Vous êtes sur la page 1sur 159

Dpartementdegomatiqueapplique

Facultdeslettresetscienceshumaines
UniversitdeSherbrooke

Classicationmultichelledimagestrshaute
rsolutionspatialebasesurunenouvelleapproche
texturale

AlexandreDelahaye

ThseprsentepourlobtentiondugradedePhilosophi
Doctor(Ph.D.)entldtection
Juin2016
AlexandreDelahaye,2016

Compositiondujury

Cettethseatvalueparunjurycomposdespersonnessuivantes:

Pr. GozeBertinBni, codirecteurderecherche(Dpartementde gomatique appli


que,FLSH,UniversitdeSherbrooke)
Dr. Mickal Germain, codirecteur de recherche (Dpartement de gomatique appli
que,FLSH,UniversitdeSherbrooke)
Pr. DongChen He, examinateur interne (Dpartement de gomatique applique,
FLSH,UniversitdeSherbrooke)
Pr. NormanT.ONeill,examinateur interne (Dpartementde gomatique applique,
FLSH,UniversitdeSherbrooke)
Dr. SamuelFoucher,examinateurexterne (CentredeRechercheenInformatiquede
Montral)

ii

Rsum
Facelaccroissementdelarsolutionspatialedescapteursoptiquessatellitaires,de
nouvellesstratgiesdoiventtredveloppespourclassifierlesimagesdetldtec
tion.Eneffet,labondancededtailsdanscesimagesdiminuefortementlefficacitdes
classificationsspectrales;denombreusesmthodesdeclassificationtexturale,notam
mentlesapprochesstatistiques,nesontplusadaptes.linverse,lesapprochesstruc
turellesoffrentuneouvertureintressante:cesapprochesorientesobjetconsistent
tudierlastructuredelimagepoureninterprterlesens. Unalgorithmedecetype
estproposdanslapremirepartiedecettethse.Reposantsurladtectionetlana
lysedepointscls(KPC: KeyPointbasedClassification),iloffreunesolutionefficace
auproblmedelaclassificationdimagestrshautersolutionspatiale.Lesclassifi
cationseffectuessurlesdonnesmontrentenparticuliersacapacitdiffrencierdes
texturesvisuellementsimilaires.
Parailleurs,ilatmontrdanslalittraturequelafusionvidentielle,reposantsur
lathoriedeDempsterShafer,esttoutfaitadapteauximagesdetldtectionen
raisondesonaptitudeintgrerdesconceptstelsquelambigutetlincertitude.Peu
dtudesontenrevanchetmenessurlapplicationdecettethoriedesdonnes
texturalescomplexestellesquecellesissuesdeclassificationsstructurelles.Laseconde
partiedecettethsevisecomblercemanque,ensintressantlafusiondeclassifi
cations KPC multichelle par la thorie de DempsterShafer. Les tests mens
montrentquecetteapprochemultichellepermetdamliorerlaclassificationfinale
danslecasolimageinitialeestdefaiblequalit. Deplus,ltudeeffectuemeten
videncelepotentieldamliorationapportparlestimationdelafiabilitdesclassifi
cationsintermdiaires,etfournitdespistespourmenercesestimations.

iii

Abstract
Classifyingremotesensingimagesisanincreasinglydifficulttaskduetotheavailabil
ityofveryhighspatialresolution(VHSR)data.Theamountofdetailsinsuchimages
isamajorobstacletotheuseofspectralclassificationmethodsaswellasmosttextural
classificationalgorithms,includingstatisticalmethods.However,structuralmethods
offeraninterestingalternativetothisissue:theseobjectorientedapproachesfocuson
analyzingthestructureofanimageinordertointerpretitsmeaning.Inthefirstpart
of this thesis, we propose a new algorithm belonging to this category: KPC (Key
PointbasedClassification).KPCisbasedonkeypointdetectionandanalysisandoffers
anefficientanswertotheissueofclassifyingVHSRimages.Testsledonartificialand
realremotesensingimageshaveprovenitsdiscriminatingpower.
Furthermore, many studies have proven that evidential fusion (based on Demp
sterShafertheory)iswellsuitedtoremotesensingimagesbecauseofitsabilityto
handleabstractconceptssuchasambiguityanduncertainty.However,fewstudiesdid
focusontheapplicationofthistheorytocomplextexturaldatasuchasstructuraldata.
Thisissueisdealtwithinthesecondpartofthisthesis;wefocusedonfusingmulti
scaleKPCclassificationswiththehelpofDempsterShafertheory.Testshaveshown
thatthismultiscaleapproachleadstoanincreaseinclassificationefficiencywhenthe
originalimagehasalowquality.Ourstudyalsopointsoutasubstantialpotentialfor
improvementgainedfromtheestimationofintermediateclassificationsreliabilityand
providesideastogettheseestimations.

iv

Tabledesmatires
Rsum.................................................................................................................................ii
Abstract..............................................................................................................................iii
Listedesgures.............................................................................................................viii
Listedestableaux..............................................................................................................x
Listedesannexes.............................................................................................................xi
Notations...........................................................................................................................xii
Abrviations....................................................................................................................xiii
Dnitions........................................................................................................................xiv
Remerciements................................................................................................................xv
1.Introductiongnrale..................................................................................................1
1.1.Contexte..........................................................................................................................1
1.2.Problmatique................................................................................................................2
1.3.Objectifs..........................................................................................................................5
1.3.1.Objectifgnral...........................................................................................................5
1.3.2.Objectifssecondaires...................................................................................................5
1.4.Hypothsesderecherche...............................................................................................6
1.5.Prsentationduplandelathse...................................................................................6
2.Cadrethorique.............................................................................................................8
2.1.Bilandesmthodesactuellesenclassicationtexturale............................................8
2.1.1.Mthodesstatistiques.................................................................................................9
2.1.1.1.Statistiquesdupremierordre.................................................................................9
2.1.1.2.Statistiquesdusecondordre...................................................................................9
2.1.2.Mthodesfrquentielles............................................................................................12
2.1.2.1.Filtresbasiques......................................................................................................12
2.1.2.2.TransformedeFourier.........................................................................................13

2.1.2.3.FiltresdeGabor......................................................................................................14
2.1.2.4.Transformeenondelettes....................................................................................15
2.1.3.Mthodesbasedemodles.....................................................................................15
2.1.3.1.Champsalatoires..................................................................................................16
2.1.3.2.Fractales.................................................................................................................17
2.1.4.Mthodesgomtriques............................................................................................18
2.2.lmentsdevisionparordinateur..............................................................................19
2.2.1.Gnralitssurladtectionetdescriptiondepointscls......................................19
2.2.2.Dtectiondepointscls............................................................................................21
2.2.2.1.SIFT.........................................................................................................................22
2.2.2.2.SURF.......................................................................................................................27
2.2.3.Descripteursdepointscls.......................................................................................28
2.2.3.1.SIFT.........................................................................................................................28
2.2.3.2.SURF.......................................................................................................................29
2.2.4.Pointsclsetclassificationdimages.......................................................................30
2.2.5.Statistiquesspatialesponctuelles............................................................................30
2.2.5.1.Statistiquesdupremierordre...............................................................................31
2.2.5.2.Statistiquesdusecondordre:fonctionKdeRipley............................................31
2.3.Fusiondedonnes........................................................................................................33
2.3.1.Contexteetdnitions..............................................................................................33
2.3.1.1.Imperfectionsdelinformation..............................................................................35
2.3.1.2.Niveauxdefusion...................................................................................................37
2.3.2.Modlesprobabilistes................................................................................................38
2.3.3.Modlespossibilistes.................................................................................................39
2.3.4.Modlesvidentiels:thoriedeDempsterShafer.................................................40
2.3.4.1.Initialisation...........................................................................................................42
2.3.4.2.Combinaison...........................................................................................................45
2.3.4.3.Dcision...................................................................................................................49
2.3.4.4.ExtensionslathoriedeDempsterShafer........................................................51
2.4.Conclusionpartielle.....................................................................................................52
3.Mthodologieetdonnes...........................................................................................53
3.1.Mthodologie.................................................................................................................53
3.1.1.Classicationtexturale.............................................................................................54
3.1.1.1.Algorithmepropos................................................................................................54

vi

3.1.1.2.Algorithmescomparatifs........................................................................................62
3.1.2.Fusiondimages.........................................................................................................64
3.1.2.1.Gnralits..............................................................................................................64
3.1.2.2.Initialisationdesfonctionsdemasse....................................................................65
3.1.2.3.Rglesdecombinaison...........................................................................................69
3.1.2.4.Rglesdedcision...................................................................................................70
3.1.3.valuationdesperformances...................................................................................70
3.1.3.1.Tauxdeclassication.............................................................................................70
3.1.3.2.Coefcientkappa....................................................................................................70
3.1.3.3.Matricedeconfusion..............................................................................................71
3.2.Donnes.........................................................................................................................71
3.2.1.MosaqueIKONOS....................................................................................................71
3.2.2.MosaqueWorldView2.............................................................................................72
3.2.3.PlacetteIKONOS......................................................................................................74
3.3.Conclusionpartielle.....................................................................................................75
4.Rsultats........................................................................................................................76
4.1.Classicationstexturales.............................................................................................76
4.1.1.Inuencedesparamtres..........................................................................................76
4.1.2.Comparaisonavecdautresalgorithmesdeclassication......................................84
4.1.2.1.MosaqueIKONOS.................................................................................................84
4.1.2.2.MosaqueWorldView2..........................................................................................93
4.1.2.3.PlacetteIKONOS...................................................................................................97
4.2.Fusiondimages..........................................................................................................100
4.2.1.Rsultatsgnraux.................................................................................................100
4.2.2.Imagesbruites.......................................................................................................108
4.2.3.Fiabilitdessources................................................................................................110
4.3.Discussionetconclusionpartielle.............................................................................114
5.Conclusion...................................................................................................................118
5.1.Rechercheeffectue....................................................................................................118
5.2.Limitations.................................................................................................................121
5.3.Recommandations......................................................................................................122
5.3.1.Dtectiondefrontires............................................................................................122

vii

5.3.2.Estimationduparamtre....................................................................................122
5.3.3.Estimationdunombredeclasses...........................................................................123
5.3.4.Priseencomptedeshypothsescomposes..........................................................123
5.3.5.Diminutiondutempsdecalcul..............................................................................124
5.4.Perspectives................................................................................................................124
5.4.1.Modlesdeabilit.................................................................................................124
5.4.2.Ajoutdedonnesmultispectrales..........................................................................124
5.4.3.Imagesplushautersolutionspatiale................................................................125
5.4.4.Classificationparapprentissage............................................................................125
6.Annexes........................................................................................................................126
7.Rfrences...................................................................................................................135

viii

Listedesgures
Figure2.1:(a)Image55troisniveauxdegris(0,1et2).(b)Matricede
cooccurrencePdpourd=(1,1).Exempleenjaune.TirdeJainetal.,1995........10
Figure2.2:(a)Filtrelaplacien(passehaut).(b)Filtregaussien(passebas).(c)Filtre
moyenneur(passebas)...............................................................................................13
Figure2.3:(a)Exempledetexture.(b)Densitspectraledepuissanceassocie..........14
Figure2.4:bancdeltresdeGabor..................................................................................15
Figure2.5:ltreLoGdiscretdetaille55(=1).........................................................18
Figure2.6:approchemultichelledelalgorithmeSIFT.Lapartiegauchereprsente
limagetudie,cellededroitereprsentelimageltrediffrenteschelles(D)
(Lowe,2004)................................................................................................................23
Figure2.7:exempledepointsdintrtSIFTdtectsetdeleurorientation................26
Figure2.8:exemplesdapproximationsdeltresgaussiens(driveseconde)utiliss
parlalgorithmeSURF.(a)Directionverticale.(b)Directiondiagonaleprincipale.
Tirde(Bayetal.,2006)............................................................................................27
Figure2.9:exempledepointsdintrtSURFdtectsetdeleurorientation..............28
Figure2.10:illustrationdelamthodedecalculdesdescripteursSIFT(Lowe,2004) 29
Figure2.11:exemplesdeprocessusponctuels.(a)ProcessusdePoissonhomogne.(b)
ProcessusdePoissonsuivantungradientcirculaire.(c)ProcessusdeStrauss.....32
Figure2.12:illustrationducomportementdelafonctionKdeRipleyenfonctiondela
distributiondespoints(tirdeRipley,1976)............................................................33
Figure2.13:schmagnraldunsystmedefusiondimages.......................................35
Figure2.14:reprsentationdesniveauxdefusion(PohletVanGenderen,1998).......38
Figure2.15:tapesdutraitementvidentiel,prcdesdelidenticationdessources
......................................................................................................................................42
Figure3.1:organigrammemthodologiquegnral(intrantsenbleu;KPC:
keypointbasedclassication)....................................................................................53
Figure3.2:tapesprincipalesdelalgorithmedeclassicationtexturale.....................54
Figure3.3:exempledepointsclsSIFTdtectsparlalgorithmeSIFT++surune
textureWorldView2(latailledescerclesindiquelchelledupointcl,les
couleursnontpasdesignicationparticulire).......................................................55
Figure3.4:exemplederpartitiondesvoisinagesauseindelimageprincipale..........58
Figure3.5:exempleduneitrationdelalgorithmedecalculdestatistiquesspatiales,
pourcinqrayons..........................................................................................................59
Figure3.6:organigrammemthodologiquedeltapedefusionmultichelle.Les
chespointillesdsignentdestapesoptionnelles...............................................65
Figure3.7:imageIKONOSdebase..................................................................................71
Figure3.8:mosaqueIKONOS(vritterraindroite)..................................................72
Figure3.9:imageWorldView2debase...........................................................................73

ix

Figure3.10:mosaqueWorldView2(vritterraindroite).........................................73
Figure3.11:placetteIKONOS(vritterraindroite)..................................................74
Figure4.1:tauxdebonneclassicationenfonctiondunombredepointsclsdtects.
Lesparamtressont:s=5,w=161,nCKP=20,nPCA=0,R=[8,16,24,32,40]
......................................................................................................................................79
Figure4.2:TBC,kappaetduredecalculenfonctiondunombredeclassesde
pointsclsnCKP.Lesautresparamtressont:s=5,w=161,nPCA=0,R=[8,
16,24,32,40]..............................................................................................................80
Figure4.3:TBC(enrouge),kappa(enbleu)ettempsdexcution(envert)enfonction
delatailledevoisinagew.Lesautresparamtressont:s=2,nCKP=20,nPCA
=0,R=[8,16,24,32,40]...........................................................................................81
Figure4.4:TBCenfonctiondenPCA(courbebleue).LaligneorangeindiqueleTBC
obtenusansACP.........................................................................................................83
Figure4.5:rsultatsdelaclassicationnondirigedelamosaqueIKONOS.............84
Figure4.6:classicationKPCSURFdelamosaqueIKONOS:classicationnormale
(a)etclassicationavecpixelsambigus(engris)(b)...............................................87
Figure4.7:diffrencesdeTBCentreclassicationsdiriges(kNNenbleu,kmeans
enrouge)etnondiriges(kmeans).LespourcentagesreprsententlesTBCdes
classicationsdiriges................................................................................................88
Figure4.8:rsultatsdelaclassicationdirigedelamosaqueIKONOS....................90
Figure4.9:comparaisondestempsdecalculdechaquetapeentrelesmodesdirigs
(kNN)etnondirigs(kmeans),pourlesvariantesSIFTetSURF.......................92
Figure4.10:rsultatsdelaclassicationnondirigedelamosaqueWorldView2....94
Figure4.11:classicationKPCSIFTdelamosaqueWorldView2:classication
normale(a)etclassicationavecpixelsambigus(engris)(b)................................97
Figure4.12:rsultatsdelaclassicationnondirigedelaplacetteIKONOS..............99
Figure4.13:classicationKPCSIFTdelaplacetteIKONOS:classicationnormale
(a)etclassicationavecpixelsambigus(engris)(b)...............................................99
Figure4.14:mosaqueIKONOS:rsolutions100%(a),50%(b)et25%(c)..............101
Figure4.15:lgendedeshypothsessimplesetcomposes..........................................105
Figure4.16:mosaqueIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichelle(modlededistancesimple,combinaisonconjonctive,dcision
parmaximumdecrdibilit)avechypothsessimples(b)etcomposes(c),
rpartitionduconit(d)...........................................................................................106
Figure4.17:mosaqueWorldView2:classicationKPCSIFToriginale(a),rsultatde
lafusionmultichelle(modlededistancesimple,combinaisonrobuste,dcision
parmaximumdeplausibilit)avechypothsessimples(b)etcomposes(c),
rpartitionduconit(d)...........................................................................................107
Figure4.18:placetteIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichelle(modlededistancesimple,combinaisonconjonctive,dcision
parmaximumdecrdibilit)avechypothsessimples(b)etcomposes(c),

rpartitionduconit(d)...........................................................................................107
Figure4.19:TBCenfonctiondeTBCsourcepourchaqueimage...............................109
Figure4.20:mosaqueIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichellesans(b)etavecestimationduparamtredeabilit(c).....112
Figure4.21:mosaqueWorldView2:classicationKPCSIFToriginale(a),rsultatde
lafusionmultichellesans(b)etavecestimationduparamtredeabilit(c).113
Figure4.22:placetteIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichellesans(b)etavecestimationduparamtredeabilit(c).....113
Figure6.1:massemaximalemoyenne(,enbleu)etespranceduconit(,enrouge)en
fonctionde..............................................................................................................131
Figure6.2:Classicationsdesimagessourcemultichelle(colonnedegauche:
rsolution=100%,colonnecentrale:rsolution=50%,colonnededroite:
rsolution=25%).....................................................................................................134

Listedestableaux
Tableau2.1:indicateursdeHaralick................................................................................11
Tableau3.1:ParamtresSIFTutiliss.............................................................................56
Tableau3.2:ParamtresSURFutiliss...........................................................................56
Tableau4.1:paramtresutiliss(lesparamtresanalyssparlasuitesontengras). 77
Tableau4.2:inuenceduparamtreSsurlenombredepointsclsetleTBC............78
Tableau4.3:inuenceduparamtretsurlenombredepointsclsetleTBC.............78
Tableau4.4:TBCmoyenenfonctiondesparamtresRetw.Pourchaquevaleurdew,
lemeilleurTBCmoyenestmisengras....................................................................83
Tableau4.5:tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients
kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigede
lamosaqueIKONOS.Lesmeilleuresvaleurssontindiquesengras...................85
Tableau4.6:matricedeconfusiondelaclassicationdelamosaqueIKONOSpar
lalgorithmeKPCSURF.............................................................................................86
Tableau4.7:tauxdebonneclassication,coefcientskappaetduresdexcutiondela
classicationdirige(kNN)delamosaqueIKONOS.Lesmeilleuresvaleurssont
indiquesengras........................................................................................................89
Tableau4.8:tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients
kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigede
lamosaqueWorldView2.Lesmeilleuresvaleurssontindiquesengras............94
Tableau4.9:densitdepointsclsdtects,parimageetparalgorithmededtection
(ennombredepointsclspar1000pixels)..............................................................95
Tableau4.10:matricedeconfusiondelaclassicationdelamosaqueWorldView2

xi

parlalgorithmeKPCSIFT.Unpixelsurdeuxatclassidanschaque
direction(25%detouslespixels)..............................................................................96
Tableau4.11:tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients
kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigede
laplacetteIKONOS.Lesmeilleuresvaleurssontindiquesengras.....................98
Tableau4.12:TBC(%)issusdelafusionmultichelledelamosaqueIKONOS,sans
coefcientdeabilit.Lesmeilleuresvaleurssontengras..................................101
Tableau4.13:TBC(%)issusdelafusionmultichelledelamosaque
WorldView2,sanscoefcientdeabilit.Lesmeilleuresvaleurssontengras..102
Tableau4.14:TBC(%)issusdelafusionmultichelledelaplacetteIKONOS,sans
coefcientdeabilit.Lameilleurevaleurestengras.........................................102
Tableau4.15:TBCsource(classicationKPCSIFTnondirige)etTBCpourchaque
image(en%)..............................................................................................................104
Tableau4.16:TBCetTBCsource(entreparenthses)pourchaqueimage(en%)....108
Tableau4.17:TBCparrapportauxclassicationssources(en%).Entre
parenthses:gainsdeTBCapportsparlutilisationdemodlesdestimationdu
paramtredeabilit............................................................................................111
Tableau4.18:TBCsource(classicationKPCSIFTnondirige)etTBC,incluant
lestimationduparamtredeabilit,pourchaqueimage(en%)........................114
Tableau6.1:TBC(en%)etcoefcientskappa(entreparenthses)desimagessource
multichelle..............................................................................................................132
Tableau6.2:Rsultatsdelafusion3chellesdelamosaqueIKONOSoriginale,
sanscoefcientdeabilit.LapremirevaleurreprsenteleTBC(en%),la
secondelecoefcientkappa.....................................................................................132
Tableau6.3:Rsultatsdelafusion3chellesdelamosaqueWorldView2,sans
coefcientdeabilit.LapremirevaleurreprsenteleTBC(en%),lasecondele
coefcientkappa.Lesmeilleuresvaleurssontengras..........................................133
Tableau6.4:Rsultatsdelafusion3chellesdelaplacetteIKONOS,sanscoefcient
deabilit.LapremirevaleurreprsenteleTBC(en%),lasecondelecoefcient
kappa.Lesmeilleuresvaleurssontengras............................................................133

Listedesannexes
Annexe1tudeduparamtrededistance...............................................................127
Annexe2Dtailsdesrsultatsdelafusionmultichelle..........................................132

xii

Notations

Nombredeclasses

Fonctiondedistanceeuclidienne

Imagevrit(vritterrain)
PixeldelimageI,colonnex,ligney

FonctionKdeRipley

Conit

Nombredesources

Imageobserve
PixeldelimageX,colonnex,ligney

Ensembledesclasses(ouhypothses)

Classe(hypothse)numroi(

CoefcientkappadeCohen

TBC

DiffrenceentreleTBClissuedelafusionmultichelleetleTBCdela
classicationsource(sansfusion).

xiii

Abrviations

ACP

AnalyseenComposantesPrincipales

DST

ThoriedeDempsterShafer

GLCM

GrayLevelCoocurrenceMatrix(indicateursdeHaralick)

KPC

KeyPointbasedClassication

SFTA

SegmentationbasedFractalTextureAnalysis

SIFT

ScaleInvariantFeatureTransform

SURF

SpeededUpRobustFeatures

TBC

TauxdeBonneClassication

THRS

TrsHauteRsolutionSpatiale

xiv

Dnitions

Lalistesuivantecontientlesdnitionsdecertainstermes spcifiques utilissdans


cettethse:

Descripteurtextural: vecteurcaractrisantunetexture,issudunalgorithme
danalysetexturale.
Espacetextural:

espacevectorieldanslequelpeuventtreanalyssles
descripteurstexturaux.Ilestdemmedimensionqueces
derniers.

Partition:

agrgatdevecteursauseindunespacemultidimensionnel.
Traductiondelanglaiscluster.

Partitionnement:

actiondepartagerunensembledevecteursenpartitions.
Traductiondelanglaisclustering.

Segment:

ensemblespatialementconnexedepixelsdemmeclasse.

Voisinage:

ensembledepixelsspatialementproches(selonunergle
dnir)dunpixelcentral.

xv

Remerciements
Jetiensdabordexprimermaprofondegratitudemescodirecteurs,lePr.GozeBer
tinBni et M.MickalGermain,quiont acceptdedirigermathse.Sansleurpa
tience,leursconseilsavissetleuraidelogistique,cettethsenauraitputremene
terme.
Jeremerciegalementlesmembresdujury,Pr.DongChenHe,Pr.NormanT.ONeill
etM.SamuelFoucherpourmavoirfaitlhonneurdaccepterlachargedvaluateurs.
Jeremercie toute lquipedeGoimageSolutions pourlesbonsmomentspasssen
sembleenparallledecedoctorat,avecunementionparticulireClaireetYvespour
leschangesfructueuxquenousavonspuavoirconcernantlestudes.
Pourfinir,jeremerciemesparentsetlerestedemafamillepourmavoirsoutenudu
rantcettelongueaventurecanadienne.Merci M. P.davoirassuruneanimation
quotidienne,samanire.MesplustendresremerciementsvontPamla,pouravoir
toujourstprsenteetmavoirencouragjusquaubout.

1. Introductiongnrale
1.1.Contexte
Laclassicationdimagesfaitpartiedesproblmeslespluscourantsdetldtection.
Elleconsisteregrouperlespixelsduneimageenclasses,danslespoirquelesclasses
ainsiformesreprsententaumieuxloccupationrelledusol:vgtation,champs,
zonesurbaines,milieuxhumides,etc. Laqualitdesdonnessatellitairesestdsor
maissufsammentbonnepourpermettreledveloppementdunemultitudedapplica
tionsexploitantlaclassicationdimages:tudesenvironnementales,gestiondesca
tastrophesnaturelles,planicationagricole,applicationsmilitaires,etc.
Paralllement,laquantitgrandissantedimagesdisponiblesaencouraglamiseau
pointdemthodesdefusiondimagestirantpartidelaredondanceentrecesdernires
pouraccrotrelaqualitdeleuranalyse.Lacombinaisondeplusieursimagesreprsen
tantunemmescnepeuteneffetpermettredidentieravecuneplusgrandeabilit
lestypesdoccupationdusol,enmettantnotammenten videncelesventuelsm
langesdeclasse,maisgalementdamliorerlaprcisionspatialedudcoupagedusol.
Facedetelsds,desmthodesdeclassicationetdefusiondeplusenplussophisti
quesdoiventtremisesenuvre.Lebutdecetterechercheestdeproposerunnouvel
algorithmedeclassicationnondirigspciquementadaptauximagesdetldtec
tiontrshautersolutionspatiale(THRS)cestdiredelimitesdersolutioninf
rieures1mpourlabandepanchromatique.Cetalgorithmeestbassuruneanalyse
texturaleorienteobjet,quipermetdediffrencierdesthmesvisuellementtrssimi
laires.Cetypedapprochereposesurlextractiondetraitsporteursdesens(btiments,
arbres,rochers,etc.)pourcaractriserlatextureprsenteauseindunezonedonne.
Loriginalitdecetalgorithmeestltudedelarpartitionspatialedecestraits,en
plusdeleurssimplescaractristiquesgomtriquesetradiomtriques,pourdiffren

cierlestexturesprsentesdansuneimagesatellitaire.
Andamliorerlaqualitdesclassicationsobtenues,unemthodedefusionmulti
chelleestgalementpropose.ElleestbasesurlathoriedeDempsterShafer,qui
offreuncadrethoriqueintressantpourmodliserlesdfautsdeclassicationscou
rants en tldtection que sont limprcision et lincertitude1. Ces dfauts, souvent
ignorsousousestims,sontpourtantdautantplusprsentsquelarsolutionspa
tialedelimageestleve,dufaitdelanettetdeszonesdetransitionsentrediffrents
milieux.
La mthode de fusion propose est gnrique et conviendrait tout aussi bien un
contexte multisourceoumultitemporel. Plusieursinnovationsysontincluses,telles
quunenouvellemthodedinitialisationdesmassesdhypothsesdoublesetdeuxmo
dlesdestimationdelaabilitdesclassicationssources.Deplus,lesmthodesles
pluscourantesdecombinaisonetdedcisiononttcomparesentreellesandva
luerleursperformancesdanslecadredelatldtection.

