulu. La fenêtre Line Style apparaît. Cliquer sur
l’onglet Set Color… et choisir la couleur correspondant à la classe (bleu pour
l’eau, gris clair pour la grève récente…). Cliquer sur Close. Il est important
d’attribuer la même couleur pour les mêmes classes d’images différentes,
pour pouvoir comparer les images entre elles.
- Une fois le travail de sélection fini, enregistrer le travail en cliquant sur Save
File (disquette). Puis cliquer sur Close.
3.b) Procéder à la classification automatique supervisée.
Dans l’étape précédente (Annexe 3.a.) on a attribué des étiquettes à des
pixels en sélectionnant des zones d’entrainements. Lors d’une classification,
l’ordinateur va chercher si les autres pixels de l’image peuvent appartenir à cette
étiquette :
- sur le logiciel Er Mapper, dans le menu Process, cliquer sur Classification
puis sur Supervised Classification…
- la fenêtre Supervised Classification… apparaît : dans l’onglet Input Dataset
choisir le fichier où vous avez enregistré vos classes (fichier du type .ers).
Donner un nom a votre classification sur l’onglet Output Dataset. Dans
l’onglet Classification Type, choisir le type de classification que l’on souhaite
réaliser : Il existe plusieurs types d’algorithmes, mais le meilleur compromis
est en général la méthode de maximum standard de ressemblance
(Maximum Likelyhood Standard). En revanche, le type de Mahalanobis
marche très bien ici. Choisir puis cliquer sur Ok pour lancer la classification.
- Fermer toutes les fenêtres.
40
3.c) Affichage de la classification sur l’écran d’ordinateur.
- Sur le logiciel ErMapper, dans le menu File, cliquer sur Open. La fenêtre
Open s’ouvre : choisir l’image classifiée en .ers que vous voulez visualiser.
Cliquer sur Ok. L’image s’affiche en noir dans la fenêtre *** 2 : Algorithm Not
Yet Saved ***.
- Pour visualiser en couleur l’image classifiée, aller dans la fenêtre de base
Er Mapper, cliquer sur l’onglet Edit Algorithm (deux rectangles verts
superposés). La fenêtre Algorithm apparaît : faire un clic droit sur la Pseudo
Layer pour faire apparaître le menu puis cliquer sur Class Display. L’image
classifiée s’affiche enfin en couleur dans la fenêtre *** 2 : Algorithm Not Yet
Saved ***.