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 ***.