1.2.Problmatique
Historiquement, les mthodes de classication se sont dabord bases sur des ap
prochespixelparpixel,radiomtrique(tudedesniveauxdegris)puisspectrale(tude
delavaleurdupixelpourchaquebandedelimage).Cesapprochessejustiaientpar
leurcomplexitrduiteetlafaiblersolutionspatialedesimagesalorsdisponibles.Ce
pendant,la rsolutionspatialedescapteurs necessedesafner,aupoint que lon
parlemaintenant dimages trs hautersolution spatiale (THRS).Ainsi IKONOS
(1999), Quickbird(2001) etGeoEye1(2008)offrentdeslimitesdersolutionspatiale
denviron80,60et50cmrespectivementenmodepanchromatiqueet4,2,4et1,65m
enmodemultispectral;WorldView3(2014)surpasseencorecesspcicationsavecune
limitedersolutionmaximalede31cm.
1

Voirdfinitionsensection2.3.1.1.

Laugmentationdelarsolutionspatialedesimagesdetldtectionapourprincipal
effetdaccrotrelavariabilitinternedesclassesobserves.CommelesoulignentCar
leer etal. (2005),laugmentationdelavariabilitinternediminuelasparabilitdes
classesdelespacespectral,dautantplusquelesimagesTHRSontgnralementune
faiblersolutionspectrale(maximum4bandes,exceptWorldView2et3).Laquantit
dedtailscontenusdansdetellesimagesrenddoncinefcaceslaplupartdesalgo
rithmesdeclassicationhabituellementutiliss.Cesalgorithmessontgnralement
basssurlexploitationpixelparpixeldescaractristiquesspectralesdelimage.De
plus,Carleer etal. soulignentgalementquelesmthodesdesegmentationcontex
tuelle(approcheorienteobjet)grentdifcilementleszonesdetransitionentreobjets
etmnentfrquemmentunesursegmentation.
Parailleurs,Puissantetal.(2005)ontmontrlimportancedelapriseencomptedes
caractristiques texturales lorsque la limitede rsolution spatiale est de lordre du
mtreparpixel.Cependant,lesmthodesclassiquesdanalysedetexture(etparticuli
rementlesmatricesdecooccurrence,utilisesparcesauteurs)nesontpasadaptes
ltudedimagesdontlalimitedersolutionestdelordredeladizainedecentimtres
enraisondelatropgrandehtrognitdespixels.Eneffet,Blaschke(2010)amisen
videncelimportanceduneapprocheorienteobjetdanscecontexte.Ilrappellede
plusquunetelleapprochedoitreposersurlextractiondedescripteurs,ladtectionde
frontiresainsiquesurdesmthodesclassiquesdeclassication;or,bien quilexiste
depuis longtemps de nombreux algorithmes correspondant ces diffrents axes, il
restedifciledebtirunemthode danalysetexturaleorienteobjetable(adapte
auximagesTHRS)etrobuste(invariancefacelarotation,lclairement,linclinaison,
etc.).Danscecontexte,ilestimportantdeproposerunenouvellemthodedanalyse
texturalecapabledextrairedesinformationsutilesdimagestrsdtailles,enadop
tantuneapprocheorienteobjetaulieudunesimpleanalysestatistiquedesniveaux
degrisouduneapprochedetypegomtrique.

Paralllement,lebesoindexploiterlemaximumdinformationsdisponiblesaencoura
glacrationdemthodesdefusiondimagesdeplusenplussophistiques:moyen
nage,analyseencomposantesprincipales,ltragepassehaut,dcompositionpyrami
dale,transformeenondelettesdiscrte,etc. (Thomas etal.,2008).Outrelefaitque
cesmthodesemploientexclusivementdesapprochesspectralesetnontexturales,leur
inconvnientmajeurestquellesnegrentnilincertitude,nilimprcisionportantsur
lesdonnes.Autrementdit,lecaractreprobabilistedelinformationreueestgnra
lementngligetonsupposequelesimagesfusionnercorrespondentparfaitement
laralit,cequinestpasdutoutadaptlafusiondimagesdetldtectionissues
duneclassication.
Pourpalliercetinconvnient,onttdveloppeslesmthodesdefusionbaysienne
puisdefusionoue,quineprennenttoutefoispasbienencomptelimprcisiondes
imagesanalyser.Entldtection,limprcisionestsurtoutmarquesurleszonesde
transitionouleszonesmixtes,oleproblmeestdvaluerleslimitesentreclassesou
entremlangesdeclasses,etnonseulementdestimerlaproportiondechaqueclasse;
ellenedoitpastreconfondueaveclincertitude,quidcritlaconformitdelinforma
tionlaralit(BlochetMatre,1994).Encoreaujourdhui,ceproblmeestrarement
dsigndefaonexplicitedanslalittrature,bienquelaugmentationdelarsolution
desimagesanalyseslerendedeplusenplusprsent.
LathoriedescroyancesdeDempsterShafer(DSTShafer,1976)permetunemodli
sationtrssoupleettrsrichedesclassesqueloncherchedtecter,parlebiaisde
fonctionsdemassequisontdniesnonseulementsurdessingletons(classesseules)
maisgalementsurdesensemblesplusvastes(hypothsescomposes).Ellereprsente
bienlimperfectiondesconnaissancesdontondisposepartirdesdonnessource:in
certitude,imprcisionmaisaussiignorance,ambigut,conit(BlochetMatre,1994).
Toutefois,bienquelaDSTaitdjtappliqueenfusiondimages,laspcicitdes
imagesTHRSvoqueplushautnestpaspriseencompte:limageesttudiepixel

parpixel(ougroupedepixelspargroupedepixels) partirdesescaractristiques
spectrales,sansanalyseorienteobjet.
Enrsum,lespropritsdesimagesTHRSrendentobligatoirelutilisationdunalgo
rithmedanalysetexturaleavancpoureffectueruneclassicationouunesegmenta
tion.Pourcefaire,ilestprfrabledemployeruneapprocheorienteobjetquitienne
compteducontenusmantiquedelimagepluttquedanalyseruniquementlarparti
tiondesniveauxdegrisdespixels,ousonspectredeFourier.Deplus,laclassication
pourraittrerenforceparlafusiondesimagesissuesdeplusieurscapteurslaidede
lathoriedelvidence:unetellefusion,effectuesurlesimagesprclassies,per
mettraitdexploiteretdereprsenteraumieuxlinformationassocieunezone.Lal
gorithme de classication ainsi propos est de type non dirig, tant au niveau de
ltape danalyse texturale que celle de la fusion de donnes; toutefois, moyennant
quelquesajustementsmineurs,ilestpossibledelefairefonctionnerdemaniredirige
andaugmentersesperformances.

1.3.Objectifs
1.3.1.

Objectifgnral

Lobjectifgnraldecettethseestdedvelopperunemthodedeclassicationbase
dunepart surlanalysetexturaledimages panchromatiques trshautersolution
spatiale(<1m), et dautrepart sur unefusionmultichelleexploitant lathoriede
lvidence.

1.3.2.

Objectifssecondaires

Lobjectifgnralsediviseendeuxsousobjectifs:premirement,dvelopperunalgo
rithmedanalysetexturaleorientobjetadaptauximagesdetldtectionTHRS,en
mettantlaccentsuruneclassificationcomplexepourlesimagesdansledomainedela
foresterie.

Cetalgorithmedevrarpondrecertainscritres:robustessefaceauximagesdetl
dtection(impliquantuneinvariancedecontraste,deluminosit,dchelleetderota
tion), sparabilit des classes (capacit diffrencier des textures similaires), com
plexit(duredecalcul),nombredeparamtresrglermanuellement.
Deuximement, il sagit de mettre en uvre une mthode defusiondes caractris
tiquestexturalesissuesdeplusieurschellesdunemmeimage,laidedelathorie
delvidence.Ilsagitdetenircomptedumieuxpossibledescaractristiquesdesdon
nesfusionner,quisontlesdescripteurstexturaux.

1.4.Hypothsesderecherche
Deuxhypothsesscientifiquessontlabasedeceprojetderecherche.Lapremireest
quelextractiondecaractristiquestexturaleslaidedunalgorithmederecherchede
pointsclsdetypeSIFTamliorelaclassificationdimagestrshautersolutionspa
tiale(Puissantetal.,2005).Lasecondehypothseestquelutilisationdelathoriede
lvidenceestbienadaptelafusion dimagesdetldtectionissuesdeplusieurs
capteurs (Bouakache etal.,2009;Lefebvre etal.,2010) oulafusionmultichelle,
lorsquellessontbasessurlexploitationdedescripteurstexturaux.

1.5.Prsentationduplandelathse
Lathsesarticulesurcinqchapitres.Aprslaprsenteintroductionsontexposesles
basesthoriquesncessaireslacomprhensiongnraledelathse,incluantunere
vuedestravauxexistantsenanalysedetextureetunexpossuccinctdesmthodesde
fusiondimages.
Letroisimechapitretraitedelamthodologieetdesdonnesutilises,tandisquele
chapitresuivantexposeetdiscutelesrsultatsobtenus,dabordenmatiredeclassifi
cationtexturalepuisdefusionmultichelle.

Enfin,ontrouveradanslaconclusionunrsumdesrechercheseffectuesainsique
despistesdamliorationetdesrecommandationspourdventuellestudescompl
mentaires.

2. Cadrethorique
2.1.Bilandesmthodesactuellesenclassicationtexturale
Lorsquelonobserveuneimagecomplexe,lepremierconstatquelonfaitleplussou
ventestquelimageestcomposedeplusieurscouleursetdeplusieurstextures.Bien
quelesystmevisuelhumainaitunecomprhensionintuitiveduconceptdetexture,il
estdifciledenfournirunednitionprciseetuniverselle:cestlaraisonpourla
quelledemultiplesdnitionsexistent.Nanmoins,lidegnralequelonretrouve
danschaquednitionestlarptitionspatiale(priodiqueoualatoire)dunmotifou
decaractristiqueslocalesdelimage.Ainsi,Sklansky nonce: Aregion[]hasa
constanttextureifasetoflocalstatisticsorotherlocalpropertiesofthepicturefunction
are constant, slowly varying, orapproximately periodic (Sklansky, 1978).Haralick
dnitpluttunetexturecommetantunassemblagenonncessairementrgulierde
primitives:Animagetextureisdescribedbythenumberandtypesofits(tonal)prim
itivesandthespatialorganizationorlayoutofits(tonal)primitives(Haralick,1979).
Enn,unetexturepeuttremultibandeoupanchromatique.
Denombreusesautresdnitionssontnumrespar TuceryanetJain (1998),prou
vantainsiqueleconceptdetexturedpendlafoisdelaperceptiondelobservateuret
dudomainedapplicationconcern.Touteslesimagesneprsententdailleurspasde
textureanalysable(Karuetal.,1996).Entldtection,lanalysedetextureapourbut
didentierdiffrentstypesdeterrains(champs,fortdense,milieuurbain,plandeau,
etc)quelonsupposeavoirdespropritsvisuellessufsammentdistinctes.
Lesdiversesdnitionsquelonpeutretrouvercorrespondentenralitplusieursin
terprtationsdelanotiondetexture.Cesdiffrentesinterprtationsontmenaudve
loppement dalgorithmes danalyse de texture trs varis, que lon peut classer en
quatre grandes catgories dveloppes ciaprs: les mthodes statistiques, frquen

tielles,basedemodlesetorientesobjet(ougomtriques).Lobjectifdecesm
thodesesttoujourslemme:associerunetexturesituedanslevoisinagedunpixel
unensembledemtriques,ouvecteurdescripteur,andeffectueruneclassication
quipourraventuellementmenerunesegmentation.

2.1.1.

Mthodesstatistiques

Lesmthodesstatistiquesontpourpointcommundtudierladistributiondesniveaux
degris au sein dunetexture.Historiquement, ce sont les premires mthodes em
ployescarcesontlesplussimplesimplmenter.Aujourdhuiencore,ellessontlar
gementrpanduescarellesontunbonrapportefcacit/complexit.
2.1.1.1.

Statistiquesdupremierordre

Lesmthodesstatistiquesdupremierordreconsistentsimplementtudierlespro
pritsdelhistogrammedesniveauxdegrisdunetexture.Lespropritslespluscou
rantessont:moyenne,mdiane,mode,minimum,maximum,carttype,etc.Peudin
formationsspatialessontprisesencompte,cetypedemthodenepeutdoncfonction
nerquesurdestexturestrshomognesourgulires.Enpratique,lesstatistiquesdu
premierordrenesontjamaisutilisesseulespourcaractriserunetexture,carellesne
permettentpasdereprsenterladpendancespatialedesniveauxdegrisquiestun
traitfondamentaldelanalysetexturale;cependant,ellespeuventfourniruncompl
mentdinformationutile,notammentdanslecasdesimagescouleur.
2.1.1.2.

Statistiquesdusecondordre

Contrairementauxstatistiquesdupremierordre,lesstatistiquesdusecondordreex
ploitentladpendancespatialedesniveauxdegris.Plusprcisment,lesmthodesde
cetypevisentvaluerdansquellemesurelintensitdelimagesuitunmotifprio
dique,dansunedirectiondonne.
Lamthodedecetypelaplusconnueestbasesurlanalysedesmatricesdecooccur

10

rence,proposepar Haralick etal. (1973).Unematricedecooccurrenceestlarepr


sentationdelafrquencedesdiffrentescombinaisonsdepairesdepixels,dansunedi
rectiondonned.Unexempleestfourniparlagure2.1:lamatricedecooccurrence
(b)indiquequilexistedanslimage(a)deuxpairesdevaleurs(1,0)dansladirection
d=(1,1)(reprsentesenjaune).Unematricedecooccurrencedoitaussitrenormali
sedemanirecequelasommedeseslmentsvaille1(doladivisionpar16dans
lagure2.1(b)).
Unematricedecooccurrenceadoncautantdelignesetdecolonnesquelenombrede
niveauxdegrisdelimageanalyse,cequientraneunecomplexittrsleveetsou
ventinutile.Pourcetteraison,onregroupegnralementlesniveauxdegrisenun
faible nombre de classes (souvent huit) par partition de lhistogramme. De plus, il
existeautantdematricesdecooccurrencequededirectionsanalyses;onsecontente
donchabituellementdutiliserquelquesdirectionsstandard,saufcasparticulier.
2

(a)

Pd(i,j)
i
j
i

(b)

Figure2.1:(a)Image5 5troisniveauxdegris(0,1et2).(b)Matricedecooccur
rencePdpourd = (1,1).Exempleenjaune.TirdeJainetal.,1995.
Une fois les matrices de cooccurrence calcules pour une image ou une portion
dimage,onenextraitplusieursindicateurs(ditsdeHaralick)telsqueceuxprsents
dansletableau2.1:

11

Tableau2.1:indicateursdeHaralick.
Indicateur

Formule

nergie
Entropie
Contraste
Homognit
Corrlation
Valeurabsolue
Maximum

reprsenteicilavaleursituelaligneietlacolonnejdunematricedeco
occurrence. et reprsententlesmoyennesdeslignesetdescolonnes,et et
leurscartstypes.
Ainsi,si N indicateurset D directionssontchoisis,unensembledeDN caractris
tiquesseraassocichaquetexture.Bienquepotentiellementlev,cenombrereste
faibleparrapportdautresmthodesdanalysedetexture.
Leproblmemajeurprsentparcetoutilestquilimposedefaireunchoixmanuel
desvecteursddedirectionainsiquedesindicateursdeHaralickutiliss.Deplus,ilne
fonctionneefcacementquedanslecasdestexturesrguliresetnestdoncpasadapt
auxtexturescomplexes.Cestdoncunoutilsimpleetgnrique,maislimit.

Unautreoutildanalysestatistiquedusecondordreparfoisutilisestlamatricedau
tocorrlation.Cettematrice,dniedanslquation2.1,permetdecalculerlacorrla

12

tion(i.e.lasimilaritdesniveauxdegris)entrelespixelsdetouteslespairesdepixels
existantesetmettrsbienenvidencelexistencedemotifsrguliers.Elleprsenteun
piclemplacement(0,0)puisdcrotplusoumoinsrapidementdanschaquedirection
suivantlarugositdelatexture.Danslecasdunetexturetrsrgulire,lamatrice
dautocorrlationprsentedespicsintervallesrguliersquipermettentdedtecterla
priodicitdelatexture.
(2.1)

Toutelinformationcontenuedanslimageestdoncconcentredansuneseulematrice;
toutefoisilestdifciledextrairedesdescripteurspertinentspartirdecettematrice,
cestpourquoielleestrelativementpeuemploye.Enrevanche,commeonleverra
dans la prochaine partie, elle permet de calculer la densit spectrale de puissance
duneimage,quiestunoutilimportant.
Notons enfin lexistence dapproches base sur le calcul de statistiques locales de
limage,telquelalgorithmedespectredetexture(HeetWang,1990).

2.1.2.

Mthodesfrquentielles

Lesmthodesfrquentiellesontcommepointcommundesintresserlarpartition
etlintensitdesfrquencesspatialesduneimage.Ellespartentduconstatquele
systmevisuelhumainestsensibleauxfrquencesspatiales(etparticulirementaux
hautes frquences). Contrairement aux mthodes statistiques qui considrent une
imagecommeunassemblagedepixelssanssignicationparticulire,lesmthodesfr
quentiellescherchentdoncextraireunepartiedusensdelimage.
2.1.2.1.

Filtresbasiques

Ilestpossibledutiliserdesimplesltreslinairespassehautoupassebas(ltregaus
sien,ltrelaplacien,etc.)pourcaractrisercertainestextures.Lideestdecalculer

13

certainescaractristiquesstatistiquesdelimagetudieltre.Celapermetdextraire
desindicateurssimpleslisparexemplelhomognitoulaquantitdevariations
brusquesdintensitdanslimage.

(a)

(b)

(c)

Figure2.2:(a)Filtrelaplacien(passehaut).(b)Filtregaussien(passebas).(c)Filtre
moyenneur(passebas).
Ilestgalementpossibledutiliserdesgroupesdeltresandecalculerdesmoments
statistiquesdordrequelconque(Tuceryan,1994).
UnseretEden(1990) proposentuneapprocheplussubtilebasesurlutilisationde
ltresspatiauxnonlinairespermettantdefaireressortirdescaractristiquestextu
ralespluscomplexes,etdoncdamliorerlaclassicationdecestextures.
Cesdiversessolutionsrestentcependantpeuemployescarleltrageestgnrale
menttroppeuparamtrableettroprudimentaire.
2.1.2.2.

TransformedeFourier

LatransformedeFourierestloutildanalysefrquentiellepluscourant.Ellepermet
dexprimeruneimagesouslaformedunesommedondessinusodalesdediffrentes
frquencesetdafcherlavaleurdescoefcientsdecesondessousformeduneimage,
quireprsentelespacefrquentiel.Ltudedelespacefrquentielmetalorsenvi
dencelesfrquencesdominantesdelimage(gure2.3).Ilestensuitepossibledecarac
triserlimageencalculantlaproportiondusignalquisetrouvedanschaquedirection
etchaquebandefrquentielle.
Enpratique,onutiliseladensitspectraledepuissance(DSP)pluttquelatransfor
medeFourier,pourdesraisonsmathmatiques.LaDSPfournitpratiquementles

14

mmesrenseignementsquelatransformedeFourier,maissonestimationdelespace
spectralconvientmieuxauxsignauxnisetdiscrets.LaDSPpeuttresimplementob
tenueencalculantlatransformedeFourierdiscrtedelamatricedautocorrlation.

(a)

(b)

Figure2.3:(a)Exempledetexture.(b)Densitspectraledepuissanceassocie.
2.1.2.3.

FiltresdeGabor

Contrairementlamthodeprcdentequiselimiteuneanalyseglobaledelimage,
lesltresdeGaborautorisentuneapprochelafoisspatialeetfrquentielle.Ilsagit
dunensembledeltrescomplexesdontlaformegnraleest:
(2.2)

et , , , et sontdesparamtres.

CesltresonttexploitspourlapremirefoisparBoviketal.(1990)danslecadre
de lanalyse de textures. Lutilisation de tels ltres se base sur la vision humaine
(Daugman, 1980), qui est sensible aux rptitions priodiques de motifs, dabord
grandechellepuispetitechelle.Enfaisantvarierlesparamtresdelquationg
nrale,onobtientunbancdeltresmultifrquences,multichellesetmultidirection
nels.Deplus,ilsagitdunltrespatial,cestdirequonobtientlersultatdultrage
enconvoluantlesupportdultreavecchaquepixeldelimage.

15

Figure2.4:bancdeltresdeGabor
Lanalysetexturalesedrouledelamaniresuivante:limagecaractriserestpas
seautraversdechacundesltressparment,donnantainsiautantdimagesdesor
tiequilyadeltres.Uneoprationestensuiteeffectuesurchaqueimagedesortie
(habituellement,lasommedesniveauxdegrisoulnergiedelimage)pourattribuer
unevaleurchacunedentreelles;levecteurdescripteurcomportedoncautantdl
mentsquilyadeltresdnis.Linconvnientdecesltresestquilsexigentdechoi
sirlavancelesfrquencestudier,ilestdoncdifciledemettreaupointdesltres
gnrauxfonctionnantpourtouslestypesdetextures.
2.1.2.4.

Transformeenondelettes

CommelesltresdeGabor,latransformeenondelettespermetuneanalysespatiale
etfrquentiellesimultanment,ainsiquemultichelle.Proposepar Mallat(1989),
elleprsentelavantagederduireconsidrablementletempsdecalculaudtriment
delaprcisiondelanalyse:eneffet,seulestroisdirectionspeuventtretudies(hori
zontale,verticaleetdiagonale)etleschellesdanalysesuiventuneprogressiongom
trique,audtrimentdeshautesfrquences.

2.1.3.

Mthodesbasedemodles

Cesmthodesontpourpointcommundetenterdedvelopperdesmodlesdetextures
analytiques,basssurdesjeuxdeparamtres.Cesmodlespermettentlafoisded

16

criredestexturesetdelessynthtiser;lesparamtrespermettentalorsdecaractriser
lestexturesanalyses.
2.1.3.1.

Champsalatoires

LeschampsalatoiresdeMarkovsontunoutilpopulairedemodlisationdetextures.
Proposspar CrossetJain(1983),ilsreposentsurlidequeleniveaudegrisdun
pixelsuituneloideprobabilitdpendanteduniveaudegrisdespixelsvoisins.Le
thormedeHammersleyCliffordpermetdafrmerquenmatiredimagerienum
rique,unchampdeMarkovestgalementunchampdeGibbs,cestdireunchamp
pourlequel onpeut dnirunedensitdeprobabilitglobale.La probabilitquun
pixelaituncertainniveaudegrissexprimealors:
(2.3)

oUestunefonctiondnergie(exprimeenfonction)etZuneconstantedenormalisa
tion.
Plusieurs fonctions dnergie ont t proposes dans la littrature, les plus connus
tantlesmodlesdIsing,dePottsetlemodlegaussien.
LestimationdesparamtresdunchampdeMarkovsefaitencalculantlesproprits
statistiquesduvoisinagedechaquepixel;engnral,seuleslamoyenneetlautocorr
lationsontncessaires,maisdesmodlesplusavancsexigentdescalculspluscom
plexes.
Lavantagedunetelleapprocheestquellepermetdegrerdesmodlestrsexibles
approchantauplusprslestexturesrellementobserves.Enrevanche,elleprsente
plusieursinconvnients:lechoixdumodlepeutsavrerdlicat,tousnayantpasles
mmes proprits; et lestimation des paramtres est parfois complexe, notamment
pourlesmodleslesplussophistiqus.

17

2.1.3.2.

Fractales

De nombreuses textures possdent des proprits dautosimilarit interne, on peut


donclesqualierdefractales.Pentland(1984)adailleursdmontrquelaplupartdes
surfaces naturelles peuvent tre modlises sous forme de fractales. Par cette ap
proche,onpeutdoncutiliserunconceptcldelanalysefractalepourcaractriserdes
textures:ladimensionfractale(quation2.4).Ladimensionfractalefournituneme
suredelarugositoudelacomplexitdunetexture.Danslecasduneimage,cettedi
mensionfractaleestcompriseentre2et3,unedimensionde2correspondant une
imageparfaitementrgulire.Enconsidrantquunobjetestconstitude N sousob
jetsidentiquesaupremier,maisrduitdunfacteurr,ladimensionfractaleDestd
niedelamaniresuivante:
(2.4)

Lecalculconcretdeladimensionfractaledunetextureestcomplexeetplusieursm
thodesexistentpouryparvenir (Myint,2003):isarithme,prismetriangulaire,vario
gramme,etc.
Ilatdmontrqueladimensionfractalenepeutpastretoujourssufsantepour
diffrenciercertainstypesdetexture.Uneautrecaractristiqueestdoncsouventutili
seencomplment:lalacunarit.Cettegrandeurmesurelagranularitdelatexture:
unevaleurleveindiqueunetexturetrshtrogne,avecdegrosblocsbiendiff
rencis.
Pourquelanalysesoitpertinente,ilestprfrabledavoiruneimagedetailleassez
grandeetdontlatexturenevariepastroprapidement.Nanmoins,lanalysefractale
fournitdebonsrsultats,ycomprisdansledomainedelatldtection.Parmilesal
gorithmesdanalysefractaleexistants,citonsSFTA (SegmentationbasedFractalTex
tureAnalysis)proposparCostaetal.(2012)etutilisdanslecadredecetterecherche.

18

2.1.4.

Mthodesgomtriques

Lesmthodesgomtriquessebasentsurlidequunetextureestcomposedl
mentstexturauxappelsaussitextons,texelsouprimitives.Lacaractrisationdela
texturesefaitalorssoitenextrayantlespropritsgomtriquesdutextonluimme
(taille,surface, intensit, etc.), soit en analysant la rpartition spatialedes textons
(mthodesstructurelles).Cestdecederniertypedapprochedontilestquestiondans
lasuitedecettesection.
Lesmthodesstructurellessonttrsvaries;cependant,ellesexigenttoujoursdecom
mencerparextraireleslmentstexturauxduneimage 2. VoorheesetPoggio(1988)
suggrentdoprerpardtectiondeblob(unblobestunergionduneimagedansla
quellecertainespropritsrestentrelativementuniformes).Pourcefaire,ilsproposent
deffectuerunltragedelimageanalyserparunltrelaplaciendegaussienne(LoG)
multichelle(quation2.5).
(2.5)

Figure2.5:ltreLoGdiscretdetaille5 5(=1)
Celtreapoureffetdecalculerladrivesecondedelimage,horizontalementetverti
calement.Leszonesdegradientuniformeressortentdoncavecunefaiblevaleur:elles
peuventainsitredtectesparseuillage.Onpeutnoterqueceltreest galement
utilisendtectiondecontours.
2

Ceslmentspouvantsouventcorrespondredesobjetsphysiquesdelimage,onparlesouventdapproche
orienteobjetpourdsignerlesapprochesstructurelles.Cestnotammentlecasdanscettethse,carles
pointsclsdtectscorrespondentdesobjetsoudespartiesdobjets(cf.section2.2).

19

lheureactuelle,onemploieplusfrquemmentdesltresbasssurdesdiffrencesde
gaussiennespluttquesurdeslaplaciensdegaussiennes,pourdesraisonsdefcacit
calculatoire.Lersultatestcependantsensiblementlemme.
Unefoislextractiondeslmentstexturauxeffectue,ilrestedterminerleursca
ractristiques.Denombreusesapprochesonttproposes,donccertainessontmen
tionnescidessous.
Goyaletal.(1995)proposentunemthodedvaluationduprimtreetdelacompacit
dunlmenttextural,invariantlarotationetauxerreursdequantication.Ilspro
posentgalementunhistogrammedepropritsdeslmentstexturauxinvariantaux
changementsdchelle.
EichmannetKasparis(1988)utilisentlatransformedeRadonpourextrairecertaines
caractristiquesdeslmentstexturaux:lenombredorientationsdiffrentesausein
delatexture,lesanglesdecesorientationsetlcartemententrelesorientationsde
mmeangle.Cettemthodenefonctionnebienquepourlestexturestrsrguliresde
typearticiel.
Enn,plusieursapprochesbasessurlamorphologiemathmatiqueonttproposes,
souventencomplmentdautresmthodes.CitonsparexempleWangetal.(1993)qui
utilisentunemthodercursiveandedcomposeruneimageenlmentsstructu
rants,avantdanalyserceslmentspardesmthodesstatistiques.

2.2.lmentsdevisionparordinateur
2.2.1.

Gnralitssurladtectionetdescriptiondepointscls

Envisionparordinateur,unpointcl (oupointdintrt,respectivement keypoint et


interestpoint)estunpointduneimagedontlapositionestdterminedefaonprcise
etdontlevoisinagepossdeuncontenuinformationnelriche(telquedesartesouune
texturespcique,parexemple).Pourtreexploitable,unpointcl doitdeplustre

20

autantquepossibleinvariantauxconditionsdillumination,derotationetdchellede
limage.Eneffet,unpointcl doitpermettredidentierlescaractristiquesstructu
rellesducontenudelimage,etce,quelles quesoientlesconditionsdanslesquelles
limageatacquise.
Ladtectiondepointsclsesthistoriquementissuedeladtectiondecoins(cornerde
tection),cestlaraisonpourlaquellelesdeuxtermessontencoretrslisdanslalitt
raturescientique.Lescoinssontlespointslesplussimplesdtecteretlesplusap
parentssurleplanvisuel.
Ladtectiondepointsclsestunproblmeimportant,cardenombreusesapplications
endpendent:

Reconnaissancedobjets(incluantlareconnaissancefaciale):permetdecatgo
riseret/oudidentierautomatiquementlesobjetsphotographis,lasuitedun
apprentissage;

Assemblage dimages: recollage de plusieurs images dune mme scne pour


aboutiruneimagedetypepanoramaparexemple;

Modlisationdescne3D:permetdelocaliserleslmentsdunenvironnement
3D;

Localisation robotique: localisation automatique de la position dune camra


dansunenvironnement3D;

Enmatiredanalyseparpointscls,ilfautdistinguerdeuxtapesdistinctesetcom
plmentaires:ladtectionproprementparler,quiconsisteidentierdespointsou
despixelsrpondantdescritresspciques,etladescriptiondontlebutestdasso
cierunensemblededescripteurs(souventappelvecteurdescripteur)chaquepoint
cldtect.
Denombreuxalgorithmesdedtectionproposentleurspropresvecteursdescripteurs,
maisilestsouventpossibledesebasersurlespointsclsdtectsparunalgorithme

21

dedtectionquelconquepourcalculerdesdescripteurslaidedunalgorithmecompl
tementdiffrent.Parexemple,ilestpossibledextrairedespointsclsSIFTetdeles
dcrireparlalgorithmeBRIEF,bienqueSIFTproposesapropremthodededescrip
tion.

2.2.2.

Dtectiondepointscls

Denombreusesmthodesdedtectiondepointsclsonttproposes,voluantavec
lapuissancedecalculdisponible.
Parmilesdtecteursdepointscls lesplusrcentsoulesplusutiliss,troisgrandes
catgoriespeuventtreidenties (Gauglitz etal.,2011;Schmid etal.,2000;Tuyte
laarsetMikolajczyk,2008):

Dtecteursdecoins:djvoqusplushaut,ilsagitdupremiertypededtec
teursavoirvulejour.Ilsagitengnraldtudierlespropritsstatistiques
duvoisinagedechaquepixeldelimage.Lepremierdtecteurdecoinspropos
estceluideMoravec(1980):ilconsistecalculerlasimilaritentrelevoisinage
dunpixeletlesvoisinagesdespixelsvoisinspuisretenirlespixelsdontlasi
milaritintervoisinageestfaible.
Cependant,ledtecteurdecoinayantconnuleplusgrandsuccsestceluipropo
sparHarrisetStephens(1988):bassurceluideMoravec,illuiajouteunefe
ntregaussienneetunematricedautocorrlationpourcalculerlessecondsmo
mentsduvoisinage.Ilestinvariantauxrotationsetauxvariationsafnesdelu
minosit.Ilaensuitetnouveaumodipar MikolajczyketSchmid(2001)
pourlerendreinvariantauxchangementsdchelle.
quelquesexceptionsprs,laplupartdesdtecteursdecoinsreposentdoncsur
descalculsdegradientsbidirectionnels.

Dtecteursdeblobs:unblobestunergionduneimagedanslaquellecer
taines proprits restent relativement uniformes. Les dtecteurs de blobs

22

tententdoncdidentierdansuneimagedeszonesdontlarponseunltre
donneunextremumlocaldintensit.Lesltresutilisssontsouventdesap
proximationsplusoumoinsnesdelaplaciensdegaussiennes(LoG;voirqua
tion2.5). Plusieurs dtecteurs dece typesont dtaills dans les sections sui
vantes.LalgorithmeSIFT,surlequelsebaseceprojetderecherche,appartient
cettecatgorie.

Dtecteursinvariantspartransformationafne:MikolajczyketSchmid(2002)
ontproposen2002unnouveautypededtecteuradaptauxdistorsionsafnes
degrandeampleur.Ilssontbasssurlesdtecteursdecoins,maisutilisentun
traitementpluscomplexequiaccrotletempsdecalcul.

Deuxalgorithmesdedtectiondepointsclssontprsentsplusendtaildanslessec
tionssuivantes.Cesonttousdeuxdesdtecteursbasssurlarecherchedeblobs.
2.2.2.1.

SIFT

LalgorithmeSIFT(Scale InvariantFeatureTransform)atpublipar Lowe(1999)


pourlapremirefoisen1999.BrevetparluniversitdelaColombieBritannique,son
implmentationestdcriteparlemmeauteuren2004.
Ilreposesurlestapessuivantes:
1. Dtectiondesextremaspatiauxetmultichelle:ilsagitdemployerun
ltredetypediffrencedegaussiennes(quation2.6)anderecherchertous
lespointsdintrtpotentiels.
Plusprcisment,ennotant I limageanalyse, unfacteurdchelleetkune
constante multiplicative, on obtient (les quations suivantes sont tires de
(Lowe,2004)):
(2.6)

avec

23

(2.7)

Danslquation2.6,Destuneimageltredontonvaextrairedesextremalo
cauxlaprochainetape.Lechoixdutiliserunediffrencedegaussiennevient
du fait que cette fonction est une bonne approximation du ltre LoG (qua
tion2.5)normalispar2:
(2.8)

Plus k estprochede1,pluscetteapproximationestbonne.Enpratique,Lowe
suggredutiliserlavaleur

,o s estlenombredchellesparoctave(voir

gure2.6).chaquenouvelleoctave,limageestsouschantillonnedunfac
teur2.

Figure2.6: approchemultichelledelalgorithmeSIFT.Lapartie gaucherepr


sentelimagetudie,cellededroitereprsentelimageltrediffrenteschelles(D)
(Lowe,2004)

24

Unepremirephasedelocalisationgrossiredespointsdintrtaensuitelieu.
Cettelocalisationsefaitaupixelprs,enslectionnantlesextrema(minimaet
maxima)auseindunvoisinagede26pixels(8pixelslchellecouranteet9
pixelsauxchellessuprieureetinfrieure).

2. Localisationprcisedespointscls:aprsavoirtrouvdespixelscandidats
austatutdepointdintrt,ilresteendterminerprcismentlemplacement,
lchelleetleratiodescourburesprincipales.Cettedernireinformationpermet
dliminerlespointsquinapportentpasdinformationintressante(pointssi
tuslelongdunearteparexemple).
CettetapesefaitparinterpolationdeD(x,y,)enfonctiondex,yet (reprsen
tsparunvecteur x),laidedundveloppementensriedeTaylor (T repr
senteicilatranspose):
(2.9)

Cequipermetdestimerlapositionrelledupointcl( ):
(2.10)

Lavaleurde

reprsentealorslecontrastedesniveauxdegrislemplace

mentdupointdintrt.DanslalgorithmeoriginaldeLowe,lespointsdontla
valeurde

estinfrieure0,03sontlimins,maisceseuilestrglable

danslaplupartdesimplmentationsdeSIFT.
Ilnesuftpasdliminerlespointsdontlecontrasteaveclevoisinageesttrop
faible.Ilfautgalementliminerlespointsquisesituentsurunesimplearte
(contrasteimportantdansuneseuledirection)aulieudesesituerdansuner
gionporteusedinformationtellequuncoin(contrastedansdeuxdirectionsdif

25

frentes).Ilsagitdoncdecalculerleratiodescourburesprincipalesdeniveaux
degris,cestdireleratiodelintensitdesgradientslesplusfortsdansdeux
directions.
Celasefaitencalculantleratiodesvaleurspropresdelamatricehessiennede
D,calcule :

(2.11)

Leratio r desvaleurspropresvriealorslquationsuivante,cequipermet
dviterlecalculdirectdesvaleurspropres (Tr et Det reprsententrespective
mentlatraceetledterminant):
(2.12)

On peut ainsi xer un seuil minimal r0 pour r, en comparant


.Loweconseilledutiliserlavaleur

et

,maislencoreceseuilest

paramtrable.

3. Choixdelorientation:
Lorientationdespointsdintrtapporteuneinformationsupplmentaire(en
plusdelapositionetdelchelle)concernantlestraitssaillantsdelimage.Elle
permet danalyser diverses transformations lies aux rotations possibles, et,
danslecadredelanalysedetextures,dedtecterladirectiondunetexture.
Pourunpixeldonn,lecalculdelangleetdelintensitdelorientationsefait
simplementpartirdesgradientshorizontauxetverticaux.Langledelorienta
tionestdoncladirectiondanslaquellelecontrasteestleplusfort,etsoninten

26

sitestproportionnellececontraste.
LecalculprcisdelorientationdunpointSIFTsefaitdelamaniresuivante:
lintrieurduvoisinagedecepoint,lesorientationsdeplusieurspointssontcal
cules.Unhistogrammedesanglesdecesorientationsestalorstabli,enpond
rantchaqueorientationparsonintensitetparunefentregaussienne.Leplus
haut pic de lhistogramme est alors retenu comme orientation principale du
pointcl;lespicsdontlavaleurestdaumoins80%celledupicprincipalsont
aussiconservs,demanirecrerunnouveaupointdintrtdemmeposition
maisdorientationdiffrentedupremier.
Lagure2.7 illustreladtectiondelapositiondespointscls SIFTetdeleur
orientation,partirduneimagetest.

Figure2.7:exempledepointsdintrtSIFTdtectsetdeleurorientation
4. Calculdesdescripteurs:voirsection2.2.3.1.

27

2.2.2.2.

SURF

LalgorithmeSURF (SpeededUpRobustFeatures) estpropospar Bay etal. (2006)


puisrvisen 2008.IlsinspiredeSIFTmaisprsentedesdiffrencessignicatives.
Sonbutpremierestdediminuerletempsdecalculncessaireladtectionetlades
criptiondespointscls.
AlorsqueSIFTutilisaitunltredetypeDoG(DifferenceofGaussian)approximation
dunltrelaplacienmultichellepourdtecterdespointscls,SURFutiliseuneap
proximationrapidedelamatricehessienne(voirquation2.11)delimageoriginale.
Pouracclrerladtection,lidedeprtraiterlimageenlaconvoluantparunltre
gaussien est abandonne. la place, les auteurs proposent de ltrer directement
limagepardesltressimplis(gure2.8).Lesltressontprcalculspourchaque
carttypedsir;danslexempledelagure2.8,lcarttypevaut1,2.Letempsdecal
culestalorsconsidrablementrduitdufaitdelataillelimitedesltresetdesva
leursdiscrtesquilscontiennent.

1
1
0

1
0

(a)

(b)

Figure2.8:exemplesdapproximationsdeltresgaussiens(driveseconde)utiliss
parlalgorithmeSURF.(a)Directionverticale.(b)Directiondiagonaleprincipale.Tir
de(Bayetal.,2006)
Lamatricehessienneestsimplementcalculeparconvolutionentrecesltressim
plis(aunombredequatreparchelle)etlimageoriginale.Ledterminantdecette

28

matrice, pour chaque pixel et chaque chelle, permet de dtecter les pointscls:
commepourSIFT,unerecherchedesextremalocauxdudterminantauseindunvoi
sinagede26pixels(8pixelslchellecouranteet9pixelsauxchellessuprieureet
infrieure)esteffectue.Lapositionexactedespointsclsestensuiteobtenueparin
terpolation.

Figure2.9:exempledepointsdintrtSURFdtectsetdeleurorientation
Enn,lorientationdespointsclsestobtenuedemanireassezsimilaireSIFT,ex
ceptquelleestbasesurleltrageduvoisinagedechaquepointpardesondelettes
deHaaraulieudecalculerlesgradientslocauxdelimage.

2.2.3.

Descripteursdepointscls

2.2.3.1.

SIFT

LalgorithmeSIFTattribuechaquepointclcinqcaractristiquesdebase:localisa
tion(xety),chelle,orientation(angleetintensit).Iloffregalementunemthodede
calculdunvecteurdescripteuraussiinvariantquepossibleauxconditionsdacquisi

29

tiondelimage,etcalquesurunmodledevisionbiologique.Ainsi,ledescripteurse
baseavanttoutsurlorientationdesgradientsdesniveauxdegrisdanslevoisinagedu
pointcl.
Plusprcisment,onconsidreautourdupointclunefentrede16pixelsdect.
lintrieurdecettefentre,lorientationdechaquepixel(angleetintensit)estcalcu
le.laidedecesdonnes,onconstruitainsiunhistogrammedesorientationsdans
44blocsde44pixels,olorientationdechaquepixelestpondreparunfacteur
gaussien(voirgure2.10).Danschaquehistogramme,lesorientationssontrparties
enhuitvaleurspossibles.Ledescripteurnalcomportedonc448=128valeurs.
Diversparamtrespeuventtrechangsdemaniremodierlataillenaledudes
cripteur: le nombre de valeurs de lhistogramme (8 par dfaut) et le nombre de
soushistogrammesutiliss(16pardfaut).
Pournir,levecteurdescripteurestnormalisetlesvaleurssontseuillesdemanire
tretoujoursinfrieuresougales0,2 (afindediminuerlasensibilitauxvaria
tionsdeluminosit).

Figure2.10:illustrationdelamthodedecalculdesdescripteursSIFT(Lowe,2004)
2.2.3.2.

SURF

CommepourSIFT,lesdescripteursdespointsclssontcalculspartirdesorienta
tionsdegradientdansdessousrgionsdesvoisinagesdespoints.Lesorientationssont
cependantcalculespartirdelarponseduvoisinage unesriedondelettesde

30

Haar,cequinepermetpasunedescriptionaussiprcisedelangledorientation.Pour
cetteraison,latailledudescripteurdeSURFestplusfaiblequecelledeSIFT:64au
lieude128,aveclesparamtrespardfaut.Toutefois,uneversiontenduedudes
cripteurSURF128lmentsexiste;elleoffrelesmeilleuresperformancesdedescrip
tion,audtrimentducotcalculatoire.

2.2.4.

Pointsclsetclassificationdimages

Plusieursmthodesdeclassificationdimagebasesurladtectiondepointsclsoude
zonesdintrtontdjtproposes.Cesapprochesreposentgnralementsurlana
lysedesdescripteursdespointsclsafindeconstruireunesignaturedelimage,par
lebiaisdunemthodedepartitionnement(Lazebniketal.,2005).Enparticulier,sont
apparuesrcemmentlesmthodestrspopulairesdetypebagofkeypoints,adap
tesdelapprochebagofwords,danslesquellesonviseconstruireundictionnaire
depointsclspermettantdidentierdiffrentstypesdimages (Csurka etal.,2004;
Zhangetal.,2007).
SignalonsparailleurslexistencedemthodesbasesurlaproductiondeSIFTdense
(DalaletTriggs,2005),danslesquellesoncalculedesdescripteursSIFTsurchaque
pointdunegrilleprtablie(etdoncsanspasserparlaphasededtectionSIFT).Ces
mthodes savrent particulirement efficaces en matire de classification dimages
(Boschetal.,2008;Liuetal.,2008).
Lesapprochesprcdentesonttoutefoispourinconvnientdenepasexploiterlesrela
tionsspatialesentrepointscls,dontlanalyseconstitueloriginalitdeKPC.Lepro
chainparagraphedtaillelamthodedecalculdesstatistiquesspatialesdecespoints
cls.

2.2.5.

Statistiquesspatialesponctuelles

Lastatistiquespatialeconsisteenltudedesphnomnesayantlieuauseindunen

31

semblespatial,quilsoit2Dou3D.Danslecadredecettethse,nousnousintresse
ronsuniquementauxstatistiquesspatialesponctuelles,cestdireltudedelarpar
titiondepointslintrieurdunespacelimit(processusponctuel).
Danslerestedecettesection,onnoteIlimageconcerne,n(I)lenombredepointsin
clusdanscetteimage,Slasurfacedelimage.
2.2.5.1.

Statistiquesdupremierordre

Laseulestatistiquedupremierordreapplicableunprocessusponctuel(PP)estson
intensit.LintensitdunPP,note ,reprsentelenombremoyendepointslocale
ment (GaetanetGuyon,2008).SilePPeststationnaire,cestdiresilarpartition
despointsestuniforme,alorspeuttreestimpar:
.

(2.13)

Danslecasdunerpartitiondespointsnonuniforme,lemmecalculpeuttreeffec
tusurdessouspartiesdelimagedebase.
Cettestatistique,bienquutile,estlimitecarellenanalysepasasseznementlar
partitiondespointsauseinduneimage.Ainsi,ellenepermetpasdefaireladiffrence
entreunerpartitiondepointspurementalatoireetunerpartitionrgulire.
2.2.5.2.

Statistiquesdusecondordre:fonctionKdeRipley

Ltudestatistiqueausecondordredunerpartitiondepointsconsisteestimerla
distributiondeladistanceinterpoints.Ilsagitdunbonindicateurdelarpartition
despoints:despointsuniformmentdistribusontdesdistancesinterpointstrspeu
varies,alorsquedespointsrpartisdemanireplusalatoireontdesdistancesinter
pointsprenantdenombreusesvaleursdiffrentes.

32

(a)

(b)

(c)

Figure2.11:exemplesdeprocessusponctuels.(a)ProcessusdePoissonhomogne.(b)
ProcessusdePoissonsuivantungradientcirculaire.(c)ProcessusdeStrauss.
LafonctionKdeRipley(1976),introduiteparcedernieren1976pourvaluerlarpar
titiondesarbresauseindunefort,offreunbonmoyendemesurerladistributionde
ladistanceinterpoints.Elleestdnieparlquationsuivante,modieparIronset
Petersen(1981)pourdesraisonspratiques:
(2.14)

Ici, r reprsente la distance interpoints dont on veut estimer la frquence, N le


nombretotaldepointsetSlasurfacedelimage.xetysontdespoints,
tiondepoidspourgrerleseffetsdebord,et

unefonc

unefonctionvalant1sila

distanceentrexetyestinfrieurer.
Lagure2.12fournituneillustrationdelamaniredontlafonctionKpermetdeca
ractriserunedistributiondepoints.

33

Figure2.12:illustrationducomportementdelafonctionKdeRipleyenfonctiondela
distributiondespoints(tirdeRipley,1976)
LafonctionKpeuttreutilisepourreprsenterdesgrandeursconcrtes.Enrutili
santlintensitdfiniedanslquation2.13,lesdeuxgrandeurssuivantespeuvent
treutilises:
reprsentelenombremoyendepointsdansundisquederayonr;

reprsentelenombremoyendepairesdepoints(distincts)dontladis

tanceestinfrieurer,parunitdesurface.

2.3.Fusiondedonnes
2.3.1.

Contexteetdnitions

Lafusiondedonnes,oufusiondinformations,constitueuncadreformeldanslequel
sexprimentlesmoyensettechniquespermettantlalliancedesdonnesdesourcesdi
verses.Elleviselobtentiondinformationdeplusgrandequalit;ladnitionexacte
deplusgrandequalitdpendradelapplication(Wald,1999).Cettednitiong
nrale,miseaupointparlegroupedetravaileuropenAssociationofRemoteSensing

34

Laboratories,visesynthtiserlesnombreusesdnitionsnoncesauldesannes:
eneffet,bienqueleconceptdefusiondinformationsoitaiscomprendre,ilreste
difciledennoncerunednitiongnrique.
BlochetMatre (1994) fournissentunednitionplusoprationnellesurleplan
technique,spciqueautraitementdimages:
La fusion dimages est lutilisation conjointe dimages htrognes pour laide la
prisededcision.
Lanotiondeprisededcisionesteneffetcapitaledansleprocessusdefusion.Cest
prcismentdanslebutdeprendreunedcisionqualieutoutefusiondedonnes;la
fusionellemmeestdcriteparletermegnriqueutilisationconjointe.
Pourlammeraisonquirendcomplexeltablissementdunednitiondelafusionde
donnes,ilestdifciledemodliserleprocessusdefusionlaidedtapessimplesou
dundiagrammegnral.UnmodlefrquemmentutilisestceluiduJDL(JointDi
rectorsofLaboratories),conudanslebutdtabliruncadredetravailcommunentre
thoriciens,ingnieursetautresintervenantsdessystmesdefusion (HalletLlinas,
1997).
Cemodletrsgnralnesttoutefoispasassezconcretpourtreutilisable,dautant
plusquelafusiondimagesexploitedesoutilsspciques.
Onpeutdoncimaginerlemodlesuivantqui,toutenrestantgnrique,permetdere
prsenterlesprincipalestapesindispensablestoutsystmedefusiondimages:

35

Figure2.13:schmagnraldunsystmedefusiondimages
2.3.1.1.

Imperfectionsdelinformation

Laraisonpourlaquellelafusiondinformationsestfrquemmentemployeestsimple:
ilsagitdepallierlesmultiplesimperfectionsauxquelleslinformationpeut tresu
jette.Encombinantplusieurssourcesdinformationacquisesdansdesconditionsdiff
rentes,onesprepouvoirrduirecesimperfectionsgrcedesrglesdefusionbien
choisies.
Deuxtypesdimperfectionssontunanimementreconnues:ilsagitdelimprcisionet
de lincertitude. Bloch (2003) en ajoute dautres: lincompltude, lambigut et le
conit.

Imprcisionetincertitude: cesdeuxnotionssonttroitementliesetsont
souvent confondues, bien qutant fondamentalement diffrentes. (Bloch et
Matre,1994)rsumentainsicestermes:limprcision[]portesurundfaut
quantitatifdeconnaissance,[]tandisquelincertitudeestrelative lavrit
duneinformation.Unergionduneimagepeutainsitreimprcise(mlange
dedeuxclassesdifcilesdistinguer)sanstreincertaine(absencedebruitsur
limage); inversement, lincertitude peut tre trs leve (prsence de brume)
maistrsprcise(nombrerduitdeclassesaismentdiffrenciablesenlabsence
debruit). Bien entendu, ces deux imperfections peuvent se combiner,comme

36

cestsouventlecas.
Dans la mesure o ces deux aspects sont souvent rencontrs en traitement
dimage,ilestimportantpourunalgorithmedefusiondepouvoirlestraiterex
plicitement.

Incompltude:lincompltudeestlielabsencetotaleoupartielledinforma
tion.Chaquesourceoffregnralementuneinformationincomplteennefour
nissantquecertainescaractristiquesduphnomneobserv.Ainsi,uncapteur
optiqueembarqusurunsatellitenedonneaccsqudesbandesspectralesli
mites.

Ambigut: lambigutdsignelapossibilitquoffreunesourcedemener
deux interprtations diffrentes. Elle peut tre issue dautres imperfections,
tellesquelincompltudeoulimprcision,oubientreintrinsquelasource
dinformation.Cestlecasdedeuxclassesquiauraientlammerponsespec
trale,parexemple.

Conit:onditquilyaconitlorsquedeuxsourcesdinformationobservantle
mmephnomnemnentdeuxinterprtationscontradictoires.Loriginedu
conit est souvent complexe dterminer: il peut aussi bien dcouler dune
sourceimprciseouincertainequedunemthodedecombinaisondessources
nonadapte.Deplus,unconitlevpeutavoirplusieurssignicationssuivant
lecontextedeltude;ilpeutparfoisconstitueruneinformationutilesurlesys
tmetudi.Laprsencedeconitdoitdonctoujourstreanalyseavecsoin.

Blochajoutedautrescaractristiquesdessources,cellescipositives:laredondanceet
lacomplmentarit.

Redondance:onparlederedondancelorsquelammeinformationestfournie
parplusieurssources.Lorsquelessourcessontimprcises,laredondanceestex

37

ploiteandaugmenterlaqualitdelafusion.

Complmentarit: la complmentarit est la proprit des sources qui


donnent des informations sur des caractristiques diffrentes du phnomne
tudi.Entldtection,lesimagesoptiquesetradarconstituentunexemple
videntdecomplmentarit.Commelaredondance,elleestlepluspossibleex
ploiteparlesmthodesdecombinaisonpouraccrotrelaqualitdursultat.

2.3.1.2.

Niveauxdefusion

Onconsidreclassiquementquilexistetroisniveauxdefusionpossiblesenmatirede
fusiondimages(PohletVanGenderen,1998):niveaupixel,niveauobjetetniveaud
cision.

Niveaupixel:ilsagitduplusbasniveaudefusionpossible,quiestgalement
le plus utilis. Travailler au niveau pixel revient fusionner des caractris
tiquesphysiquesdirectementmesurables.Lerecalagegomtriqueetventuel
lementlerchantillonnagedesimagesfusionnesjouealorsunrleessentiel.

Niveauobjet:lafusionauniveauobjetexigedepralablementsegmenterles
images tudies. Les objets extraits peuvent alors tre fusionns partir de
leurs caractristiques (supercie, taille, intensit, etc.). La difcult consiste
alorssegmenterconvenablementlesimages,demanireextrairedesobjets
quiontunsenssurleplanphysique.

Niveaudcision:lafusionauniveaudcisionconsistecalculersparment
lesdcisionsauniveaudechaqueimage,puisfusionnerlensembledesdcisions
partirdelaabilitdechaquesource.

Lagure2.14cidessousrsumelapprochechoisiepourchacundestroisniveaux.Elle
permetdeconstaterqueplusleniveaudefusionestbas,pluslaquantitdinforma
tionsfusionnerestleve,maismoinsleprtraitementdessourcesestcomplexe.

38

Figure2.14:reprsentationdesniveauxdefusion(PohletVanGenderen,1998)
Danslensembledecettetude,onsintresseraseulementlafusionauniveaupixel
enraisondesaplusgrandesimplicit.Cestdonclapprochequiestchoisiedansles
sectionssuivantes.
LimagevritseranoteI,dontlespixelsontpourvaleur
teX,etlessourcesmultiplesXi,
desCclassesrecherchesdansXest

2.3.2.

;limageobserveestno

,Stantlenombredesources.Lensemble
.

Modlesprobabilistes

Lespremiersmodlesdefusiondimages,etquirestentaujourdhuiencorelesplusuti
liss, sont les modles probabilistes. Ces modles reposent sur une approche bay
sienneduproblme,cestdirequelaprobabilitquunpixelappartienneuneclasse
estexprimesousformedeprobabilitconditionnelle,grcelargledeBayes.Les
imperfectionsdelinformationsontdoncmodlisessouslaformededensitsdeproba
bilit,cequiconstitueleprincipaldfautdecetteapproche.
Eneffet,ilnyapasdemoyennatureldanscetteapprochedemodliserlabsence
dinformation.Deplus,lincertitudeetlimprcisionsontintrinsquementconfondues.
Considronsparexemplelecasdeguresuivant:silonobtientpourunpixelunepro
babilitde50%pourlaclasseeauetde50%pourlaclassevgtation,celane

39

permetpasdedcidersilazonereprsenteparlepixelestenpartiecouvertedeauet
enpartiedevgtation(imprcision),ousicettezoneestentirementcouvertedelune
desdeuxclassessansquelonpuissedciderlaquelle(incertitude),oubienencoresil
sagitdunesituationintermdiaire.Devantunetelleambigut,ilestdoncdifcilede
tirerdesconclusionssurlersultatdelafusionobtenu.

2.3.3.

Modlespossibilistes

Ondsigneparle termepossibilistelesapproches bases sur la thoriedesen


semblesous,dveloppeparZadeh(1965).Sansentrerdanslesdtailsdecettetho
rie,onpeutlarsumerdelamaniresuivante:paroppositionlathorieensembliste
classique,unlmentxdununiversderfrenceUalapossibilitdapparteniren
partieun sousensemblequelconque X.Lamesuredappartenance X estvalue
parunefonctionindicatriceXdontlavaleurestcompriseentre0et1.
Ainsi,

signiequexappartientcompltementX,et

signiequex

nappartientpasdutoutX.LesvaleursintermdiairesdeXtraduisentuneapparte
nancepartiellelensembleX.OnappellealorsensembleouladonnedeXetX.
Ilestimmdiatementvisiblequeleconceptdensembleouestparticulirementadap
tlareprsentationdelimprcision:eneffet,ilsagitdunoutilidalpourmodliser
desidesouobjetssansdnitionquantitativeprcise.
partirdesfonctionsindicatrices,ilestpossibledednirdesoprateursdecompa
raison,dunionetdintersectionentreensemblesous,demaniresimilaireauxen
semblesclassiques.Onpeutgalementdnirdesoprateursdecombinaison,utiliss
pourfusionnerdesensemblesousissusdesourcesdiffrentes.
Cesnotionsdethoriedesensemblesouspermettentdaborderlathoriedespossibi
lits.CettedernireatintroduiteparZadehen1978etdveloppeparDuboiset
Pradedanslesannes1980.Ellefaitappel deuxmesuresfondamentalesquiper
mettentdvaluerleniveaudecertitudeduneinformation:lapossibilitetlancessi

40

t,notsrespectivementet.
estdnipartirdescontraintessuivantes:

(2.15)

IlsuftdoncdednirpourlessingletonsdeUensebasantsurdesensemblesous
(tape de modlisation oue, qui peut savrer dlicate) pour munir lensemble des
sousensemblesdeUdunemesuredepossibilit.
Lancessitestainsidnie:
(2.16)

Onpeutvrierpartirdecesformulesque(X)esttoujourssuprieurougal(X).
Pourmettreenrelationlesvocabulairesprobabilisteetpossibiliste,onpeutdoncdire
quelapossibilit(resp.ncessit)dunensembledhypothsesestunindicateurdela
probabilitmaximale(resp.minimale)quecetensemblesoitvrai.Lcartentrelapos
sibilitetlancessitestlilincertituderelativelobservation:pluscetcartest
grand,pluslincertitudeestleve.
Lapossibilitetlancessitontpourobjectifnaldesimplierltapededcisionen
quantiantlincertitudelieauxobservations.Eneffet,cettedcisionpeuttresimple
menteffectuepartirdelhypothseoffrantlemaximumdepossibilit,oulemaxi
mumdencessit,avecousansseuildincertitude.

2.3.4.

Modlesvidentiels:thoriedeDempsterShafer

LathoriedeDempsterShafer(DST) (Dempster,1968;Shafer,1976) peuttrevue


commeunegnralisationdumodleprobabilistepermettantunereprsentationbien
plusnedelinformationetdesesimperfections.Eneffet,laDSTmanipuledesen
semblesdhypothses (correspondantauxclasses,dansuncontextedeclassification)

41

aulieudesimplessingletons;ainsi,encasdincertitudetotaleentredeuxhypothses,
ilsuftdaccorderunpoidslensemblecomposdesdeuxhypothsesetnonauxhypo
thsessimples.
Danslasuitedecechapitre,onnotera

lensembledeshypothses(ou

classes)enfaveurdesquellesunedcisionpeuttreprise.Laconanceenlavracit
dunsousensembledhypothsesestmodliseparunefonctiondemasse m dontles
valeurssontcomprisesentre0et1.
Le traitement videntiel consiste en trois grandes tapes (gure2.15) qui sont d
taillesdanslessectionssuivantes:
1. Initialisationdesfonctionsdemasse: pourchaquesource,ilsagitdattri
buerunemassechaquehypothseouensembledhypothses.Cestltapela
plusdlicate,carcestcemomentquelonmodliselesconnaissancesquenous
apportentlessources.Cettetapepeutdifcilementtrecompltementautoma
tisedanslamesureolesspcicitsdechaquesourcedinformationdoivent
treprisesencompte.
2. Combinaison: cette tape consiste rassembler les fonctions de masse de
chaquesourcepouraboutirununiquejeudefonctionsdemasse.Ilsagitde
loprationdefusionproprementdite.Lacombinaisonlaplussouventretenue
estdetypeconjonctive.
3. Dcision: ensebasantsurlesfonctionsdemasseagrges,ilfauteffectuer
unedcisionsurlhypothseoulesousensembledhypothsesretenu.Cestl
quentrentenjeudesfonctionsparticulires,la plausibilit etla crdibilit.La
premire mesure la conance maximale que lon peut avoir sur un sousen
sembledhypothses,lasecondeenmesurelaconanceminimale.Ladiffrence
entrelesdeuxmesurelignorancequelonasurcesousensemble.Ladcisionse
faitfrquemmentpartirdumaximumdeplausibilitoudecrdibilit,mais

42

dautrescritresexistent.

Figure2.15:tapesdutraitementvidentiel,prcdesdelidenticationdessources
2.3.4.1.

Initialisation

Commeilatmentionndanslasectionprcdente,laDSTsebasesurlutilisation
defonctionsdemasses.Unefonctiondemassemestunefonctionde

(lensembledes

sousensemblesde)dans[0,1].Elleattribuedoncunpoidschaquesousensemble
dhypothses,ycomprislessingletonsquireprsententleshypothsessimples.mv
rielescritressuivants:

(2.17)

Lepremiercritrecorrespondunehypothsedemondeclos,cestdirequetoutes
leshypothsespossiblessontrpertoriesdans .Ilsagitdunehypothsefortequi
doit tre prise en compte avec attention. En effet, cela signie que sil existe dans
limageuneclassenonrpertoriedanslalistedeshypothsesprvuesetsufsam
mentdistinctedesautresclasses,lespixelsdelaclassesupplmentaireserontmalat
tribusdanschacunedessourcesetlacombinaisonnauraplusbeaucoupdesens.
Les deuxime et troisime critres ont simplement un but de normalisation des

43

masses.
Lechoixdesvaleursattribuerlafonctiondemasserevtuneimportanceconsid
rable.Ilestbiensrpossibledesecontenterdattribuerdesvaleursuniquementaux
hypothsessimples(m({1}),m({2}),),commecelasefaitdanslecadreprobabiliste.
Onparlealorsdefonctionsdemassesbaysiennes.Celaneprsentetoutefoispasun
grandintrtdanslamesureocetteapprochenapportepasdinformationssuppl
mentairesurlincertitudedesinformations.Lenjeuestdoncdepouvoirattribuerune
massedeshypothsescomposes;pourcela,plusieursmthodesexistent.

Mthodedaffaiblissement
Lamthodedaffaiblissement (Shafer,1976) sebasesurlapprocheprobabiliste:on
supposedoncquelesmassesdeshypothsessimplesonttpralablementcalcules
par la mthode baysienne. Il sagit ensuite de rduire les masses des hypothses
simplesetdattribuerlamasserestante ,touteslesautressousensemblestant
omis:
(2.18)

esticiuncoefcientdaffaiblissement(quiseraappelparlasuitecoefficientdefia
bilit)comprisentre0et1:plusestfaible,pluslesmassesdeshypothsessimples
sontrduitesenfaveurdeluniversdeshypothses.Celapermetderendrecomptede
laabilitdunesource,carunemasseimportantesursignieunniveaudignorance
levquantlensembledeshypothses.
Cettemthode,bienquesimplemettreenuvre,estbiensouventtroplimitecar
ellenattribueaucunpoidsauxhypothsescomposes(endehorsde).Enrevanche,
ellepeuttreutiliseenconjonctionavecdautresmthodessiunesourceestsuppose
peuableetquelonsouhaiteaffaiblirtouslessousensemblesdhypothses.

44

Autresmodlesdebaseprobabiliste
Appriou (1993) a propos dautres modles dinitialisation de masses bass sur la
connaissance explicite des probabilits conditionnelles

(quations2.19

et2.20).
Danslepremiermodle(quation2.19),lamassedeshypothsessimplesdevientalors
unefonctioncroissantedeleursprobabilitsconditionnellesrespectives.Lavantagede
cemodleestquilpermetgalementdestimerlesfonctionsdemassesdesensembles
,cequirevientdiminuerlacroyanceeni.

(2.19)

Commedanslemodleprcdent, iestuncoefcientdaffaiblissementquelonpeut
dnirclasseparclasse,cequipermetdafnerlaabilitdessources.Restuncoef
cientdepondrationdesprobabilitsconditionnelles.

Le second modle (quation2.20) attribue une masse nulle toutes les hypothses
simples.Ilestutiliserdanslecasolaprobabilitconditionnelle

apporte

plusdinformationsurcequinappartientpaslaclassek.

(2.20)

Ilsouffredummeinconvnientqueleprcdent,savoirlaconnaissanceexplicite
desprobabilitsconditionnelles.

45

2.3.4.2.

Combinaison

Lorsdeltapedecombinaison,lesjeuxdemassedechaquesourcesontrassembls
pouraboutir uneuniquefonctiondemasseglobale.Ilexistediffrentesrglesde
combinaison,laplusutilisetantlacombinaisonconjonctive,aussiappelerglede
Dempsterourgleorthogonale(Shafer,1976).Danstouslescas,lagestionduconit
(massedelabsencedhypothse)joueunrleimportantdanslaqualitdursultat
nal.

CombinaisonconjonctivedeDempster
Soient m1etm2deuxfonctionsdemasses(dniessurlemmeuniversdhypothses
),etAunensembledhypothsesde.Loprateurdecombinaisonconjonctiveestno
t etilestdniparlquationsuivante:
(2.21)

Cetoprateurestassociatifetcommutatif:ilestdoncpossibledefusionnerplusde
deuxsourcesdinformationsansquelordredessourcesaitdimportance.
Parlasuite,onnoteramFlafonctiondemassersultantdelacombinaisondesfonc
tionsdemassesources:

.LargledeDempsterconduitsouventattri

buerunemasselensemblevide,cestdire

.Cettemasseparticulireest

appeleconit;elleprovientdundsaccordentrelessourcesdinformation.Cedsac
cordpeutvenirdelabsencedeabilitdecertainesdessources,oudufaitqueles
sourcesfournissentdesinformationsdenaturediffrente(BlochetMatre,1994).Dans
le premier cas, on rsout gnralement le dsaccord en redistribuant la masse du
conitsurleshypothsessimplesoucomposes,telquedtailldansleprochainpara
graphe.Danslesecondcas,lafusionnasimplementpasdesens.
Lorsquelessourcesdinformationaccordentenvironlesmmesmassesauxdiffrentes

46

hypothses, la rgle de Dempster conduit au renforcement des hypothses dont la


masseestleveetlaffaiblissementdesautres.Lexpressioncombinaisonconjonc
tivevientdufaitqueleproduitdesmassesdedeuxsousensemblesB1etB2deest
attribu

(parexemple,leproduitdesmassesde{1,2}et{1,3}estattribu

{1}).Lesmassesontdonctendanceseconcentrersurleshypothsessimpleset
surlensemblevide:pourcetteraison,cetypedecombinaisonfaitsouventapparatre
unconitentresources.Laspectconjonctifdecettergleapourautreconsquencede
rduirelintervalleentrecrdibilitetplausibilit,cequitraduituneconanceplus
levedansleshypothsesdemasseleve.

Combinaisondisjonctive
Lacombinaisondisjonctive (DuboisetPrade,1986,1992) estuneautremthodede
combinaisondontlexpressionestdonneparlquation2.22.linversedelacombi
naison conjonctive, cette mthode attribue le produit des masses de deux sousen
sembles B1 et B2

,cequiapoureffetderpartirlesmassesversleshypo

thsescomposeset .Aucunconitnepeutdoncapparatre,exceptsilensemble
videpossdedjunpoidsparmiplusieurssources.
(2.22)

Cetypedecombinaisonestmoinsfocalisdanslamesureo,encasdambigutentre
B1etB2,lamassersultanteestcone

,cequirevientdirequelavritse

situedanslunedecesdeuxhypothsesParopposition,lacombinaisonconjonctiveau
raitattribulamassersultante,cequisigniequelavritnestnidansB1,ni
dans B2.Lacombinaisondisjonctiveconstituedoncunemaniredenepastrancher
entredeuxhypothsescontradictoire(pourcetteraison,elleestparfoisappelergle
decompromis).Commececomportementnestengnralpassouhaitcaroncherche

47

faireensortequelersultatdelafusionsoitaussiablequepossible,cettemthode
estplusrarementutilise.

Combinaisonrobuste
MiseaupointparFloreaetal.(2009),lacombinaisonrobusteconsistecalculerune
moyenneentrelesrsultatsdescombinaisonsconjonctiveetdisjonctive,pondreen
fonctionduconit.Partantduconstatquelacombinaisonconjonctiveanaturellement
tendanceproduiredesrsultatsplusprcis(carlesmassessontconcentressurles
hypothsessimples),etquaucontrairelacombinaisondisjonctivefournitdesrsultats
plusvaguesprivilgiantlesensemblesdhypothses,lideestdaccorderunpoidsdau
tantimportantlapremirequeleconitestfaible.Ainsi,lorsqueleconitestnul,la
combinaisonrobusteestquivalentelacombinaisonconjonctive.linverse,lorsque
leconitvaut1,ellerevienteffectuerunecombinaisondisjonctive.Cetteapproche
permetdoncdetrancherautomatiquemententredeuxtypesdecombinaisonscouram
mentutilises.

Autrescombinaisons
Plusieurs autres mthodes de combinaison existent, souvent drives de lapproche
conjonctive. SentzetFerson (2002) enonttabliunelisteassezcomplte;citonsno
tammentlamthodedemoyennagequiconsistecalculerunemoyennepondredes
massesdechaquesousensembledhypothsespourobtenirlersultatdelafusion.
Certainesmthodesdefusionnesebasentpassurlesfonctionsdemasses,maisplutt
surlesfonctionsdecroyanceoudeplausibilitprsentesdanslasection2.3.4.3(par
exemple:Shafer,1976).Lesdeuxapprochessontsimilairesetreviennentgnrale
mentaumme,ladiffrencesesituantsurtoutdanslamaniredaborderleproblme.

48

Conit
Leconit,souventnotk,estlamassedelensemblevide:
(2.23)
Lamanirelaplussimpledesupprimerleconitestdeffectuerloprationsuivante,
nommenormalisation:
(2.24)
Celarevientredistribuerlamassedelensemblevidesurtouslesautressousen
semblesde.Cettemthodeestsouventutiliseenraisondesasimplicit,maiselle
doittreemployeavecprcaution.Eneffet,sileconitestlev,lanormalisationa
poureffetdaccrotrenormmentlesmassesdesautreshypothses,cequinapas
beaucoupdesens.Demaniregnrale,ilconvientdoncdevrierlavaleurduconit
lorsdechaquefusion:sicedernieresttroplev,lidalestdenrechercherlescauses
aucasparcasetdemodierlamodlisationdesfonctionsdemassedessources.
Dautresmthodesdesuppressionduconitexistent,parmilesquelles:

affectertoutelamassede(Yager,1987);

affecterlamassedetouslessousensemblesdhypothses,proportionnelle
mentleursmassesrespectives(Inagaki,1991);

affecterlamassedetouslessousensemblesdhypothses,suivantdiverses
approchesdepondration(Lefevreetal.,2002)

affecterleconitissudedeuxhypothsescontradictoireslensembleconstitu
deluniondesdeuxhypothses(DuboisetPrade,1988),cequipermetderepr
senterlignorancequantcesdeuxhypothses.

49

2.3.4.3.

Dcision

Ltapededcisionconsisteslectionnerunehypothse(simpleoucompose)parmi
lensembledeshypothsesdedpart,ensebasantsurlafonctiondemassetablielors
deltapedecombinaison.Ladcisionfaitgnralementintervenirdeuxfonctionsvo
quesplushaut:lacrdibilitetlaplausibilit.
Lacrdibilitmesurelaconanceminimalequelonpeutavoirsurunensembledhy
pothsesinclusdans.Elleestdnieparlquationsuivante:
(2.25)

LacrdibilitdunensembledhypothsesAestdonclasommedesmassesdetousles
sousensembles de A. Si lon travaille dans un cadre de monde ferm (cestdire
),alors

Laplausibilitmesureaucontrairelaconancemaximalequelonasurunensemble
dhypothses(quation2.26).Ilsagitdelasommedesmassesdessousensemblesqui
ontaumoinsunehypothsecommuneavecA.
(2.26)

Laplausibilitesttoujourssuprieurelacrdibilit:
(2.27)

Ilestintressantdenoterquelaplausibilitetlacrdibilitsontgales(etgalesla
fonctiondemasse)lorsqueseulesleshypothsessimplespossdentunpoids.Celare
vientseplacerdansuncadreprobabilistesimplequinetirepaspartidespossibilits
offertesparlaDST.
Lintervalle

estunebonnemesuredelaquantitdinformationquelon

possdesurlhypothseA:plusilestlarge,pluslignorancesurAestleve.

50

Le calcul de la plausibilit et de la crdibilit fournit des mesures permettant de


prendreunedcisionenfaveurdunehypothse(simpleoucompose).Plusieursrgles
dedcisionexistent(Bloch,2003)parmilesquelles:

Maximumdeplausibilit:ilsagitdeslectionnerlhypothsedontlaplausi
bilitestlaplusleve.Ilfautpralablementdciderquelnombredhypothses
on souhaite retenir, les choix les plus courants tant une seule (hypothse
simple)oudeux(hypothsecomposededeuxhypothsessimples).Cechoixest
importantcarunehypothsecomposeatoujoursuneplausibilitplusleve
quunehypothsesimple.

Maximumdecrdibilit:demaniresimilairelargleprcdente,ilsagit
deretenirlhypothsedontlacrdibilitestlaplusleve.

Maximumdecrdibilitsansrisquederreur:onchoisitlhypothsedont
lacrdibilitestsuprieureougaleauxplausibilitsdetouteslesautreshypo
thses.Enpratique,cettergleestbiensouventtropstricteetconduitrarement
unrsultat.

Maximumdecrdibilitavecrejet(LeHgaratMascleetal.,1997):onre
tientlhypothsedontlacrdibilitestlaplusleveetdontlacrdibilitestsu
prieureougalelacrdibilitdelhypothsecomplmentaire (parexemple,
danslecasdunehypothsesimple i,lhypothsecomplmentaireest \{i},
cestdirelensembleconstitudetouteslesautreshypothses).

Maximumdeprobabilitpignistique (Smets,1989):pourtoutehypothse
simpleA,laprobabilitpignistiqueestdniedelamaniresuivante:
(2.28)

51

Cetterglepermetdesereplacerdansuncontexteprobabiliste,cequipeuttre
utilelorsquelonsouhaitecombinerlersultatdelafusionavecdautresinfor
mationsprobabilistes.
2.3.4.4.

ExtensionslathoriedeDempsterShafer

Malgrsesnombreuxpointsforts,lathoriedeDempsterShaferpossdequelquesli
mitationsqueplusieursapprochestententdedpasser.Parexemple,GordonetShort
liffe(1985)ontproposdutiliserunmodlehirarchiquepourreprsenterlensemble
deshypothses, enpartantdelobservationquetouteslescombinaisonsdhypothses
nesontpasforcmentpossiblesdanscertainscontextes.Cechangementdumodede
reprsentationdeshypothsesimpliquedesmodificationsdesrglesdecombinaison.
Parailleurs,Yen(1986)faitremarquerquelaDSTnepermetpardexprimerdema
nireformellelesrelationsentresourcesdinformationethypothses;pourpallierce
problme, il proposedintgrer entre ces derniers des relations de probabilits par
tielles.
MaislextensiondelaDSTlaplusutiliseestprobablementlathoriedeDezertSma
randache(DSmT),formaliseparDezertetSmarandache(2002).Cettethorievise
liminer troisgrandspointsfaiblesdelathoriedeDempsterShafer:lacontrainte
dhypothsesexclusives(leshypothsessontsupposestotalementincompatiblesentre
elles),leprincipedutiersexclu(siunehypothsefaitpartieducadredediscernement,
soncomplmentaireausensensemblisteenfaitgalementpartie),etsurtoutlappari
tiondersultatsincohrentsencasdeconflitlev.Cecadrethoriquea,entreautres,
tutilispourfusionnerdesdonnesissuesdumilieudelatldtection(Corgneet
al.,2003;HachichaetChaabane,2009;Moraetal.,2011).

52

2.4.Conclusionpartielle
La classication texturale est un vaste domaine o coexistent de nombreuses ap
proches.Chacunepossdesesavantagesetsavreefcacedansuncadreparticulier;
nanmoins,seuleslesapprochesorientesobjet(approchesgomtriquesoustructu
relles)sontadaptesauximagesTHRS,carellesconsidrentuneimagecommersul
tantdelacombinaisondunensembledobjetsdtectablesetanalysables.
Cesapprochesreposentsurdesalgorithmesdedtectiondobjetsoudecaractristiques
prcisesdansuneimage.Parmicesalgorithmes,ledtecteurdepointsclsSIFT(ainsi
que sesvariantes)possdecertainesqualitslerendantparticulirementadaptaux
images de tldtection: invariance aux changements de contraste, dillumination,
dchelleetderotation.Pourcetteraison,ilsembleintressantdemettreaupointune
mthode de classication texturale dimages THRS base sur SIFT. Cette mthode
seradtailledansleprochainchapitre.
Parailleurs,lafusiondinformationestunensembledemthodesconnuespouram
liorerlaclassicationduneimagedansuncontextemultisources.Parmilesgrands
typesdefusion,seulelafusionvidentielle(basesurlathoriedeDempsterShafer)
greconvenablementlesconceptsdincertitudeetdimprcision,frquemmentrencon
trsentldtection.Cetteapproche,souventmiseenuvredansdescassimplesde
fusiondesniveauxradiomtriques,esttoutefoispeuappliquelafusiondedescrip
teurstexturauxcomplexes.Nousverrons galementdansleprochainchapitrecom
mentcetypedefusionpeuttredcrit.

53

3. Mthodologieetdonnes
3.1.Mthodologie
Letravailderechercheeffectuestpartagendeuxgrandestapesmthodologiques,
reprsentesdanslagure3.1.Lapremiretapeconcernelamiseaupointetlavali
dation de lalgorithme de classication texturale propos (nomm KPC, pour Key
Pointbased Classication, danslesprochainessections).Lasecondetape estlie
llaborationdunemthodedefusiondimagesbasesurlinformationtexturale.
Lavalidationdechaquetapeestbasesurlavritterraindisponible.

Figure3.1:organigrammemthodologiquegnral(intrantsenbleu;KPC:keypoint
basedclassication)
Enrsum,lalgorithmeKPCconsisteidentieretanalyserunensembledepoints
cls(keypoints)danslebutdecaractriserlatextureprsentelintrieurduvoisi

54

nagedechaquepixeldelimagesoumise.Deuxvariantesensontproposes,basessur
deuxalgorithmesdedtectiondepointsclsdiffrents:SIFTetSURF.Andevalider
lesclassicationsissuesdeKPC,quatreautresalgorithmesdeclassicationtexturale
sontgalementtests:matricesdecooccurrence(indicateursdeHaralick),ltresde
Gabor,spectredetextureetSFTA.Lesrsultatsobtenussontcomparsobjectivement
laidedelavritterrain.
Dansunsecondtemps,lalgorithmeKPCsertdebaseuneclassicationmultichelle
basesurlathoriedelvidence.Pourcefaire,limagesourceestdabordsouschan
tillonnedunfacteur2puis4,andobtenirplusieursrsolutions(ouchelles)decette
image.ChaquechelleestensuiteclassielaidedeKPC;lesclassicationsrsul
tantessontfusionnesdemanireobteniruneclassicationnaledelimagesource.
Lenjeuesticidadapterlathoriedelvidenceuncontextedefusiondecaractris
tiquestexturales.

3.1.1.

Classicationtexturale

3.1.1.1.

Algorithmepropos

a.

Rsum

Lalgorithmedeclassicationtexturaleproposestdivisenquatretapesprincipales,
dcritesdanslesparagraphessuivants.Leschmacidessousrsumecestapes:

Figure3.2:tapesprincipalesdelalgorithmedeclassicationtexturale
Notonsquelesdeuxpremirestapesconcernentlimage tudiedanssaglobalit,
alors que les deux suivantes ont lieu au niveau des multiples voisinages (ou sous

55

images) extraites de limage globale. Lextraction des voisinages est galement d


tailledanslasectiond.
b.

Dtectiondepointscls

Deuxalgorithmesdedtectiondepointsclsonttutiliss:ilsagitdeSIFT(Scale
Invariant Feature Transform) et SURF (Speeded Up Robust Features). Le choix du
dtecteurSIFTatguidparsesperformances(MikolajczyketSchmid,2005).SURF
a t test en raison de sa rapidit dexcution, bien que ses performances soient
souventinfrieuresSIFT(Wuetal.,2013).
Lesimplmentationschoisiessontlessuivantes: SIFT++ 0.8.1dAndreaVedaldi3 et
OpenCV2.4.5pourSURF4.BienquelalibrairieOpenCVcontienneuneimplmenta
tiondeSIFT,cettedernirenapastretenuecausedelimitationsconcernantson
paramtrage. linverse, SIFT++ a des performances trs proches de lalgorithme
SIFToriginaldeDavidLowe(Baueretal.,2007).

Figure 3.3: exempledepointscls SIFT dtects par lalgorithme SIFT++ surune


textureWorldView2 (latailledescerclesindiquelchelledupointcl, lescouleurs
nontpasdesignicationparticulire)
3
4

http://www.robots.ox.ac.uk/~vedaldi/code/siftpp.html
http://opencv.org/

56

Paramtres
Lesdeuxdtecteursutilissrequirentdenombreuxparamtres.LeTableau3.1etle
Tableau3.2rsumentlesparamtresutiliss:

Tableau3.1:ParamtresSIFTutiliss.
Paramtre

Symbole

Description

Valeur

NumOctaves

Nombredoctaves

FirstOctave

Indexdelapremireoctave

NumLevels

Nombredeniveauxdansuneoctave

Sigma0

Lissagedebase

SigmaN

Lissagedechaqueniveau

Threshold

Seuillagedelintensitdesextrema
locaux

EdgeThreshold

Seuillagedirectionneldesextrema
locaux

10

Magnif

Facteurdagrandissementdelazonede
calculdelhistogrammedesdirections

0,5

Tableau3.2:ParamtresSURFutiliss.
Paramtre

Symbole

Description

Valeur

hessianThreshold

Seuillagedelintensitdesextremalocaux

nOctaves

Nombredoctaves

nOctaveLayers

Nombredeniveauxdansuneoctave

extended

true

upright

false

0,01

Chacundecesdtecteurspossdeunalgorithmedescripteur,quiapourrledassocier
unvecteurdescripteurdetaillexechaquepointcl.Danslacongurationchoisie,
lesdescripteursSIFT comportent 128lments,alorsquelesdescripteursSURFen

57

possdent64.
LesdescriptionstechniquesdesdtecteursetdescripteursSIFTetSURFsontprsen
tesdanslechapitre2.
c.

Classicationdespointscls

Lesvecteursdescripteursdespointscls sontensuiteclassisparunalgorithmede
type kmeans (kmoyennes). Lenombredeclassesdepointscls estx20,valeur
quimneauxmeilleursrsultatspourtouslestypesdimageemploys.Lebutdecette
oprationestdemieuxcaractriserlespointsclsdanslasuitedelalgorithme.
Lescentrodes des partitions5 sontinitialisssuivantlamthode dinitialisation (see
ding) alatoire dArthuretVassilvitskii(2007). Lalgorithme kmeans cessesesitra
tionslorsquelunedesdeuxlimitessuivantesestatteinte: lundescentrodessed
placedemoinsde0,001unitsdedistance,oulenombreditrationsdpasse10.Ces
valeursassurentunboncompromisentrerapiditetstabilitdupartitionnement.
lissuedecettetape,ondisposedoncdunensembledeplusieurscentaines plu
sieursmilliersdepointscls regroupsen20classes. Lechoixdunombredeclasses
seraexposdanslasection4.1.1.
d.

Extractiondesvoisinages

Lalgorithmepropostantbassurlanalysedelinformationtexturale,chaquepixel
nepeuttreclassiqueparlapriseencomptedesonvoisinage(etnondesescaract
ristiques spectrales propres). Pour cette raison, un voisinage est extrait autour de
chaquepixelquelonsouhaiteclassier; lanalyseprsenteauprochainparagraphe
(calculdesstatistiquesspatiales)nesteffectuequauseindecevoisinage.
Vule tempsdecalcullevquepeutreprsenterlaclassicationdetouslespixels
5

Letermepartitionesticiutiliscommetraductiondumotclusterprsentdanslalittratureanglophone,
etdsigneungroupededescripteursauseindelespacetextural.Delammemanire,letermeclustering
esticitraduitparpartitionnement.

58

duneimage,laplupartdestestsdeperformanceonttmensenneclassiantquun
pixelsurN(Ntantgnralementgal2ou4).

Figure3.4:exemplederpartitiondesvoisinagesauseindelimageprincipale
Lagure3.4illustrelarpartitiondecesvoisinages,reprsentspardescadrescolo
rs;lescroixsymbolisentlespixelsclassier,exagrmentespacsdanscetexemple.
Latailledesvoisinages,cestdirelalongueurdeleurscts,joueunrlefondamen
taldanslesperformancesobtenues.Cestdoncleprincipalparamtre quiaffectele
tauxdeclassication.
Les voisinages situsprsdeslimitesdelimageprincipaleontunetaillepluspetite
queceuxsituslintrieur;ceteffetdebordestprisencomptedanslasuitedelalgo
rithme.
e.

Statistiquesspatiales

Lapartielaplusnovatricedelalgorithmeproposconcernelecalculdestatistiques
spatialessurlespointsclspourcaractriserlestextures.LafonctionKdeRipley(pr
sentedanslasection2.2.5.2)permetdemodlisernumriquementlarpartitiondes
pointscls,lafoisentermesdedensitmaisaussietsurtoutdergularitetdhomo
gnit.
De manire gnrale, cette fonction permet de calculer la moyenne du nombre de
pointslintrieurdundisquederayonr.Cestdoncunbonindicateurdeladistance

59

interpointsmoyenne,quellepermetdailleursgalementdecalculer.Encalculantla
valeurdelafonctionKpourplusieursvaleursder,ilestpossiblededtectersilar
partitiondespointsestalatoire,rgulire,agrge,etc. Ainsi,ilsuftdunvecteur
contenantlesvaleursdeK(r),avecrprenantplusieursvaleurs,pourcaractriserune
texture.
Concrtement,lecalculdeK(r)sefaitenitrantsurtouslespointsclscontenusdans
unesousimage;chaqueitration,ondterminelenombredepointssitusunedis
tanceinfrieurerdupointderfrence,puisondiviselenombreobtenuparlasur
facedudisquederayonrentenantcomptedeseffetsdebord.Ceprincipeestillustr
parlagure3.5,pourcinqvaleursderetunseulpointderfrence.

Figure3.5:exempleduneitrationdelalgorithmedecalculdestatistiquesspatiales,
pourcinqrayons
Enpratique,lenombredevaleursderesttoujoursx5,carlesexprimentations
menessurplusieursimagesetplusieursjeuxdeparamtresontmontrquilsagit
toujoursdelaquantitoptimale.
Rappelonsquelespointscls ont pralablement tdivissen20 classes (cf.para
graphec).Grcecetteclassication,ilestpossibledecalculerK(r)pourchaqueclasse

60

depointscls i (1i20).Demaniregnrale,ilestpossibledecalculer K(r) pour


uneclassedepointscljalorsquelepointderfrenceestdeclassei.Lesvaleursain
siobtenuesserontnotesKi,j(r),1i,j20.
Silonprendencomptelesdiffrentesvaleursder,quenousnoteronsrk1k5,on
constatequelecalculdesstatistiquesspatialesrsulteen20205=2000valeurs
diffrentesde Ki,j(rk). Lensembledecesvaleurspeuttrearrangenunvecteur,qui
constitueledescripteurtexturalnaldelasousimagetudie.
Faceunvecteurdedimensionnalitaussileve,ilestnatureldechercherem
ployerunemthodederductiondimensionnelletellequelanalyseencomposantes
principales(ACP).Cependant,lestestseffectusenintgrantlACPnontpaspermis
demettreenvidenceuneamliorationdesclassicationsnales.Pourcetteraison,la
dimensiondesvecteursdescripteursnapastrduite.
f.

Classicationdesdescripteursdetexture

Lesdescripteurstexturaux ontt classispar deuxmthodesde partitionnement


concurrentes: lalgorithme kmeans (en mode dirig et nondirig) et lalgorithme
kNN (enmodedirig). Lamajoritdestestsontteffectusaveckmeans enmode
nondirig,carlundesobjectifsdenotreapprochetaitdepouvoirfonctionnersansin
terventionhumaine(exceptlechoixdunombredeclasses).Pourcetteraison,desap
prochesdapprentissageplussophistiques(SVM,rseauxdeneurones,deeplearning,
etc)nontpastutilises.
Deuxtypesdersultatspeuventtreobtenus lissuedunetelleclassication:une
classicationdureetuneclassicationdouce.
Classicationdure
Une classication dure (hard classication) consiste simplement attribuer une
classe unique pour chaque pixel. Dans le cas de lapproche par partitionnement, il

61

sagitdtiqueterchaquepixelparlenumrodelapartition dontilfaitpartie.Cette
approchesimple,quinetientpascomptedeseffetsdemlangedeclassesintrapixel,a
lemritedefournirunrsultatfacilementexploitableetdontlaqualitestaisment
quantiable(laidedelavritterrain,notamment).Pourcomparerlesperformances
des divers algorithmes tests, les classications ont donc t effectues demanire
dure.
Classicationdouce
Onparledeclassicationdouce(softclassication)lorsque,pourchaquepixel,on
attribueuneprobabilitouunpoidschacunedesclassesexistantes.Cetteap
proche,plusnequelaprcdente,permetdereprsenterleseffetsdelindcisionou
delincertitude,sanspourautantdistinguercesdeuxconcepts.Ilestdifciledtablir
unemesureobjectivedelaqualitdunetelleclassicationmoinsdepossderunev
ritterraindanslaquellegurentleszonesambigusoudetransition,cequiestrare
mentlecas.Mmeainsi,lersultatduneclassicationdoucesupposedemettreen
placedesseuilsarbitraires,etdonccontestables:parexemple,partirdequandun
pixelestilconsidrcommepur,cestdirecommetantcomposduneseuleclasse?
Enrevanche,cetteapprochepermetdejugervisuellementlersultatduneclassica
tionenmettantenvidenceleszonesdindcision,quipeuventtresoitdeszonesde
faiblessedelalgorithmetest,soitderelleszonesdetransition.
Plusimportantencore, laclassicationdoucepeutservirdebaseauprocessusdefu
sion videntielle. En effet, le rsultat de cette classication permet dinitialiser les
massesdetoutesleshypothses,simplescommecomposes.loppos,uneclassica
tiondurenepermetdinitialiserquelamassedunehypothse,cequiprsenteunint
rttrslimitdanslecadrevidentiel.Or,ilatmentionndanslasection2.3.4.1
limportanceparticuliredeltapedinitialisationdesmasses.
Lapproche par partitionnement employe prsente lavantage dtre naturellement

62

compatibleaveclaclassicationdouce.Eneffet,ladistancesparantunchantillon
descentrodesdesdiffrentespartitionsconstitueunebonnemesuredappartenance
uneclasse:pluscettedistanceestfaible,pluslchantillonpeuttreconsidrcomme
faisantpartiedelaclasseconcerne.Pourcetteraison,lesdiversesmthodesdinitiali
sationdesmassesprsentesdanslasection3.1.2.2suiventtoutesdesmodlesdedis
tance.
3.1.1.2.
a.

Algorithmescomparatifs
Matricesdecooccurrence

Les paramtres employs pourcalculer les indicateurs deHaralick sont les mmes
pourchaqueimage.Lesniveauxdegrisonttregroupsenhuitclassesdemanire
cequelesmatricesdecooccurrenceconserventunetailleraisonnable.Quatredirec
tionsonttchoisies:d=(1,0),(1,1),(0,1),(1,1)(cf.section2.1.1.2).Enn,quatrein
dicateursonttutiliss:contraste,corrlation,nergieethomognit.Lesdescrip
teurstexturauxontdoncunetaillede16lments.
b.

FiltresdeGabor

ConstruireunbancdeltresdeGaborrequiertunjeudesixparamtres(danslimpl
mentationutilise6).Certainsdecesparamtresontdtremodisduneimage
lautre pour atteindre la meilleure classication possible; les autres sont demeurs
constantsduneimagelautre.

ks:tailledunoyau(paramtrevariable).

:carttypedultregaussien(paramtrevariable).

:listedorientationsdesltres.Ceparamtreestconstantetvaut[0,90].

:listedesratiosspatiaux(longueur/largeur).Ceparamtreestconstantetvaut
[1,2].

: liste des longueurs donde (cestdire 2/frquence). Ce paramtre est

https://github.com/dominiklessel/opencvgaborfilter/blob/master/gaborFilter.cpp

63

constantetvaut[1].

:listedesphases.Ceparamtreestconstantetvaut[0,45,90,135].

Onvoitdoncquelacombinaisondetouslesparamtreslaisse112214=16
ltres tester. Dans limplmentation choisie, lnergie de limage rsultante de
chaqueltreconstitueledescripteurtextural.Cesderniersontdoncunetaillede16
lments.
c.

Spectredetexture

Lalgorithmedespectredetexture,dvelopppar HeetWang(1990),reposesurle
conceptdunittexturale(textureunit),quientredanslacatgoriedesapproches
statistiques. Ilattribueunnumrodunittexturale NTU chaquepixel,calcul
partirdesdiffrencesentreleniveaudegrisdupixeletlesniveauxdegrisdesesvoi
sinsimmdiats.Lespectredetexturedunefentreestensuitednicommelhisto
grammedesnumrosdunittexturaleauseindelafentre.Cespectreconstituedonc
undescripteurtextural.Commeilexiste6561numrosdunittexturalediffrents,
lesdescripteurspossdent6561lments.Cetalgorithmenencessitepasdeparam
trage.
Ilexisteuneversionsimpliedecetalgorithme(HeetWang,2010),quiprsenteno
tamment lavantage davoir un spectre de texture beaucoup moins long et donc un
tempsdetraitementpluscourt.Cetteversionnatoutefoispastutilise,carlestests
effectusontmontrquelaversionoriginaleaboutitdemeilleuresclassications.
d.

SFTA

SFTA(SegmentationbasedFractalTextureAnalysis)estunalgorithmecrpar(Costa
etal.,2012). Ilcomportedeuxprincipalestapes:dcompositionduneimageenplu
sieursimagesbinaireslaidedeplusieursseuillagesbasssurlesniveauxdegris,
suividuncalculdecertainescaractristiquesdecesimagesbinaires(dontnotamment
ladimensionfractale).

64

Cetalgorithmecomprendunseulparamtrergler:ilsagitdunombredeseuilsnt,
dterminantlenombredimagesbinaires utilises.Ceparamtreatx4pour
touteslesimagestestes,carcestlavaleurdonnantlesmeilleursrsultats.
Contrairementauxautresalgorithmesdanalysedetexturequiontttestsdansle
cadredeceprojetderecherche,SFTAattestuniquementsousMatlab,laidedu
coderendupublicparsonauteur7.Pourcetteraison,laduredexcutiondecetalgo
rithmenepeuttrecompareauxautresapproches.

3.1.2.

Fusiondimages

3.1.2.1.

Gnralits

Lasecondepartieprincipaledecetravailconcernelafusiondeclassicationstextu
ralesdimagesTHRS.Pourdesraisonslafoispratiquesetliesauxrsultatsdela
premirepartie,ilatdciddesorienterverslafusionmultichelledimagespan
chromatiques,laidedelathoriedelvidence.
Lagure3.6dtaillelapprochemthodologiquedecettepartie.Ltapedefusionmul
tichelleestmiseenvidencedansle cadregris.Ellecomportetroisphasesprinci
pales dtailles dans les prochaines sections: initialisation des fonctions de masse,
combinaisondecesfonctions,dcision.
Elleestprcdeparunetapeditedesouschantillonnagedontlebutestdesuppri
merlesfrquenceslespluslevesdelimageoriginale(bruit,dtails).Cesouschan
tillonnage linaire,dunfacteur2et4,estsuividune tapedesurchantillonnage
(nonreprsentedanslafigure3.6)bicubiqueafinquetouteslesimagessourcespos
sdentlammetaille.

http://www.mathworks.com/matlabcentral/fileexchange/37933sftatextureextractor

65

Figure 3.6: organigramme mthodologique de ltape de fusion multichelle. Les


chespointillesdsignentdestapesoptionnelles
3.1.2.2.

Initialisationdesfonctionsdemasse

Lechoixdesmassesattribuerchaquehypothse(classe)ouensembledhypothses,
pourchaquepixeldechaqueimagesource,estdlicatetdoitfairelobjetduneatten
tionparticulire.Ildpenddelinformationdisponibleausujetdechaquepixelclas
sier.
Chaquepixelestcaractrisparuneinformationtexturaleseprsentantsouslaforme
dun vecteur descripteur dedimensionnalit variable,pouvant aller dune dizaine
plusdemillelments.Cesvecteurs,regroupssousformedepartitions,permettent

66

leur tour la classication des pixels. Lapproche la plus naturelle pour juger de la
masseattribuerauxdiffrenteshypothsesconsistedoncsebasersurlesdistances
entreunvecteurdescripteuretlescentresdespartitionsdtectes:plusunvecteurest
prochedunepartition,pluslamasseaffectelhypothsereprsenteparcetteparti
tionseraleve.Lamasseaffectelapartitiondontfaitpartielevecteurdescripteur
seradonclaplusleve.
Ennotant

(oCestlenombredepartitions,cestdirelenombredeclasses

identies)lecentrodedechaquepartitionet

levecteurdescripteurdupixelsitu

auxcoordonnes x,y et N ladimensionnalitdecesvecteurs,ondnitladistance


entre

et delamaniresuivante:

(3.1)

Suivantlavaleurden,plusieursformesdedistancespeuventtreutilises.Lavaleur
n=2,quicorrespondladistanceeuclidienne,atretenuecarilsagitdelunedes
distancesquidonnentlesmeilleursrsultatsdansuncontextedepartitionnement.La
distanced2serasimplementnotedparlasuite.
a.

Modlesdedistance

Modlededistancesimple
Lepremiermodlededistanceretenu permet dednir des masses pourleshypo
thsessimples(m({1}),m({2}),etc)ainsiquepourlensembledetoutesleshypothses
.DveloppparDenoeux(1995),ilsebasesurlidequeplusunvecteur
estloigndunepartition,pluslamasseaffectelhypothsereprsenteparcette
partitiondoittrefaible:
(3.2)

67

estunparamtredattnuationpermettantdemodliserlaabilitdelasource.En
labsencedemthodesimplepourjugerdecetteabilit,estdansunpremiertemps
laissgal1,avantdtreanalysplusendtail.atraitlaformedesfonctionsde
masseetdoittrevalumanuellement.Unevaleurde0,01convientdanslaplupart
descas,carlesdistancessontdelordredequelquesdizainesdunits.Unejustication
plusavanceduchoixdecettevaleursetrouvedanslannexe1.
Modlededistancecompos
Le modle de distance simple prsente linconvnient de ninitialiser que les hypo
thsessimples,enplusde.Cetteapprochenexploitedoncpaslespossibilitsoffertes
parlathoriedelvidence. Nousproposonsuneautreapproche,danslaquellecer
taineshypothsescomposesserontgalementinitialises:ilsagitdumodlededis
tancecompos.
Cedernierconsistevaluernonseulementlesdistancessparantunvecteurdescen
trodesdespartitions,maisgalementlesdistanceslesparantdespointssitusmi
chemindechaquecoupledecentrodes.Lideestquecettederniredistanceretele
poidsaccorderauxhypothsescomposesbinaires.
Lesystmedquations(3.2)devientdonc:
(3.3)

Lesmassessontensuitenormalises.
b.

Coefcientdeabilit

Lecoefcientdeabilit (aussiappelcoefcientdaffaiblissement),rarement tudi


danslalittrature,afaitlobjetduneattentionparticulire. Eneffet, plusieurs au
teurs(Fabreetal.,2001;Mora,2009)ontsoulignlepotentieldamliorationdelafu
siondcecoefcient,enmentionnanttoutefoisladifcultdelestimercorrectement

68

(Lefevreetal.,2002).Plusieursmodlisationsontttestespourtenterdestimerla
abilitdelaclassicationdesimagessources.
Fiabilitmultichelle
Cetteapproche,validedanslecasdunefusionmultichelleuniquement,consiste
dnirlaabilitcommetantunefonctiondcroissantedelchelledelimagesource.
Onpartduprincipequuneimagedersolutionlevedevraitaboutiruneclassica
tiondemeilleurequalit.
Laabilitestainsimodlise:
(3.4)

Ici,eestunentiersuprieurougal0reprsentantlindexdelchelle:0correspond
larsolutiondebase,1larsolutionimmdiatementinfrieure,etc. reprsente
unparamtrequiatx0,2danslesexprimentations(essaisdeplusieursva
leurs).
Fiabilitparestimationapriori

delarpartitiondesclasses

Uneautreapproche,unpeuplusgnriquequelaprcdente,atdveloppe.Elle
reposesuruneestimationaprioridelafrquencedesclassesdtecter.Onpeuten
suitemesurerladissimilaritentrecetteestimationetlaclassicationsourcepoures
timerlaabilitdecettedernire.Ennotant laproportionestimedelaclasseiau
seindelimagesourceet laproportiondecettemmeclassedanslaclassicationob
tenue,laabilitpeuttrecalculedelamaniresuivante:

(3.5)

Kestlenombredeclassesetdestunparamtrex20andepermettreunevaria
tionassezlargede.

69

Autresapproches
Danslebutdviterdavoirrecoursdesinformationsaprioriquinesontpastoujours
connues,dautresapprochesontttentes.Ellesreposentsurlecalculdeplusieurs
indicateurslislaphasedepartitionnement,telsqueladensitdespartitionsetla
distancelessparant.Cesapprochesnayantpasfournidersultatsconcluants,elles
neserontpasdtailles.

Demaniregnrale,plusieursniveauxdenessepeuventtreenvisagslorsdelesti
mationde:

estimation par pixel: varie non seulement en fonction de la classication


source,maisaussienfonctiondecertainescaractristiquespropres chaque
pixel.Cestunniveauextrmementn,impossibleatteindreactuellement,car
ilnexistepasdapprochepermettantdejugerdelaabilitlocaleauseindune
image.

estimationparclasse:ilsagiticidefairevarier pourchaqueclasseetchaque
classicationsource.Cetteapproche,plusgnralequelaprcdente,pourrait
tremiseenplacepartirducalculdindicateurslisauxpartitionsdedescrip
teurstexturaux.

estimationglobale:estconstantlintrieurdechaqueclassicationsource.Il
sagitdelapprochelaplusgrossiremaislaplusralisableenpratique.Cest
cellequiatretenue,carelleestlaseulecompatibleaveclesdeuxpremires
modlisationsprsentesdanscettesection.

3.1.2.3.

Rglesdecombinaison

Troisrglesdecombinaisononttmisesenuvre:lescombinaisonsconjonctive,dis
jonctiveetrobuste.Cestroiscombinaisonsoffrentengnraldesrsultatsproches.

70

3.1.2.4.

Rglesdedcision

Troisrglesdedcisionontttestes:lemaximumdeplausibilit,lemaximumde
crdibilitetlemaximumdeprobabilitpignistique.Lencore,lesrsultatsobtenus
sontgnralementproches.

3.1.3.

valuationdesperformances

3.1.3.1.

Tauxdeclassication

Letauxdeclassicationestlecritrequantitatifdvaluationdelaperformancede
classicationleplussimple.Ilestbassurlenombredepixelsdontlaclassecorres
pond celle delavritterrain,rapportaunombretotaldepixels. Cestunindica
teurgrossierquinepermetnotammentpasdedistinguerlesperformancesdeclassi
cationinterclasses,maisquipermetdecomparerrapidementdeuxclassicationseffec
tuessurlammeimage.
3.1.3.2.

Coefcientkappa

LecoefcientkappadeCohen()permetdliminerlesfaussesbonnesclassica
tionsduesauhasard.EnnotantMlamatricedeconfusiondniedanslasectionsui
vanteetNlenombretotaldepixels,lecoefcientkappaestcalculdelamaniresui
vante:
(3.6)

oPaestletauxdepixelscorrectementclassis(celacorrespondautauxdeclassica
tionprcdemmentdni):
(3.7)

etPeestlaproportiondepixelscorrectementclassisparchance,dterminparle
calculdesprobabilitsmarginalesdeclassicationparclasse:

71

(3.8)

Uncoefcientkappasuprieur60%estconsidrcommebon,alorsquuntauxsup
rieur80%estexcellent.
3.1.3.3.

Matricedeconfusion

Lamatricedeconfusionestloutillepluscompletpourjugerdelaqualitduneclas
sication. Ellepermetdanalyserclasseparclasselesperformancesdeclassication
dunalgorithme,ainsiquedecalculerletauxdeclassicationetlecoefcientkappade
Cohen.

3.2.Donnes
3.2.1.

MosaqueIKONOS

NousavonsutilisuneimageIKONOSpanchromatique,acquiseen2001etreprsen
tantlesecteurdeHappyValleyGoosebay,auLabrador(Canada).Salimitederso
lutionspatialeestde82cm.Cetteimage(gure3.7)afaitlobjetdunephotointerpr
tation,permettantdednircinqzonesdetextureuniformeassemblesdansunemo
saque(gure3.8).Cettemosaqueapourdimensions212344px.

Figure3.7:imageIKONOSdebase

72

Figure3.8:mosaqueIKONOS(vritterraindroite)
Lescinqtexturesapparaissantdanslamosaquesont:
1. eau(centre);
2. fortdpinettesnoires,recouvrementde2650%(coinsuprieurgauche);
3. vgtationarbustive(coinsuprieurdroit);
4. fortdpinettesnoiresetdesapins,recouvrementde5175%(coininfrieur
gauche);
5. fortdpinettesnoires,recouvrementde5175%(coininfrieurdroit).
Onpeutconstaterquauseindelamosaque,lestroiszonesdefortsontdifciles
distinguer,mmepourlilhumain.Cetteimageconstituedoncunbontestdeclassi
cation.

3.2.2.

MosaqueWorldView2

CetteimagedelargiondeSherbrookeatacquisele30aot2010parlesatellite
WorldView2enmodepanchromatique(gure3.9).Salimitedersolutionspatialeest
de52cm.Laphotointerprtationdeszonesruralesapermisdidentiersixclasseset
dextraireuncarrde300300pxpourchaqueclasse.Unemosaquedesixtexturesa
ainsiputrelabore(gure3.10).

73

Figure3.9:imageWorldView2debase

Figure3.10:mosaqueWorldView2(vritterraindroite)

74

Lessixtexturesdelamosaquesont,degauchedroiteetdehautenbas:
1. Jeunefortdefeuillusindtermins;
2. Fort de feuillus incluant rables sucre, feuillus intolrants et tolrants
lombre;
3. Plantationmaturedpinettesblanches;
4. Champdemas;
5. Fortdrablessucremature;
6. Jeuneplantationdesapinsbaumiers.

3.2.3.

PlacetteIKONOS

La dernire image utilise est une placette extraite de limage IKONOS principale
(Fig.3.7),dedimensions444 360px.Lesthmesprsentssontsimilaires:
1. fortdpinettesnoires,recouvrementde5175%:
2. fortdpinettesnoires,recouvrementinfrieur25%;
3. fortdpinettesnoires,recouvrementde2650%;
4. fortdpinettesnoiresetdesapins,recouvrementde5175%;
5. zoneenrgnration;
6. vgtationarbustive.

Figure3.11:placetteIKONOS(vritterraindroite)

75

3.3.Conclusionpartielle
Unenouvellemthodedeclassicationtexturaleatpropose,basesurladtection,
laclassicationetlanalysespatialedepointscls auseindesimagestudies.Deux
variantesdecettemthodeexistent,enfonctiondelalgorithmededtectiondepoints
clschoisi(SIFTouSURF).SURFtantinspirdeSIFT,lesdeuxvariantesdevraient
fournirdesrsultatsproches.
Encomplmentdecettemthode,uneapprochedefusionmultichelleestexpose.
Ellereposesurlathoriedelvidence(thoriedeDempsterShafer)quipermetdere
prsenterlesconceptsimportantsentldtectionquesontlincertitudeetlimprci
sion.Cetteapprochedevraitpermettredecompenseraumoinsenpartielimprcision
desfrontiresintertexturalesdtectes,duelanaturedelalgorithme(tailleleve
desvoisinages).Lapropositiondunnouveaumodledinitialisationdesfonctionsde
masse(modlededistancecompos)etdemodlesdestimationducoefcientdeabili
tdevraitencoreamliorerlesrsultats.
Lesalgorithmescomparatifssontvarisetappartiennentdescatgoriesdiffrentes:
mthodesstatistiques(matricesdecooccurrence,spectredetexture),mthodesfr
quentielles(ltresdeGabor)etmthodesfractales(SFTA).Ilsdevraientdoncfournir
descomparaisonspertinentesetpermettreunevalidationraisonnable.
Lesimagesutilisessontreprsentativesdesdonnesrencontresentldtectionop
tiqueTHRS.Deuximagessynthtiquessontessentiellementconstituesdetexturesde
foresterieetagricoles,issuesdIKONOSetdeWorldView2.Latroisimeimageestdi
rectementextraitedunescneIKONOSetprsentelemmetypedetextures,ainsi
quedesfrontiresbeaucouppluscomplexes.Cesimagesconstituentdoncunebaseso
lidedetest,permettantdapprcieraumieuxlesforcesetfaiblessesdelalgorithmede
classicationpropos.

76

4. Rsultats
4.1.Classicationstexturales
Cettesectionestconsacreltudedesperformancesdelalgorithmedeclassication
texturalepropos,dansuncadremonochelle.Laprochainesoussectionviseanaly
ser le rle des divers paramtres lis cet algorithme, en lappliquant sur limage
constitue dun assemblage de textures IKONOS (voir section3.2.1). La troisime
soussectionapourbutdecomparerlalgorithmeproposauxautresalgorithmespr
sentsdanslechapitre2.Enn,laderniresoussectionmetenrelieflesdiffrencesde
classicationentrelesdeuximagestudies.

4.1.1.

Inuencedesparamtres

Lalgorithmedeclassicationtexturaleproposestrgipardenombreuxparamtres.
Pourrappel,onpeutledcomposerencinqtapes(cf.section3.1.1.1):

Dtectiondepointscls;

Classicationdespointscls;

Extractiondessousimages;

Calculdesstatistiquesspatiales;

Classicationdesdescripteursdetexture.

Lesparamtreslisauxquatrepremirestapessonttudisdanscettesection,alors
queladerniretapeestanalysedanslasectionsuivante.Lesparamtresdelapre
miretape(dtectiondepointscls)sontlistsdanslestableaux 3.1 et 3.2.Leta
bleau4.1rsumelesparamtreslisauxtapesdeuxquatre:

77

Tableau4.1:paramtresutiliss(lesparamtresanalyssparlasuitesontengras).
Paramtre
nCKP

tape

Description

2.Classicationdespointscls Nombredeclassesdepointscls

KP

2.Classicationdespointscls

Critredarrtdelaclassication
(variationminimumdescentrodes)

maxiter

2.Classicationdespointscls

Critredarrtdelaclassication
(nombremaximumditrations)

3.Extractiondessousimages

Tailledevoisinage(enpixels)

3.Extractiondessousimages

Distanceentrepixelsclassis

4.Calculdesstatistiques
spatiales

Distancesutilisespourlecalculdela
fonctionKdeRipley(vecteur)

nPCA

4.Calculdesstatistiques
spatiales

Nombredecomposantesprincipales
conserves

Danstoutecettesection,limpactdechaqueparamtreseratestsurlassemblagede
texturesIKONOS,enmodenondirig.Lesrsultatssontprsentsdelamaniresui
vante:onfaitvarierchaqueparamtrealorsquelesautresparamtressontxes.La
valeurdesparamtresxesestchoisiedemaniremettreenvidenceleffetdelava
riationduparamtretudi.

Dtectiondepointscls
Encequiconcerneladtectiondepointscls,lesparamtreslesplusimportantssont
lenombredchelleslintrieurduneoctave(S),etleseuildedtectiont(cf.tableaux
3.1et3.2)lafoispourSIFTetSURF.
Letableau4.2illustrelerleduparamtreSsurlersultatdelaclassication.Lesva
leursdesautresparamtressont prochesdesvaleursassurantlesmeilleurs tauxde
bonneclassication(TBC),desortequelvolutionduTBCenfonctiondeSestrepr
sentative.OnconstateainsiquebienquelaugmentationdeSentranecelledunombre
depointsclsdtectscequiestcohrentaveclamaniredontledtecteurSIFT

78

fonctionneleTBCnaugmentepasncessairement.Enrglegnrale,unpicdeTBC
estatteintpourlesvaleursdeSgales3ou4;lavaleur3estretenuedanslasuite
destests.

Tableau4.2:inuenceduparamtreSsurlenombredepointsclsetleTBC.

Nombrede
pointscls
dtects

Tauxdebonne
classication(%)

173

67

275

74

362

71

417

71

468

73

Leseuildedtectiondespointsclstaquantluiunefaibleinuencesurlaqualit
naledelaclassication(tableau4.3). Lavaleuroriginaleduparamtre(6,67.103)a
donctconserve.

Tableau4.3:inuenceduparamtretsurlenombredepointsclsetleTBC.
t

Nombrede
pointscls
dtects

Tauxdebonne
classication(%)

103

275

74

6,67.103

275

74

102

275

74

101

275

74

273

71

Lagure4.1metenlumireunepropritintressantedudtecteurSIFT,entablis
santunlienentrelenombredepointsclsdtectsetletauxdebonneclassication.

79

Chaquepointcorrespondunsclassicationeffectueavecdiffrentsparamtresdu
dtecteurSIFT,dontlesclassicationsdestableaux4.2et4.3.Onobservequilexiste
unecorrlationpositiveentrecesdeuxvariables,avecuncoefcientdecorrlationde
0,40.Bienquecetauxnesoitpaslev,onpeutenconclurequunnombreaccrude
pointsclsSIFTestunfacteurdamliorationdelaclassication.
Ilfauttoutefoisnuancerceconstat,carunnombretrslevdepointsclsnemne
pasncessairementunemeilleureclassication.Eneffet,lalgorithmeSIFTninter
ditpasqueplusieurspointsclssoientdtectsaummeemplacementou,silespara
mtresdedtectionsonttropexibles,desemplacementstrsproches(auseindu
mmepixel,parexemple).Cephnomnederedondanceestopposerlapertinence
des points dtects: il est prfrable dobtenir un nombre rduit de points qui d
criventadquatementlastructuredelatexture,pluttquungrandnombredepoints
dpourvusdesens.Cestpourcetteraisonquilnestpassouhaitabledepousserles
paramtresdedtectionleurslimitesdanslebutdedtecterlemaximumdepoints
cls.

76 %
74 %

TBC

72 %
70 %
68 %
66 %
64 %
100

150

200

250

300

350

400

450

500

Nombre de points-cls dtects

Figure4.1:tauxdebonneclassicationenfonctiondunombredepointsclsdtects.
Lesparamtressont:s=5,w=161,nCKP=20,nPCA=0,R=[8,16,24,32,40]

80

Nombredeclassesdepointscls(n
CKP)
LespointsclsdtectsparSIFTsontclassisparlalgorithmekmeans,parlinter
mdiairedeleursdescripteurs.Leprincipalparamtreutilisestlenombredeclasses
depointscls. Lagure4.2 illustrelavariationduTBCetducoefcientkappaen
fonctiondeceparamtre. Bienquelescourbessoientglobalementcroissantes,elles
prsententunevariabilitimportante.
Onpeutgalementnoterqueceparamtrepossdeuneforteinuencesurletempsde
calcul(courbeverte). Pourcetteraison, lavaleurretenuede nCKP nestpaslavaleur
donnantlemeilleurTBClorsdelaphasedeparamtrage,maisrsultepluttdun
compromisentretempsdecalculetqualitdeclassication.Cettevaleurestde20:
cestcettevaleurquifournitgnralementlemeilleurrsultat,auseindelafourchette
[5;30].

400

75 %

300

TBC et

70 %
65 %

200

60 %

100

55 %
50 %

0
5

10

15

20

25

30

35

40

45

50

55

60

65

dure (base 100 pour n=5)

80 %

70

n C-KP

TBC

dure

Figure 4.2: TBC, kappa et dure de calcul en fonction du nombre de classes de


pointsclsnCKP.Lesautresparamtressont:s=5,w=161,nPCA=0,R=[8,16,24,
32,40]

81

Tailledevoisinage

(
w
)
Lataillede voisinage, cestdirelalongueurenpixelsductdessousimages cen
tressurchaquepixelclassier, estlefacteurleplusdterminantduprocessusde
classication.Ilvarieduneimage lautre,etdoittredterminmanuellement
chaquefois.Lagure4.3metenvidencelavariationtypiqueduTBCenfonctionde
w:
80 %

600
500
400

40 %

300
200

20 %
0%

Dure (s)

TBC et

60 %

100
0
51 61 71 81 91 101 111 121 131 141151 161 171 181 191 201
w

TBC

dure

Figure4.3:TBC(enrouge),kappa(enbleu)ettempsdexcution(envert)enfonction
delatailledevoisinagew.Lesautresparamtressont:s=2,nCKP=20,nPCA=0,R=
[8,16,24,32,40]
LacourbedevariationduTBCenfonctiondewprsentetoujourslammeallure:une
augmentationrapidejusqulavaleurmaximale,suiviedunestagnationoudunedi
minutionlente.Cesdeuxphasessexpliquentdelamaniresuivante: lesfaiblesva
leursdewfontensortequelessousimagessonttroppetitespourcontenirsufsam
mentdepointsclspourcaractriserlestextures.Lenombredepointsclsinclusdans
lessousimagesaugmenteensuiteproportionnellementw2,cequimneunaccrois
sement rapidedu TBC. Une fois la valeur maximale atteinte, laugmentation de w
souffredeseffetsdebord:pluswestlev,pluslerisquedavoirunmlangedetex
turesauseindessousimagesestgrand,etdoncmoinsledescripteurtexturalquien

82

rsulteserapertinent.
Pourrsumer,laugmentationdelavaleurduparamtre w apourconsquencedeux
effetsopposs:dunepart,unplusgrandnombredepointsclsestinclusdansles
sousimages,cequiauneffetpositifsurlaclassication;dautrepart,unmlangede
textures(etdoncdeclasses)deplusenplusfort,cequiauneffetngatif.Lavaleurop
timaledewestdonccellequioffrelemeilleurcompromisentrecesdeuxeffets.
Ilfautennnoterlelienexistantentrelatailledevoisinageetletempsdecalcul :ce
dernieresteneffetproportionnelaucarrdew.Cestunfacteurquijoueunrleim
portantlorsquelonsexecommeprioritladuredelaclassication:onpeutainsi
diminuercettedureaucotdunebaisse(parfoisminime)delaqualitdelaclassi
cation.

DistancesdelafonctionKdeRipley(

R
)
RestunvecteurcontenantlesdistancesutilisespourlecalculdelafonctionKdeRi
pley(cf.section2.2.5.2). Pourdesraisonsdesimplicit,cesdistancessontrgulires;
autrement dit, R = [r, 2r, 3r, ]. Le nombre dlments de R possde une lgre
inuencesurlaqualitdelaclassication:demaniregnrale,pluscenombreest
levetpluslaclassicationestbonne.Cependant,letempsdecalculestproportion
nelaucarrdunombredlmentsdeR.Unboncompromisestdegardercenombre
5:ainsi,Rscrit[r,2r,3r,4r,5r].Lavaleuroptimalederdpendessentiellementde
limage tudier et non des autres paramtres. Cest ce quindique le tableau4.4:
lorsqueleparamtrewvarie,lemeilleurtauxdebonneclassicationestgnralement
atteintpourR=[14,28,42,56,70].

83

Tableau4.4:TBCmoyenenfonctiondesparamtresRetw.Pourchaquevaleurde
w,lemeilleurTBCmoyenestmisengras.
w

131

141

151

161

[8,16,24,32,40]

77

76

78

77

[14,28,42,56,70]

79

78

78

78

[16,32,48,64,80]

77

76

78

78

[18,36,54,72,90]

77

77

77

78

Nombredecomposantesprincipales(n
PCA)
Ilestpossibledeffectueruneanalyseencomposantesprincipales(ACP)pourrduire
la dimensionnalit des vecteurs descripteurs de texture, qui comportent 2000 l
ments(cf.section3.1.1.1.e),etainsiamliorerlaclassicationdecesvecteurs.Legra
phiquesuivantrsumlesrsultatsobtenuspourplusieursnombresdecomposantes
principalesretenues:

80 %
78 %
76 %
74 %
72 %
70 %
2

10

12

14

16

18

20

Figure 4.4: TBCenfonctionde nPCA (courbebleue).Laligne orange indiqueleTBC


obtenusansACP

84

Aveclejeudeparamtresutilispourobtenirlagure4.4, leTBCsans ACP estde


78%.AvecACP,lemeilleurTBCestde79%,obtenupour16composantesprincipales.
Enrevanche,lutilisationdelACPmultiplieparenviron10letempsdecalculrequis.
Cetinconvnientmajeur,rapportaugainminimedeTBC,faitquelACPnaenpra
tiquepastutilisepourlerestedestests.

4.1.2.

Comparaisonavecdautresalgorithmesdeclassication

4.1.2.1.

MosaqueIKONOS

a.

Classicationnondirige

Letableausuivantrsumelesrsultatsobtenuspourlaclassicationnondirigedela
mosaqueIKONOS,laidedelalgorithmede partitionnement kmeans. Linitialisa
tion(seeding)dekmeanstantalatoire,chaqueclassicationpeutmenerunrsul
tatlgrementdiffrent.Pourcetteraison,lestauxdebonneclassication(TBC)etco
efcients kappa afchs sont des moyennes issues de plusieurs classications. Les
cartstypesdeTBCsontgalementlistsandedonneruneidedelavariabilitdes
rsultats.

(a)GLCM

(b)Spectredetexture

(c)FiltresdeGabor

(d)SFTA

(e)KPCSIFT

(f)KPCSURF

(g)Vritterrain

Figure4.5:rsultatsdelaclassicationnondirigedelamosaqueIKONOS

85

Tableau 4.5: tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients


kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigedelamo
saqueIKONOS.Lesmeilleuresvaleurssontindiquesengras.
TBC(%)

TBC (%)

Duremoy.(s)

SIFT

79

0,0

0,73

210

SURF

82

0,2

0,78

925

GLCM

48

2,4

0,34

600

Spectredetexture

72

0,0

0,65

370

FiltresdeGabor

58

0,0

0,48

1080

SFTA

57

0,2

0,46

KPC

Lagure4.5, qui reprsentelesrsultatsobtenus, permetdeconstaterlaprsence


duneimportanteconfusioninterclasse pourlaplupartdesalgorithmestests.Cette
confusionestduelaforteressemblancequecertainestexturesprsentententreelles,
notammentlestextures1,4et5(voirgure3.8).Celaestparticulirementvisiblesur
lagure4.5(c).Lenombredeclassesdtecter(ici5)tantimpos,cetteconfusion
mneladtectiondeclassesinexistantesouaumlangedeplusieursclassesenune
seule(gures4.5(a)(d)).
SeulslesalgorithmesKPC parviennentdiscriminercorrectementlestexturespr
sentes(gures4.5(e)et(f)),commeleretentlestauxdebonneclassicationduta
bleau4.5. Ces TBC sont suprieurs de 6 10% au meilleur TBC des algorithmes
concurrents.Demme,lecoefcientkappaprsenteungainde812%parrapport
aumeilleurkappaconcurrent.IlestimportantdeconstaterquelalgorithmeKPCpar
vientdiffrencierdestexturessituesdansunemmeimage,paroppositionlaclas
sicationdejeuxdimagettes.Eneffet,contrairementlapplicationprcite,laclas
sicationdetexturesauseinduneimageforcelalgorithmedeclassication tre
confrontauproblmedemlangedetexturesauseindesvoisinagesdespixelssitus
auxfrontiresdecestextures.Ceproblmeestdailleursdautantplusprsentqueles
voisinagessontgrands,commecestlecaspourlalgorithmeKPC.Cedernierparvient

86

cependantsurmontercettedifcult.
Bienquelesfrontiressoientsimples,ellesnesonttoutefoispasparfaitementdtec
tes.Commenousleverronsplusieursreprises,ceproblmeconstituelinconvnient
majeurdelalgorithmeKPC.Eneffet,cetalgorithmereposesurlanalysedevoisinages
assezvastespourconteniraumoinsplusieursdizainesdepointscls.Parexemple,les
voisinages utiliss dans les gures4.5(e) et (f) sont respectivement de 131 et 151
pixels,cequiestdummeordredegrandeurque latailledesmorceauxdetextures
(106 172px). Pourobtenirunedtectionplusnedesfrontires,ilfaudraitqueles
texturesaientunetaillesignicativementpluslevequelesvoisinagesutiliss;cecas
degurenestcependantenvisageablequepourdesimagesdersolutionextrmement
leve(delordredeladizainedecentimtresparpixel). Commeonleverradansla
sectionconsacrelamosaqueWorldView2,lalgorithmeKPClivredoncdemeilleurs
rsultatsmesurequelarsolutionspatialedesimagesaugmente.
Enn,ilestintressantdecomparerlestempsdecalcul ncessaireschaquealgo
rithme.PourlamosaqueIKONOS,lalgorithmeleplusrapideestlavarianteSIFTde
KPC.

Tableau 4.6: matricedeconfusiondelaclassicationdelamosaqueIKONOSpar


lalgorithmeKPCSURF.
VRITTERRAIN

CLASSIFICATIO
N

Rgion1

Rgion2

Rgion3

Rgion4

Rgion5

Erreursde
commission

Classe1

12561

1952

928

426

3306(21%)

Classe2

154

11669

580

734(6%)

Classe3

566

484

14739

1259

2883

5192(26%)

Classe4

393

957

11487

1350(11%)

Classe5

1521

10365

1525(13%)

Erreurs
domission

1113
(8%)

2005
(15%)

3493
(19%)

2187
(16%)

3309
(24%)

12107(17%)

87

La matrice de confusion de la meilleure classication (KPCSURF) est reprsente


dansletableau4.6.Onpeutyobserverquelargionlamieuxdtecteestlargion1
(coinsuprieurgauche),malgrsaforteressemblancevisuelleaveclesclasses4et5
(coinsinfrieursgaucheetdroit).
loppos,laclasse3(correspondantlargioncentrale)estsurreprsenteetd
bordenotammentsurlesrgions4et5:ceteffetpeuttreattribulamauvaised
tectiondesfrontirespluttqudeserreursdecaractrisationdestextures.
Enn, il peut tre intressant dobserver la rpartition des pixels ambigus: on
considreraquunpixelestambigulorsqueladistanceentrelevecteurdescripteurdu
pixeletledeuximeplusprochecentrodeestgaleaumoins90%deladistance
entrecemmevecteuretlecentrodeleplusproche(quiestpardnitionlecentrode
delaclasseattribue).Autrementdit,unpixelambiguestpresquemidistanceentre
deux classes diffrentes. Un grand nombre de pixels ambigus tmoigne donc dune
faiblediffrenciationentrelespartitionsdedescripteurstexturaux.
Lagure4.6(b)reprsentelarpartitiondecespixelsambigus.Onconstatequilssont
logiquementsitusauniveaudesfrontiresentretextures,maisgalementlelongde
certainsbordsdelimage,tmoignantainsidelaprsencedeffetsdeborddifciles
matriseretnuisantlaclassicationdelimage.

(a)

(b)

Figure4.6:classicationKPCSURFdelamosaqueIKONOS:classicationnormale
(a)etclassicationavecpixelsambigus(engris)(b)

88

DanslecasdelaclassicationKPCSURF,lespixelsambigusreprsentent15%de
touslespixelsdelimage.Cetteproportionestleve:elleestde11%pourKPCSIFT
etinfrieure8%pourlesautresalgorithmes.Cestunesituationparadoxale: on
constatequelesalgorithmesmenantauxmeilleursTBCsontaussiceuxfaisantappa
ratreleplusdepixelsambigus.Onpeuttenterdelexpliquerparlagrandedispersion
desvecteursdescripteurs:bienqueles partitions soientcorrectementidenties(et
donclestexturesbiendiscrimines),lesvecteursdescripteurssonttropdispersspour
assurerunesparabilitsatisfaisantedespartitions.
b.

Classicationsdiriges

Ilatmentionndanslechapitreportantsurlamthodologiequedeuxmthodesde
partitionnementdirigdesdescripteurstexturauxontttestes:ilsagitdekmeans
etde kNN. Lagure4.7 rsumelesrsultatsobtenusavec cestroismthodes. On
peutyobserverqueparmilesdeuxapprochesdiriges,kNNfournitlesmeilleursr
sultats.Cestdoncsurcetteapprochequenousnousconcentreronsdanslasuitede
cettesection.

14 %
12 %
10 %
8%
6%
4%
2%
0%

79,8 % 78,7 %

84,1 % 83,4 %

60,6 % 49,8 %

KPC-SIFT

KPC-SURF

GLCM
Gain k-NN

83,3 % 77,1 %

Spectre de
texture
Gain k-means

62,7 % 58,8 %

70,1 % 58,7 %

Filtres de
Gabor

SFTA

Figure 4.7:diffrencesdeTBCentreclassicationsdiriges(kNNenbleu,kmeans
enrouge)et nondiriges(kmeans). LespourcentagesreprsententlesTBCdesclas
sicationsdiriges.

89

Unseulpixeldentranementatslectionnpourchaquetexture:ilsagitchaque
foisdupixelleplusloignpossibledesautrestextures.
Letableau4.7dtaillelesrsultatsgnrauxobtenuspourlaclassicationdirigedes
descripteurstexturaux. Linitialisation(seeding)ntantplusalatoire(enraisonde
lapprochedirige),lesrsultatsdesclassicationsneprsententplusdevariabilit.
Les TBC et coefcients kappa sont donc dterministes, do labsence dcarttypes
dansletableau4.7.

Tableau4.7:tauxdebonneclassication,coefcientskappaetduresdexcutionde
laclassication dirige(kNN) delamosaqueIKONOS.Lesmeilleuresvaleurssont
indiquesengras.
TBC(%)

Duremoy.(s)

SIFT

80

0,75

172

SURF

84

0,80

695

GLCM

61

0,50

695

Spectredetexture

83

0,79

102

FiltresdeGabor

63

0,53

1107

SFTA

70

0,62

KPC

Encoreunefois,cestlavarianteSURFdelalgorithmeKPCquiproduitlesmeilleurs
rsultats.LesgainsdeTBCparrapportauxalgorithmesconcurrentssontmoinslevs
quedanslapprochenondirige,enraisondesbonnesperformancesdelalgorithmede
spectredetexture.Ainsi,KPCSURFapporteunlgergaindeseulement1%parrap
portcedernieralgorithme,alorsquecegaintaitde10%enmodenondirig.
Lesgures4.8(b),(e)et(f)sontdoncassezsimilaires:onyobserveuneclassication
approximativement correcte, avec peu de confusion interclasse. Les frontires pa
raissentunpeuplusrguliresquedanslaclassicationnondirige.Globalement,les

90

mmesconstatsquenmodenondirigpeuventdonctrefaits:bonnediscrimination
texturale,maisqualitmoyennedesfrontires.

(a)GLCM

(b)Spectredetexture

(c)FiltresdeGabor

(d)SFTA

(e)KPCSIFT

(f)KPCSURF

(g)Vritterrain

Figure4.8:rsultatsdelaclassicationdirigedelamosaqueIKONOS
OnpeutseposerlaquestiondesavoirpourquoilesdeuxvariantesdeKPCnebn
cientquedungainminimelorsdupassagedumodenondirigaumodedirig(comme
lemontrelagure4.7),alorsquelesautresalgorithmesvoientleursTBCaugmenter
de413%. Celapourraitsexpliquerparlastructuredes partitions dedescripteurs
texturaux delalgorithmeKPC: ces descripteurs tant plus disperss queceux des
autresalgorithmes(enraisondeladimensionnalitdelespacetextural),ilestpossible
quilssoientplusfacilementclassiables laide de kmeans (dirigounon). lin
verse,kNNpourraitdavantageproterauxautresalgorithmes,dontlesdescripteurs
sontplusconcentrs.Vusouscetangle,onpeutconsidrerquelesupplmentdinfor
mationsapportparlespixelsdentranementestpeuutilelalgorithmeKPCpuisque
lastructuredesonespacetexturalencouragelepartitionnementnondirig.Dunecer
tainemanire,KPCestdoncoptimispourlaclassicationnondirige.
Enn, on peut galement sedemander pourquoi lalgorithme kNN produit de bien
meilleurs rsultats que lalgorithme kmeans dirig, comme le montre aussi la

91

gure4.7.Larponseestsimple:danslamesureokmeansestunalgorithmeitratif
quinesachvequunefoisuntatdquilibretrouv,linitialisationdescentrodes
alatoireouprdniejoueunrlerelativementmineur,etcedautantpluslorsque
lespartitionssontfaiblementdiffrencies.Ainsi,ilestnaturelquelesclassications
kmeansdirigesetnondirigesfournissentunrsultatproche.Inversement,kNNre
poseexclusivementsurlechoixdeschantillonsdentranement.Suivantlaqualitde
cechoix,lersultatnalpeuttretrsbonoutrsmauvais;ilpeutsurpasserceluide
kmeanssileschantillonsdentranementsontreprsentatifsdeleursclassesrespec
tives.Commecestlecasici,ilestcomprhensiblequekNNfournissedemeilleursr
sultatsquekmeans.

Tempsdecalcul
Ilestintressantdesepenchersurlesdiffrencesdeduresdexcutionentrelesva
riantesSIFTetSURF,maisaussientrelesmodesdirigsetnondirigs.Lagure4.9
permetdemieuxcomprendrecescartsdetempsdecalculenmettantenlumireles
principalesphasesdelalgorithmeKPC. Lesdurestotalesdexcutionquiygurent
peuventlgrementvarierparrapportauxduresrpertoriesdanslestableaux4.5et
4.7,car certainsparamtresonttnormalissanquelesvaleursafchesdansla
gure4.9 soientplusfacilementcomparablesentreelles.Enparticulier,lataillede
voisinageestlammepourlesquatretypesdeclassication(131px).

92

0,0 % 99,1 %
0,3 % 96,5 %

0,7 % 0,1 %
2,7 % 0,5 %

SIFT dirig

0,0 % 88,7 %
0,2 % 65,7 %
0

SURF dirig

0,6 % 10,7 %

SURF non dirig

1,9 % 32,1 %
100

200

SIFT non dirig


300

400

500

600

700

Dure (s)

Dtection et classification des points-cls


Normalisation des descripteurs

Calcul des descripteurs


Partitionnement

Figure4.9:comparaisondestempsdecalculdechaquetapeentrelesmodesdirigs
(kNN)etnondirigs(kmeans),pourlesvariantesSIFTetSURF
Plusieursconstatspeuventtrefaits.Dabord,lapremiretape(dtectionetclassi
cationdespointscls)reprsenteuncotngligeableencomparaisondeladureto
taledelalgorithme.CeconstatestimportantcarlefaitquelavarianteSURFdeKPC
soitbeaucouppluslentequelavarianteSIFTnestpasintuitif:eneffet,SURFajuste
menttconu(enpartie)danslebutdtreplusrapidequeSIFT.Lanalysedestemps
de calcul le conrme: cette premire tape est environ deux fois plus rapide pour
SURFquepourSIFT(enmoyenne240contre510ms).Seulement,cesduressontmi
nimesetninuentdoncenrienladuretotaledelalgorithme(dautantplusqueles
implmentationsGPUsouventdisponiblesacclrentgrandementcettetape).
Deuximement,lacomparaisondirig/nondirigmontre queladiffrencededure
dexcutionentrecesdeuxmodesestseulementdue ltapenalede partitionne
ment,cequiestprvisible.Onvoitainsiquekmeans(nondirig,maislaversiondiri
geproduitlesmmesrsultats)estenviron100foispluslentequekNN:enmoyenne
73scontre820ms.Celametenvidenceladifcultpourkmeansdeconvergervers

93

unrsultatstable.Deplus,onconstateaussiquemmeenutilisantkmeans,laphase
de partitionnement nestpasloriginedelamajeurepartiedeladuredexcution
(aumaximum32%,dansuncasextrme).
Enn,lacomparaisonSIFT/SURFmetenvidencelacauseprincipaledeladiff
rencedetempsdecalculentrecesdeuxvariantes.Ilesteneffetclairquecestlaphase
decalculdesdescripteurstexturauxquiconstituelaplusgrandepartdutempsdex
cution.Lesdescripteurssontbasssurlecalcul destatistiquesspatialesde second
ordreentrelespointscls,cestdiresurltudedelarpartitiondesdistancesentre
chaquepairedepointscls.Letempsdecalculdesdescripteursestdoncapproximati
vementproportionnelaucarrdenombredepointsclsdtects;orSURFdtecteen
vironledoubledepointsclsqueSIFT(655contre275).Oncomprenddoncaisment
pourquoicettetapedure~600spourSURFet~150spourSIFT.
Ainsi,ilapparatquelespistesdoptimisationdutempsdecalculdelalgorithmeKPC
sontdavantagechercherductducalculdesstatistiquesspatialespluttquedu
partitionnementdesdescripteurstexturaux.
4.1.2.2.

MosaqueWorldView2

Letableau4.8rsumelesrsultatsobtenuspourlaclassicationnondirigedelamo
saqueWorldView2. Pourcetteimage,cestlavarianteSIFTdeKPCquiproduitle
meilleurrsultat.Lesdiffrencesdeperformancedesalgorithmestestssontencore
plusmarquesquedanslasectionprcdente:lesvariantesdeKPCsurpassentde11
13%lemeilleurdesalgorithmesconcurrents.Cegaintaitde612%danslecasde
lamosaqueIKONOS.

94

Tableau 4.8: tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients


kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigedelamo
saqueWorldView2.Lesmeilleuresvaleurssontindiquesengras.
TBC(%)

TBC (%)

(%)

Duremoy.(s)

SIFT

86

0,1

0,83

9940

SURF

85

1,3

0,82

36180

GLCM

72

0,7

0,67

530

Spectredetexture

74

0,0

0,68

3420

FiltresdeGabor

64

0,0

0,57

19060

SFTA

65

0,0

0,58

KPC

(a)GLCM

(b)Spectrede
texture

(c)Filtresde
Gabor

(e)KPCSIFT

(d)SFTA

(f)KPCSURF

(g)Vritterrain

Figure4.10:rsultatsdelaclassicationnondirigedelamosaqueWorldView2

95

Cetteamliorationdesperformancespeuttreexpliquededeuxmanires.Premire
ment,larsolutiondelamosaqueWorldView2estsuprieurecelledelamosaque
IKONOS:52cm/pxcontre82cm/px.Lenombreaccrudedtailsauneffetdirectsurle
nombre et la densit des pointscls dtects. Comme lindique le tableau4.9, cette
densitaugmentesignicativementdanslecasdelamosaqueWorldView2.Celaper
metlalgorithmeKPCdamliorerlacaractrisationdestexturesetdonclaqualit
naledelaclassication.
Deuximement,lagomtriedelamosaqueWorldView2estdavantagefavorablela
classication:lesfrontiresentretexturessontlgrementplussimples,etsurtoutles
morceauxdetexturessontbienplusgrandsquedanslimageIKONOS:cesderniers
fonteneffet300pixelsdect.Latailledesvoisinagesutilisspourclassierlestex
turesestainsisensiblementplusfaiblequecelledesmorceauxdetexture,permettant
unemeilleuredtectiondesfrontires.Celarejointlidedveloppedanslasectiona:
pluslarsolutionspatialedelimagesourceesthaute,pluslepotentieldeKPCestle
v.

Tableau4.9:densitdepointsclsdtects,parimageetparalgorithmededtection
(ennombredepointsclspar1000pixels).
SIFT

SURF

MosaqueIKONOS

3,8

9,0

PlacetteIKONOS

5,2

9,8

MosaqueWorldView2

6,9

12,8

LamatricedeconfusiondelaclassicationparKPCSIFT(gure4.10(e))estrepr
sentedansletableau4.10. Lesclassesaveclesplusfaibleserreursdecommission
sontlesclasses4et6;ellescorrespondentauxtextureslesplusrgulires(champsde
masetplantationdesapins)etdonclesplussimplesclassier.Contrairementaux

96

algorithmesdeclassicationconcurrents,lesclasses1et2sontbiendiffrencieset
prsententpeuderreursdecommissionluneparrapportlautre.Enn,ilestint
ressantderemarquerquilyaassezpeudeconfusionentrelesclasses2,3et5quire
prsententtoutesdesfortsmaturesetdenses.

Tableau 4.10: matricedeconfusiondelaclassicationdelamosaque WorldView2


parlalgorithmeKPCSIFT. Unpixelsurdeuxa tclassidanschaquedirection
(25%detouslespixels).
CLASSIFICA
TION

VRITTERRAIN

Erreursde
Rgion Rgion Rgion Rgion Rgion Rgion commission(%)
1
2
3
4
5
6

Classe1

16348

1280

4084

5364(25%)

Classe2

3282

20843

3287(14%)

Classe3

2570

77

20999

2907

147

5701(21%)

Classe4

14690

900

900(6%)

Classe5

1501

81

22203

1906

3488(14%)

Classe6

733

19544

733(4%)

Erreurs
domission(%)

5852
(26%)

1357
(6%)

1501
(7%)

7801
(35%)

147
(1%)

2806
(13%)

19473(15%)

Lagure4.11 indiquelarpartitiondespixelsambigus(voirsectiona).Cettefoisci,
lespixelsambigusreprsentent12%(16%pourlavarianteSURF)delensembledes
pixelsclassis,cequiestsuprieurlaproportiondepixelsambiguspourlamo
saqueIKONOS.Onpeutobserverquungrandnombredepixelsattribusparerreur
laclasse1(enblanc)danslargion4nesontpasconsidrsambigus.Celatrahitun
problmeparticulierdecaractrisationdelaclasse1,quipeuttredsoncaractre
irrgulierethtrogne.

97

(a)

(b)

Figure4.11:classicationKPCSIFTdelamosaqueWorldView2:classicationnor
male(a)etclassicationavecpixelsambigus(engris)(b)
4.1.2.3.

PlacetteIKONOS

LadernireimagetesteestlaplacetteIKONOS.Letableau4.11etlagure4.12r
sumentlesrsultatsdesclassicationsdecetteimage.
Cesrsultatssontbienplusmitigsquepourlesimagesprcdentes.BienqueKPC
SIFTparviennedcrocherleplushautTBCetKPCSURFlecoefcientkappaleplus
lev,lesrsultatsdeKPCnesontpassignicativementmeilleursqueceuxdesalgo
rithmesconcurrents,comptetenudescartstypeslevs.
Leshautesvaleursdescartstypespeuventtreattribuslacomplexitdelimage
source:causedufaitquelessegmentssontbeaucouppluspetitsetirrguliersque
danslesimagesprcdentes,lephnomnedemlangedetextureslintrieurdes
voisinagesestbienplusprsent.Celaapoureffetdempcherlapparitiondepartitions
facilement dtectables dans lespacetextural, crant ainsi uneplus forteinstabilit
lorsdupartitionnementparkmeans.

98

Tableau4.11:tauxdebonneclassicationmoyens,cartstypesduTBC,coefcients
kappamoyensetduresmoyennesdexcutiondelaclassicationnondirigedelapla
cetteIKONOS.Lesmeilleuresvaleurssontindiquesengras.
TBC(%)

TBC (%)

(%)

Duremoy.(s)

SIFT

39

3,0

0,22

538

SURF

38

2,0

0,24

2959

GLCM

37

0,4

0,21

338

Spectredetexture

36

3,9

0,18

1230

FiltresdeGabor

38

1,4

0,24

743

SFTA

34

1,5

0,15

KPC

Deplus,lagure4.12metenvidencelaprincipalefaiblessedelalgorithmeKPC,qui
estladtectiondefrontirescomplexes.Latailledessegmentsesticidelordrede
quelquesdizainesdepixels,alorsquelesvoisinagesutilissfontenvironunecentaine
depixelsdect.LabonnecapacitdeKPCdiscriminerlestexturesneparvientpas
compenser la mauvaise dtection de frontires, contrairement aux images prc
dentes.Pourcetteraison,lesperformancesdeKPCnedpassentpassignicativement
cellesdesautresalgorithmes.
Ilestcohrentdeconstaterquelaproportiondepixelsambigusestpluslevequeja
mais(gure4.13):pourlaclassicationKPCSIFT,elleatteint26%.Celatraduitla
faiblediffrenciationdesdescripteursdanslespacetexturaletladifcultclassier
lesmlangesdetexture.

99

(a)GLCM

(b)Spectredetexture

(c)FiltresdeGabor

(d)SFTA

(e)KPCSIFT

(f)KPCSURF

(g)Vritterrain

Figure4.12:rsultatsdelaclassicationnondirigedelaplacetteIKONOS

(a)

(b)

Figure4.13:classicationKPCSIFTdelaplacetteIKONOS:classicationnormale
(a)etclassicationavecpixelsambigus(engris)(b)

100

4.2.Fusiondimages
Lasection4.1amisenvidencelesbonnesperformancesdelalgorithmeKPC,essen
tiellementduessacapacitdiscriminerdestexturessimilaires.Enrevanche,la
mauvaisedtectiondesfrontiresentretexturesconstituelaprincipalefaiblessedecet
algorithme.Pourpallierceproblme, nousnoussommes orients versuneapproche
multichelle.
Lasection4.2.1rsumelesrsultatsgnrauxobtenuslorsdelafusionmultichelle
destroisimagestest.Lasection4.2.2visetudierlecasspciquedelafusionmul
tichelleduneimagedgradeparunbruitimportant,andemieuxvaluerlepoten
tieldunetelleapproche.Enn,lasection4.2.3analysedansquellemesureleconcept
deabilitdessourcespermetdamliorerlersultatnal.

4.2.1.

Rsultatsgnraux

Lestableaux4.12,4.13et 4.14rsumentlesrsultatsobtenuspourlafusiondetrois
chelles dechacunedesimagesdetest(respectivementlamosaqueIKONOS,lamo
saqueWorldView2etlaplacetteIKONOS). Lesvaleursafchesdanscestableaux
correspondentauTBC,quiestladiffrenceentreleTBCdelaclassicationfusionne
etleTBCdelaclassicationsource enrsolutiondebase.Parexemple,silestrois
chellesdersolutiondunemmeimageontdesTBCde48,42et43%etquelafusion
rsultantdecestroischellesaunTBCde50%,alorsTBCvaut2%.
Lestroischellescorrespondentauxrsolutionssuivantes:100%,50%et25%(rso
lutiondebaseetrsolutiondivisepar2et4).Danscettesection,lecoefcientdeabi
litestignor.LesclassicationssourcesonttoutesissuesdeKPCSIFT.Lesrsultats
completspeuventtretrouvsdanslannexe2.
Lagure4.14reprsente,titredexemple,lessourcesmultichellecorrespondant
lamosaqueIKONOS:

101

(a)

(b)

(c)

Figure4.14:mosaqueIKONOS:rsolutions100%(a),50%(b)et25%(c)

Tableau 4.12: TBC(%)issusdelafusion multichelledelamosaqueIKONOS,


sanscoefcientdeabilit.Lesmeilleuresvaleurssontengras.
Dcision
Initialisation

Modlede
distancesimple

Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

Robuste

Disjonctive

Conjonctive

Combinaison

Modlede
Robuste
distancecompos
Disjonctive

102

Tableau 4.13: TBC (%) issus de la fusion multichelle de la mosaque


WorldView2,sanscoefcientdeabilit.Lesmeilleuresvaleurssontengras.
Dcision
Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

10

10

10

Robuste

10

Disjonctive

10

Conjonctive
Modlede
Robuste
distancecompos
Disjonctive

10

10

10

10

10

11

10

Initialisation

Modlede
distancesimple

Combinaison

Tableau 4.14: TBC(%)issusde lafusion multichelledela placette IKONOS,


sanscoefcientdeabilit.Lameilleurevaleurestengras.
Dcision
Initialisation

Modlede
distancesimple

Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

+7

+6

+6

Robuste

+7

Disjonctive

+7

Conjonctive

+7

+7

+7

+7

+1

+7

Combinaison

Modlede
Robuste
distancecompos
Disjonctive

Plusieursconclusionspeuventtretiresdecesrsultats.Commenonsparltudedes
tapesduprocessusdefusion:

Initialisation:parmilesdeuxapprochestestes(modlesdedistancesimpleet
compos),lemodlesimpleressortclairement.Ilestpossiblequelemodlecom

103

pos,dontlebutestdtablirlesmassesdepairesdhypothsesaulieudeshypo
thsessimples,apportetropdambigutdanslamodlisationdeshypothses.

Combinaison:danslamajoritdescas,la combinaison conjonctivemneaux


meilleurs rsultats. Contrairement cequi tait attendu, la combinaison ro
buste ne constitue pas systmatiquement un bon compromis entre fusions
conjonctive et disjonctive. En effet, le conit entre les classications sources
tantsouventlev,lacombinaison robusteaboutitsouventauxmmesrsul
tatsquelacombinaisondisjonctive.

Dcision:bienqueladcisionparmaximumdecrdibilitsembletreengn
rallaplusapproprie,lesrsultatssontassezpartags.Ilnestpaspossiblede
dgager une rgle de dcision qui serait systmatiquement meilleure que les
autres.Toutefois,lescartsdersultatsdunerglededcisionuneautresont
laplupartdutempsassezfaibles.

Le second constat majeur que lon peut dresser est que la fusion multichelle
simple(cestdiresansparamtredeabilit)namliorepaslaqualitdelaclas
sicationpourtouteslesimages.Enparticulier,cetteapprochenedonnepasdebons
rsultatspourlesdeuxmosaques,avecdesTBCde2et8%.Enrevanche,legain
deTBCobtenuparlafusionmultichelledelaplacetteIKONOSestremarquable:
+7%.
Letableau4.15metenparallle,pourchaqueimage,leTBCdelaclassicationSIFT
nondirige(rsolutionnative),notTBCsource,etlegainmaximumdeTBClissuede
lafusion.Bienquelenombredimagessoittropfaiblepourtablirunecorrlationsi
gnicativeentrecesdeuxvariables,ilestclairementvisiblequelegaindeTBCest
dautantpluslevqueTBCsourceestfaible.

104

Tableau 4.15: TBCsource (classicationKPCSIFTnondirige)etTBCpourchaque


image(en%).
Image

TBCsource

TBC

MosaqueIKONOS

79

MosaqueWorldView2

86

PlacetteIKONOS

41

+7

Cephnomnepeutsexpliquerparleraisonnementsuivant:lorsquuneclassication
estdetrsbonnequalitenrsolutionnative,ilestprobablequelesclassicationsde
la mmeimageenrsolutionplusfaibleseront demoinsbonnequalit(voirleta
bleau6.1delannexe2pourillustration).Lafusionmultichelleauradoncpoureffet
dedgraderlaclassicationoriginale.Inversement,silaclassicationenrsolution
nativeestdjdefaiblequalit,lesclassicationsauxchellesinfrieuresneseront
probablementpassensiblementdiffrentes etlafusionpourrajouersonrleefcace
ment.
Ainsi,silonprendcommerfrencepourlecalculdeTBCleTBCmoyen(parmiles
troischelles)aulieudumeilleurTBC(chelledebase),alorsTBCvaut+10%pour
lamosaqueWorldView2aulieude8%.
Onpeutainsientireruneconclusionimportante:lapprochedefusionmultichelle
employeneprsentedintrtquepourlesimagescomplexesetdifcilesclassier.
Bienentendu,laquestionsuivanteseposealors:osesitueleseuildecomplexit?
Partantduprincipequelontravailleenmodenondirig,commentsavoirsilafusion
multichellerisqueounondedgraderlaclassicationinitiale?Ilnyapasderponse
simpleceproblme;lasolutionlaplusdirecteconsisteeffectuerunecomparaison
visuelleavant/aprsfusionandeconserverlersultatquiparatleplussatisfaisant.
Lesgures4.16,4.17et4.18permettentdesefaireuneidedesrsultatsdesfusions
multichelle.Pourchaqueimagesourcesontreprsentes:

105

1. laclassicationKPCSIFTdelimagesourceenrsolutionoriginale(lesclassi
cationsdesautresrsolutionssontrpertoriesdanslannexe2,gure6.2).
2. lersultatdelafusionmultichelle(avec3rsolutions,diminuesdunfacteur
2pourchaquechelle),comprenantuniquementdeshypothsessimples.
3. lemmersultatqueprcdemment,enfaisantgalementapparatreleshypo
thsescomposes(seulesleshypothsesdualessontreprsentespourdesrai
sonsdelisibilit).Lacrdibilit/plausibilitdeshypothsescomposestant
toujourssuprieureougalecelledeshypothsessimples,ilafalluchoisirune
rglepermettantdeconservercesderniresanqueleshypothsescomposes
ne reprsentent que les situations dincertitude et/ou dimprcision.
Largleretenueestlasuivante:pourchaquepixel,unehypothsesimpleest
privilgieparrapportauxhypothsescomposessisacrdibilit(ousaplausi
bilit)estsuprieureuncertainseuil,gnralementgal0,8maissuscep
tibledevarierduneimageuneautre.Notonsquepourcetteraison,lapropor
tiondepixelsdontlhypothseestcomposenestpasindicativedelincertitude/
imprcisiongnraledelaclassication,maisrsulteuniquementdunseuillage
arbitraire.
4. larpartitionduconit,pixelparpixel,entrelesimagessources.
Lalgendeestlasuivante:
1

12

15

24

34

45

13

16

25

35

46

14

23

26

36

56

Figure4.15:lgendedeshypothsessimplesetcomposes

106

(a)Classication
source(rsolution
originale)

(b)Fusion
(c)Fusion
(d)Conit(noir=0%,
multichelle
multichelle
blanc=100%)
(hypothsessimples) (hypothsessimpleset
composes)

Figure4.16:mosaqueIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichelle(modlededistancesimple,combinaisonconjonctive,dcisionpar
maximumdecrdibilit) avechypothsessimples (b) etcomposes (c), rpartitiondu
conit(d)
Lagure4.16,quireprsentelamosaqueIKONOS,neprsentepasdersultatssur
prenants. Le rsultat de la fusion multichelle est trs proche de la classication
source:lafusionsestdoncmontrepluttrobustedanscecas.Lafchagedeshypo
thsescomposestmoignesimplementdelincertitudedtecteparlathoriedelvi
denceauniveaudesfrontiresentretextures,cequiestcohrent.
Lamosaque WorldView2 est cellequialeplussouffertdela fusionmultichelle
(gure4.17),principalementcausedelamauvaisedtectiondestextures4et5(bleu
foncetturquoise)auniveaudeschellesinfrieures.Celaseretedailleursauni
veau de la carte du conit, qui nest pas limit aux frontires entre textures. La
gure4.17(c)montretoutefoisquelapriseencomptedeshypothsescomposesper
metdedlimiterplusclairementlesprincipauxsegments.Lefortconitauniveaude
latexture4peutsexpliquerparlefaitquilsagitdunetexturetrsuniforme(champ
demas)quiprsentepeudetraitscaractristiques.Unimportantphnomnedem
langedeclassespeutdoncavoirlieuauniveaudesfrontiresaveclesautrestextures,
particulirement faible rsolution. Cela met en vidence une limite de lapproche
multichelle.

107

(a)Classication
source(rsolution
originale)

(b)Fusion
(c)Fusion
(d)Conit(noir=0%,
multichelle
multichelle
blanc=100%)
(hypothsessimples) (hypothsessimpleset
composes)

Figure 4.17: mosaque WorldView2:classicationKPCSIFToriginale(a),rsultat


delafusionmultichelle(modlededistancesimple,combinaison robuste,dcision
parmaximumdeplausibilit)avechypothsessimples(b)etcomposes(c),rpartition
duconit(d)

(a)Classication
source(rsolution
originale)

(b)Fusion
(c)Fusion
(d)Conit(noir=0%,
multichelle
multichelle
blanc=100%)
(hypothsessimples) (hypothsessimpleset
composes)

Figure 4.18: placette IKONOS:classicationKPCSIFToriginale(a),rsultatdela


fusionmultichelle(modlededistancesimple,combinaisonconjonctive,dcisionpar
maximumdecrdibilit) avechypothsessimples (b) etcomposes (c), rpartitiondu
conit(d)
Lagure4.18estlaplusdifcileanalyserenraisondelacomplexitdesfrontires

108

delaplacetteIKONOS.Lamliorationde7%duTBCentrelesgures4.18(a)et(b)
nestpasvidenteconstater(cfvritterrainengure4.12(g)).Lacartedesconits
montrequeseules,deuxzonessontcorrectementclassiestoutesleschelles,cor
respondantapproximativementauxsegmentsjauneetbleu.Lacomplexitdesfron
tiresestloriginedeconitsdanslamajeurepartiedelimage.Leconitmoyenest
dailleursde88%,cequiestunevaleurremarquablementleve:parcomparaison,il
estdeseulement19%pourlamosaqueIKONOS.

4.2.2.

Imagesbruites

AndemieuxtudierlelienentrelaqualitdesimagessourcesetlegaindeTBCap
portparla fusion multichelle, il est ncessairede disposer dimages supplmen
tairesdequalitvarie.Pourcefaire,diversniveauxdebruit blancgaussien ontt
ajouts auximagesdetest. Autotal,12imagesontainsitconstruites,auxquelles
sajoutentlestroisimagesdetestnonarticiellementbruites.Chacunedecesimages
afaitlobjetdelammefusionmultichellequedanslasectionprcdente(classica
tionKPCSIFTdetroischelles).Lesrsultatssontrcapitulsdansletableau4.16et
lagure4.19.

Tableau4.16:TBCetTBCsource(entreparenthses)pourchaqueimage(en%).
Image

carttypedubruit(enniveauxdegris)

TBC
moyen

20

40

60

80

MosaqueIKONOS

2
(79)

+138
(52)

+3
(70)

3
(66)

0
(59)

Mosaque
WorldView2

8
(86)

+9
(68)

+5
(67)

4
(84)

+188
(62)

+1

PlacetteIKONOS

+7
(41)

+9
(32)

+3
(38)

+4
(36)

+0
(48)

+5

Cesdeuxvaleursextrmes(TBC=+18%et+13%)onttexclueslorsdelanalysedesdonnes(calculdu
tauxdecorrlationetdesmoyennes).EllessontduesdescartsanormauxentrelesTBCobtenusaux
diffrenteschellesdeclassication.

109

20 %
15 %

TBC

10 %
5%
0%
20 %
-5 %

30 %

40 %

50 %

60 %

70 %

80 %

90 %

-10 %
TBC(source)

Mosaque IKONOS
Placette IKONOS

Mosaque WorldView-2
Tendance

Figure4.19:TBCenfonctiondeTBCsourcepourchaqueimage
Cesrsultatspermettentdemettreenvidenceunecorrlationde0,66entrelaquali
tdesclassicationssourceetlegaindeTBCapportparlafusionmultichelle.Cela
conrmelatendanceobservedanslasectionprcdente:plusuneclassicationest
demauvaisequalit(enraisondelacomplexitdelimagesource),pluslafusionmul
tichelleapporteungainimportant.
LapproximationlinairedelatendancepermetdestimerqueleTBC sourcereprsentant
lalimiteentreTBCpositifetngatifestdenviron70%(bienquilsoitvisiblequedes
gainspeuventtreobtenusaudeldecettevaleur).Autrementdit,sileTBCdela
classicationinitialeestinfrieur70%,ilestprobablequelafusionmultichelle
aurapourconsquenceuneamliorationdelaqualitdelaclassication,etinverse
ment.
Globalement,lavaleurmoyennedeTBCestde+2%,avecdesvaleursschelonnant
entre8et+9%.Celamontreque,demaniregnrale,lhypothseselonlaquellela
fusion multichelle permet damliorer la qualit de la classication est vrie.

110

Commeindiquplushaut,ilfauttoutefoisgarderlespritquecetteamliorationnest
passystmatiqueetdpendnotammentdelaqualitdelimagesource.

4.2.3.

Fiabilitdessources

Lemodlededistance,utilispourinitialiserlesmassesdeshypothsespourchaque
source,permetlutilisationdunparamtredeabilit,comprisentre0et1.Cepara
mtrereprsentelaconancequelonestimepouvoiraccorderchaquesourceeten
pondrelesmasseslorsdelaphasedecombinaison.
Jusquici,ceparamtrentaitpasprisencompte(savaleurtaitsystmatiquement
rgle1).Danscettesectionseratudilegainqueceparamtrepeutapporterdans
uncontextedefusionmultichelle.
Commeindiqudanslechapitremthodologique,deuxmthodesdestimationde ont
t mises enuvre:unmodlemultichelle (ME) dans lequel intervient unpara
mtre,etunmodleplusgnriquebassurlestimationaprioridelafrquencedes
classesdanslimagesource(DISS)ointervientunparamtred.Cesdeuxmodlesont
tappliqusauxtroisimagesdetest.
LesestimationsaprioridelafrquencedesclassessurlaquellelemodleDISSrepose
sontlessuivantes:

mosaqueIKONOS:estimationidalecorrespondantauxfrquencesrellesdes
classes(1/4pourlaclassecentrale,3/16pourlesautres);

mosaqueWorldView2:estimationidalecorrespondantauxfrquencesrelles
desclasses(1/6pourchaqueclasse);

placetteIKONOS:estimationbasesurunarrondidesfrquencesrellesdes
classes([0,40;0,10;0,20;0,20;0,05;0,05]).

Encequiconcernelesdeuxpremiresimagesdetest,onsestdoncplacdansunesi

111

tuation idale qui surestimera probablement les performances du modle DISS en


conditionsrelles.LestimationdesfrquencesdanslecasdelaplacetteIKONOSvise
rendrelesrsultatsunpeuplusralistes.
Anderendrelestestsaussignriquesquepossible,ilatchoisiderendrelespara
mtresdetconstants(bienquelesvaleursoptimalesvarientduneimagelautre).
Leursvaleursontainsitrespectivementxes10et0,2.

Tableau 4.17: TBC par rapport aux classications sources (en %). Entre paren
thses:gainsdeTBCapportsparlutilisationdemodlesdestimationduparamtre
deabilit.
Modle
destimationd

Image
MosaqueIKONOS

Mosaque
WorldView2

PlacetteIKONOS

2()

8()

+7()

ME(=0,2)

1(+2)

+1(+9)

+5(2)

DISS(d=10)

2(+1)

+1(+9)

+4(3)

Aucun(=1)

Letableau4.17rsumelesrsultatsobtenusenintgrantlesmodlesdestimationdu
paramtredeabilitdanslalgorithmedefusionmultichelle.Lesvaleursentrepa
renthsescorrespondentladiffrencedeTBCentrelabsenceetlaprsencedeces
modles;lesautresvaleurscorrespondentauTBCnal(diffrenceentreleTBCdela
classicationsourceKPCSIFT)etleTBCnal.
OnconstatequelesmodlesdestimationdapportenttousdeuxungaindeTBCaux
images dont le TBC initial (sans abilit) tait ngatif, cestdire aux deux mo
saques.DanslecasdelamosaqueWorldView2,cegainestsufsammentimportant
pourqueleTBCdeviennepositif,etdoncpourquelafusionmneunerelleam
liorationdelaclassicationnale.

112

Aucontraire,lutilisationduparamtredeabilitdiminuelaqualitdelaclassica
tionnaledanslecasdelaplacetteIKONOS;leTBCrestecependantpositif.
Enmoyenne,lemodle ME aapportungaindeTBCdenviron2,9%,contre2,3%
pourlemodle DISS.Bienqueceschiffresportentseulementsurtroisimages,cela
laissepenserquelemodleME,plusgnrique,estplusadaptlestimationdelaa
bilit;dautantplusquelesestimationsdefrquencedesclassessurlesquelleslemo
dleDISSsestbastaient,pourdeuximages,idalesetnonapproximativescommece
seraitlecasdansuneapplicationrelle.
Lesclassicationsnalessontreprsentesdanslesgures4.204.22avec,titrede
comparaison,laclassicationsource(cestdiresansfusionmultichelle)(a),etla
classicationissuedelafusionmultichellesansparamtredeabilit(b).Enn,le
tableau4.18rcapitulelesgainsnauxapportsparlafusionentenantencompteles
timationduparamtredeabilit.

(a)Classication
source(rsolution
originale)

(b)Fusion
multichelle(=1)

(c)Fusion
multichelle(=ME)

Figure4.20:mosaqueIKONOS:classicationKPCSIFToriginale(a),rsultatdela
fusionmultichellesans(b)etavecestimationduparamtredeabilit(c)

113

(a)Classication
source(rsolution
originale)

(b)Fusion
multichelle(=1)

(c)Fusion
multichelle(=DISS)

Figure 4.21: mosaque WorldView2:classicationKPCSIFToriginale(a),rsultat


delafusionmultichellesans(b)etavecestimationduparamtredeabilit(c)

(a)Classication
source(rsolution
originale)

(b)Fusion
multichelle(=1)

(c)Fusion
multichelle(=ME)

Figure 4.22: placette IKONOS:classicationKPCSIFToriginale(a),rsultatdela


fusionmultichellesans(b)etavecestimationduparamtredeabilit(c)

114

Tableau4.18:TBCsource(classicationKPCSIFTnondirige)etTBC,incluantlesti
mationduparamtredeabilit,pourchaqueimage(en%)
Image

TBCsource

TBC

MosaqueIKONOS

79

MosaqueWorldView2

86

+1

PlacetteIKONOS

41

+5

Lesgures4.20et4.22nepermettentpasdobserverunrelchangementdelaqualit
delaclassication(malgrunTBClevdanslecasdelaplacetteIKONOS).Enre
vanche,onconstatedesmodicationsintressantesdanslecasdelamosaqueWorld
View2(gure4.21):encomparantlesgures4.21(a)et(c),onobserveprincipalement
uneplusgrandehtrognit(danslaclassebleuenotamment)bienque TBCsoit
positif.Cephnomnepourraitprobablementtrecorrigpardesmthodesdemor
phologiemathmatique(rosion/dilatation),parexemple.Ceposttraitementnapas
tmisenuvrecausedunnombretroprestreintdimagescomplexesquipermet
traitdenvaliderlefcacit.

4.3.Discussionetconclusionpartielle
LestestsmenssurlesimagessourceontmontrlapertinencedelalgorithmeKPC
pourlaclassicationdimagestexturescomplexes.Cesrsultatsrestentassezgn
raux,dautantplusquedeuximagessource sont desimagessynthtiquesidales,
maispermettentnanmoinsdemettreenvidencelacapacitdiscriminatoiredeKPC.
Danslesdeuxmosaques,lestexturesonttcorrectementidenties,avecdesrsul
tatsvariablesquantladtectiondesfrontires.
Ilfautnoterquelastructuredestexturesreprsentesdanscesimagesestnaturelle
mentadapteauxclassicationsorientesobjet:ilsagiteneffetmajoritairementde
texturesforestiresgranuleuses,homognesauxchelleslevesmaishtrognes

115

hautersolution.Ilapparatdailleursclairementdanslesrsultatsdelaclassication
delimageWorldView2quecestexturessontlesplusdifcilesdiffrencierpourles
algorithmescomparatifs.
Demme,certainestexturesdelamosaqueWorldView2sontdetypeagricole:champ
demas,plantationdpinettesetdesapins.Detellestexturesprsententunplushaut
niveaudergularitetconstituentundmoinsimportantmais,malgrtout,nontri
vialcommelemontrentgalementlesrsultatsdelaclassication.
Bienquelundesobjectifsdecetravailsoitdemettreenplaceunemthodedeclassi
cationnondirige,unealternativesuperviseatvalueavecdeuxalgorithmesde
partitionnement diffrents (kmeans et kNN). Deux rsultats ressortent de cette
tude:lapprochesuperviseapporteungainmineurlalgorithmeKPC(comparative
ment aux autres algorithmes), et lalgorithme kNN permet un gain substantiel de
tempsdecalcul. Cesecondrsultatestdlafaiblecomplexitde kNN; eneffet,
ltapelapluscoteusedeKPCrestelaphasedecalculdesdescripteurstexturaux,ce
quiminimiselimpactdekNN.
LesbonnesperformancesdelalgorithmeKPCsonttoutefoisnuancer,dufaitdelim
portantproblmelilatailledesfentresdeclassication(voisinages).Cettedifcul
t,classiquedanscetypedapproche,estlie aufaitquunmaximumdepointscls
doiventtreinclusdanschaquevoisinagepourpouvoircaractriseraussinementque
possiblelatextureprsente.Outrelefaitquecelaentraneuneimprcisiondanslad
tectiondesfrontiresintertexturales,unautreproblmesepose:pluslevoisinageest
grand,pluslerisquedemlangedetexturesestprsent,diminuantdautantpluslef
cacitdelaclassication.
Pourpallierceproblme,uneapprochedetypemultichelleatpropose.Lafusion
deschellesdeclassicationatraliselaidedelathoriedelvidence(DST),
andersoudrelesdifcultsliesauxmlangesdeclasse(incertitude),enplusde
limprcisiondesfrontires.Cetteapprocheamendesrsultatsgnralementsatis

116

faisants:surlestroisimagesdetest,deuxontvuleurTBCaugmenter(de1et5%).
Latroisime(lamosaqueIKONOS)aenrevanchesubiunelgrebaissedesonTBC,
infrieure1%.Cesrsultatssonttoutefoisprometteurs,carcestlimagenaturelle
(limageIKONOS)quiasubilaplusforteaugmentationdeTBC.Ilressortainsidesr
sultatsquelapportdelafusionmultichelleestdautantplusgrandquelimageest
difcileclassier. Sans prendre encomptelintroductionduparamtredeabilit,
nousavonsconstatquelafusionmultichelleamliorelaqualitdelaclassication
lorsqueleTBCinitial(cestdireenrsolutionnormale)estinfrieurenviron70%.
Cersultatatobtenuenintroduisantunnouveaulotdimagesconstruitesenajou
tantdiversniveauxdebruitauxtroisimagessources.
Plusgnralement,ilappertquelathoriedelvidenceestbienadaptelafusionde
descripteurstexturauxcomplexes. Cetteobservationnestpastriviale:lathoriede
lvidenceestleplussouventutilisepourfusionnerdesdonnesscalaires(niveauxde
gris,probabilits, etc.)etnonvectorielles,plusforteraisonlorsquelesvecteursen
questionontunedimensionnalitleve(jusqu2000lmentsdanslecasprsent).
Lanaturedecesdonnes imposedescontraintesfortes ltapedinitialisationdes
fonctionsdemasse,tapecrucialedansleprocessusdefusion.Eneffet,laseuleap
procheenvisageableiciconsisteemployerunmodlededistancepourinitialiserles
masses.Untelmodlereposesurladistanceentreunvecteurdescripteuretlescen
trodesdespartitions:parconsquent,ilnepermetdinitialiserqueleshypothses
simples,cequinetirepaspleinementpartidelapuissancedelathoriedelvidence.
Unmodlededistancecomposatproposandinitialisergalementlesmasses
deshypothsesduales;cependant,cemodleneparvientpasdpasserleprcdent.
Onconstatedoncquilexisteunemargedeprogrsceniveau,quincessiteraitune
tudebienpluspousse.
Lefcacitdelafusionmultichelleestenpartiedueauxmthodesdestimationdu
paramtredeabilit.Parmitouteslesmthodesproposesdanslecadredecetravail,

117

seulesdeuxonttdtaillesetvalues(lesautresnedonnantpasdersultatsprli
minairessatisfaisants):uneapprocheparestimationaprioridefrquencedesclasses
etuneapprochegnriquemultichelle.Lasecondefournitdesrsultatslgrement
meilleursetestprobablementplusadapteuneutilisationpratique,carellenen
cessitepasdestimations apriori surlanatureetlafrquencedesclassesdelimage
source. Elleexigetoutefoisdespcierunparamtredontlavaleurauneinuence
nonngligeablesurlersultatnal.
Enn,ilapparatclairementquunavantageimportantdelathoriedelvidenceest
quellefaitressortirleszonesdambigutlintrieurduneimage,malgrleslimita
tionsdelamthodedinitialisationdesfonctionsdemasse. Ceszonessont,logique
ment,principalementlocalisesauxfrontiresintertexturesmaispeuventgalement
apparatrelintrieurdecertainestexturesprsentantpeudetraitscaractristiques.
Danscederniercas,lephnomnedambigutintratexturaleestampliparlap
prochemultichelle,labaissedersolutionentranantuneaggravationduphnomne
demlangedeclasses.

118

5. Conclusion
5.1.Rechercheeffectue
Laprincipaleoriginalitdecetravailestladescriptiondunnouvelalgorithmedana
lysetexturale, nommKPC,combinavecunemthodedefusionvidentiellemulti
chelle.Cetalgorithmereposesuruneapprocheorienteobjet,dontleprincipalintrt
estdtreparticulirementadaptauximagestrshautersolutionspatiale(THRS).
Eneffet,cesimagescontiennentunegrandequantitdedtailspouvanttreplusou
moinsaismentdtectsetanalyss,permettant inne decaractriserlestextures
prsentes.Pourcetteraison,lesapprochesorientesobjets offrentunpotentiellev
pour lanalyse des images fines de tldtection et font lobjet de nombreuses re
cherches.
Lalgorithme KPC repose sur la dtection, la classication et lanalyse spatiale de
pointscls.Deuxvariantesdelaphasededtectionsontproposes:lunesebasesur
lalgorithmeSIFT, et lautresurSURF;cesdeuxalgorithmessontcourammentem
ploysenvisionparordinateur.Lanalysespatialeestltapelaplusnovatrice:ellea
pourbutdenepasbaserlaclassicationtexturaleuniquementsurlescaractristiques
intrinsquesdespointscls,maisgalementsurlamaniredontcesdernierssontr
partisauseindunergiondonne.
Dans un premier temps, plusieurs paramtres de lalgorithme KPC ont t tudis
(section4.1.1) an den dterminer linuence prcise et de mettre en vidence des
pistesdoptimisation.Ilanotammenttmontrquequelquesparamtres(nombrede
classesdepointscls,nombredecomposantesdACP)peuventmeneruneamliora
tiondelaqualitdelaclassication,auprixdunaccroissementconsidrabledeladu
redexcutiondelalgorithme.Andegardercettedernireunniveauraisonnable,
certainesvaleurssousoptimalesdeparamtresonttutilises.

119

LesperformancesdelalgorithmeKPContensuitetcomparescellesdequatreal
gorithmes de classication texturale de rfrence (section4.1.2). La capacit sup
rieuredeKPCdiscriminerdestexturesauseindunemmeimageaainsitdmon
tre. Enparticulier,KPCsestavrcapabledediffrencierdestexturesforestires
trssimilaires,contrairementauxautresalgorithmestests.Deplus,lesrsultatsob
tenuslaidedelamosaqueWorldView2laissentpenserquelefcacitdeKPCest
dautantpluslevequelarsolutionspatialedelimagetesteesthaute.
Touteslesclassicationsprcdentesonttralisesdemanirenonsupervise;des
testsenmodesupervisonttmens.Ilenressortprincipalementquelapprochesu
perviseapporteungainminimeKPC,comparativementauxautresalgorithmesde
classication.Onpeut endduirequeKPC est plus autonomequeles autres algo
rithmes,danslesensoilestcapabledextrairedavantagedinformationsdesimages
tudies.Ilestdoncparticulirementadaptauxcontextesdeclassicationautomati
se.
Pourpallierleproblmeimportantdedtectiondesfrontiresdlalargetailledes
voisinagesutiliss,unemthodedefusionvidentiellemultichelleatpropose.La
versioninitialedecettemthodeafournidesrsultatsmitigs:surlestroisimages
testes,seuleune(limageIKONOS)avusonTBCaugmenter.Lesdeuxautresont
subiunebaissedequalitparfoisimportante.Deplus,cettepremireapprocheaper
misdemontrerquelemodlededistancecompos,utilispourinitialiserlesmasses,
nedpassepaslemodlededistancesimple,contrairement cequi taitattendu.
Enn,ilatconstatquelesmthodesdecombinaisondesmassesetdedcision
fournissentdesrsultatsvariablesduneimagelautre,desortequilestimpossible
de dgager une srie de mthodes universelles qui pourraient tre appliques
nimportequelleimagetoutenobtenantunrsultatoptimal.
Dansunsecondtemps,deuxmthodesdestimationducoefcientdeabilitontt
incorporeslalgorithmedefusionmultichelle.Cesmthodesontpermisdamlio

120

rerlesrsultatsobtenus(legainmoyenestcomprisentre2et3%).Aveclajoutdeces
mthodes,legainmoyenapportparlafusionmultichelledevientpositif,alorsquil
taitauparavantngatif.Lafusionmultichelleproposedevientdoncunoutilviable,
dautantplusquelesgainsdequalitquelleapportesontdautantplus levsque
limagesourceestdifcileclassier.
Lepremierobjectifsecondairenoncconsistaitdvelopperunalgorithmedanalyse
texturaleorientobjetadaptauximagesdetldtectionTHRS,rpondantcertains
critres. IlatmontrquelalgorithmeKPCesteffectivementbienadaptcette
tche,comparativementauxautresmthodestestes.Examinonsprsentlescritres
initialementretenus:

robustesse face aux images de tldtection (impliquant une invariance de


contraste,deluminosit,dchelleetderotation):lesdtecteursSIFTetSURF
prsententunetellerobustesse,etlerestedelalgorithmeKPCestindpendant
desconditionsdacquisitiondelimage.Cecritreestdoncrespect.

sparabilitdesclasses(capacitdiffrencierdestexturessimilaires):lestests
effectusontmontrlabonnecapacitdeKPCdiscriminerdestexturessimi
lairesaupointdtredifficilesdiffrencierparlilhumain.

complexit(duredecalcul):bienqueplusieursparamtresaienttchoisisde
manireconserveruntempsdecalculraisonnable,KPCprsenteunecom
plexitsuprieureauxapprochesstatistiques(matricesdecooccurrence,spectre
detexture).Lechoixdunalgorithmedepartitionnementsimpletelque kNN
permettoutefoisdediminuerletempsdecalcul.

nombredeparamtresrglermanuellement:lalgorithmeKPCcomprendtrois
paramtres obligatoires rglermanuellement (cfsection 5.2). Cenombre est
comparabledautresalgorithmesetnesembledoncpasdraisonnable,mme
silseraitsouhaitabledelediminuer.

121

Onconstatedoncque,danslensemble,lepremiersousobjectifestatteint.
Lesecondobjectifsecondaireconsistait proposerunemthodedefusiontexturale
multichellebasesurlathoriedelvidence,danslebutdamliorerlesclassifica
tionsobtenues.Onavuquecetobjectifapugnralementtreatteint,lersultatva
riantduneimagelautre.

5.2.Limitations
Lesalgorithmesdeclassicationtexturaleetdefusionmultichelleproposssouffrent
deplusieurslimitations,dontcertainessontcourantesdanscetypedapproche.Lepro
blmeprincipalatvoquplusieursreprises:ilsagitdelamauvaisedtectiondes
frontiresentretextures.Ilsagitdunedifcultinvitableenclassicationoriente
objet,duelalargetailledesvoisinagespermettantdecaractriserunetexture.Cet
effetentranedeplusunfortmlangedeclassesauniveaudesfrontires,rduisant
dautantpluslaqualitdelaclassication.Lafusionmultichellepermetdelimiter
dansunefaiblemesureceproblme,notammentenmettantenvidenceleszonesde
mlangedeclassesparlebiaisdeshypothsescomposes.Lersultatnesttoutefois
pasencoresatisfaisantdansdesconditionsrelles.
Uneautrelimitation,classique,concernelestimationdesparamtresutiliss.Lalgo
rithmeKPCcomprendtroisparamtresquidoiventtrerglsmanuellementdune
imagelautre:lenombredeclasses,latailledesvoisinagesetlevecteurdedistances
interpoints pour le calcul des statistiques spatiales. Lalgorithme de fusion multi
chellecomportedeuxparamtres:leparamtrededistanceetleparamtredumo
dledeabilit(dou,suivantlemodle).Ilestpossibledenvisagerdespistesdesti
mationautomatiquedecertainsdecesparamtres,quiserontdtaillesdanslasec
tionsuivante.
Onpeutennvoquerleproblmedutempsdecalcul.Bienquelobjectifnaitjamais
tdefairedelaclassicationentempsrel,oudumoinsdansuneduretrslimite,

122

on pourrait nanmoins esprer que lalgorithme KPC ait une complexit du mme
ordre de grandeur que les algorithmes comparatifs. Cela nest pas le cas pour de
grandesimages,olavarianteKPCSURFpeuttreplusieursdizainesdefoisplus
lentequedautresalgorithmes.Lanalysedesraisonsdecettelenteurlaissepenserque
letempsdecalculdevraitaugmenterdefaonexponentielleaveclatailledelimage
tudie.

5.3.Recommandations
Anderpondreauxlimitesvoquesdanslasectionprcdente,plusieurspistesde
solutionssonticisuggres.

5.3.1.

Dtectiondefrontires

Lamliorationdeladtectiondesfrontiresestunproblmequinapasdesolution
simple.Commementionnprcdemment,lapprochemultichellenapaspermisde
rsoudreefcacementcettedifcult.Lasolutionlaplusvidenteconsisteraituti
liseruneapprocheindpendantepourdtecterlesfrontires,soitparunltrededtec
tiondecontours(detypeSobelouCanny,parexemple),soitparunemthodedeclas
sication texturale faible voisinage, comme les matrices de cooccurrence ou les
ltresdeGabor.Ladifcultseraitalorsdefusionnercetteinformationdecontour
avec la classication KPC. On pourrait envisager un algorithme qui associerait
chaquesegmentdtectparlalgorithmedecontouruneclassedtecteparKPC,
surdescritresdeproximitspatiale.

5.3.2.

Estimationduparamtre

Lajusticationduchoixdelavaleurdeestlonguementvoquedanslannexe1.Il
estpossibledetirerdecetteanalyseunemthodedestimationautomatiquede .Cela
ncessiteraittoutefoisdecorrigercertainesapproximationseffectueslorsdescalculs.

123

5.3.3.

Estimationdunombredeclasses

Lautomatisationduchoixdunombredeclassesestlielamthodedepartitionne
ment nal utilise.Lalgorithme kmeans utilisexigedeconnatreceparamtre a
priori.Uneautremthodedoitdonctremiseenuvre.Lesapprochesdetypeclassi
cationhirarchiquespeuventsavrerefcacesdanscecontexte,bienqueleurcom
plexitcalculatoiresoitleve.

5.3.4.

Priseencomptedeshypothsescomposes

Bienquelafusionmultichelleaitfournidesrsultatsintressants,lapprocheutili
senapaspermisdetirerpleinementpartidespossibilitsdelathoriedelvidence,
pourdeuxraisons:premirement,ilnapastpossibledemettreaupointunmodle
efcacedinitialisationdesfonctionsdemassespermettantdassignerdesvaleursaux
massescomposes,malgrlamiseenuvredunmodlededistancecompos.Linef
cacitdecedernierprovientprobablementdeladimensionnalitlevedelespacetex
tural. Une mthode de rduction de la dimensionnalit pourrait peuttre accrotre
lefcacitdumodlepropos.
LetravaildeGermain(2006)permetdenvisageruneautrepistepourassignerdesva
leursauxhypothsescomposes,parlebiaisdelathoriedesensemblesous.Cela
exigerait toutefois deconstruire une mtrique retant lappartenance dun vecteur
descripteurlensembledespartitions.
Deuximement,ilatmontrdanslesrsultatsquelafusionmultichellepermetde
dgagernonseulementdesclassessimples,commecelaesthabituellementlecasdans
ce type dapplication, mais galement des classes composes (union de plusieurs
classes)indiquantunezonedincertitude.Ilseraitintressantdexploitercessegments
declassescomposespouramliorerlaqualitdelaclassication.

124

5.3.5.

Diminutiondutempsdecalcul

Lanalysemenedanslasection4.1.2.1.bamontrqueltapelapluslonguedeKPC
estlaconstructiondesvecteursdescripteurs.Cesvecteurssontbtislaideducalcul
desstatistiquesspatialesdordre2despointscls.Onpourraitenvisagerdesimplier
cesstatistiques(enliminantlecalculdevaleurspeusignicatives,parexemple):en
plus dacclrer la classication, cela permettrait derduire la dimensionnalit des
donnesetpourraitdonccontribuerrsoudredautresproblmes.

5.4.Perspectives
Pournirsontlistesiciquelquessuggestionsderecherchescomplmentaires,permet
tantdtendrelecadreduprsenttravail.

5.4.1.

Modlesdeabilit

Lesmodlesdeabilitproposssont trs gnriquesetnetiennentpascomptedes


spcicitsdesclassicationssources.Ilseraitintressantdyintgrerdesmtriques
tellesqueladispersiondesvecteursdescripteursouladissimilaritentrelessources.
Lapremiredecesdeuxapprochesnapasfournidersultatsprliminairespertinents
probablementenraisondeladimensionnalitlevedesdonnesmaisconstitue
nanmoinsunepistepotentielle.Laseconde,dcriteparFloreaetBoss(2009),estes
sentiellementapplicableenprsencedenombreusessources(ouchelles,danslecas
prsent).Ilestdoncenvisageabledutilisercetteapprochesilenombredchellesaug
mente,encasparexempledimagesrsolutionspatialeplusleve.

5.4.2.

Ajoutdedonnesmultispectrales

Danscetravail,nousnoussommesexclusivementconcentrssurdesimagespanchro
matiques,carlesdtecteursSIFTetSURFnesontpasadaptsauxdonnesmultis
pectrales.Ilestcertainquelapriseencomptedesbandesspectralesdanslanalyse

125

texturaledevraitamliorerlaclassicationnale,larsolutionlimitedumodemul
tispectralpouvanttresimplementamliorepardesoprationsdetypepansharpe
ning.De nombreux dtecteursdepointscls pourdesimagesencouleur ontdjt
misaupoint;unerevueenatfaitepar(VanDeSandeetal.,2010).Parmilesplus
connus, citons notamment CSIFT dAbdelHakim et Farag (2006), HSVSIFT de
(Boschetal.,2008)ouRGBSIFT(BurghoutsetGeusebroek,2009).

5.4.3.

Imagesplushautersolutionspatiale

Les rsultats de la section4.1.2 ont, comme on la vu, mis en vidence le fait que
limageaveclaplushautersolutionspatialeatlamieuxclassie.Celasuggre
lidequelalgorithme KPCestdautantplusperformantquelimagesourceprsente
ungrandnombrededtails,cequiestnatureltantdonnquilsagitdunalgorithme
orientobjet.Ilseraitbondedmontrercephnomneenseservantdimagesaropor
tesouissuesdesatellitestelsqueWorldView3ouGeoEye2.
Incidemment,ilseraitintressantdetenterdeclassierdesthmesdiffrentsdeceux
utiliss dans ce travail (principalement foresterie et agricole). Analyser une image
comprenantunegrandeproportiondezonesurbainespermettraitdemieuxjugerles
capacitsdelalgorithmeKPC.

5.4.4.

Classificationparapprentissage

Laclassificationdesdescripteurstexturauxatmenepardesimplesalgorithmesde
partitionnement(kmeans,kNN).Bienquelonsorteducadredelaclassificationnon
dirige,ilseraitintressantdemettreenplacedesmthodesdapprentissageplusso
phistiques,tellesqueSVM(SupportVectorMachine)ouunrseaudeneurones.Les
approches de type deep learning, en pleine expansion, pourraient galement tre
adaptes.

126

6. Annexes

127

Annexe1tudeduparamtrededistance
estunparamtreemploydanslesmodlesdistances(cf.section3.1.2.2.a)andedi
minueroudaugmenterlavaleurmoyenneattribueauxfonctionsdemasselorsde
linitialisationdecesdernires.Linitialisationdesmassesestunetapeimportante,
car elle inuence fortement lissue de la fusion. Le choix de est donc dlicat: de
faiblesvariationsdesavaleurpeuventgrandementdiminuerlaqualitdursultat
nal.
Enpratique,etpourtouteslesimages,lesvaleurscomprisesentre10 2 et103 abou
tissentauxmeilleursrsultats.Lavaleur10 2aainsitchoisiepourlecalculdesr
sultatsdelasection4.2.
Danscetteannexe,nousallonsjustiercechoixparuneanalysethoriquedumodle
dedistanceetduconitdanslathoriedelvidence.Pourobtenirdesvaleursnum
riques, nous nous placerons dans le cas de la fusion multichelle de la mosaque
WorldView2,leraisonnementrestantvalidepourlesautresimages.
Commenonspartablirlarelationentreleconitket.Commeindiqudanslasec
tion2.3.4.2,kestpardnitiongallamassedelensemblevide:
(6.1)

Ici,Sestlenombredesources,lesAi(1iS)sontdessousensemblesdhypothses,etmi
lesfonctionsdemassedessources.

(1iS)

Silonfaitlhypothsequeseulesleshypothsessimplessontinitialises(exceptlen
sembledetoutesleshypothses ),cequiestlecasdumodlededistancesimple,il
estpossiblededterminerlesprancedek,quiseraparlasuitenote :

128
(6.2)

o reprsentelesprancedelamassedunsingleton(hypothsesimple)et D un
termedecovariance(daufaitqueles mi nesontpasdesvariablesindpendantes)
quenousnechercheronspasdtermineretquiseraconsidrconstant.
PourSsourcesetCclasses,lenombredesingletonsdontlintersectiontotaleestvide
estgalCSC.Lquation(6.2)devientdonc:
(6.3)

Daprslquation(3.2)dumodlededistance,etennetenantpascomptedupara
mtredeabilit,lavaleurmoyenne delamassedunsingletonpeuttreapproxi
mepar:

(6.4)
o reprsentelecarrdeladistancemoyenneentreundescripteuretleimeplus
prochecentrodedepartition.Danslamesureoletermeexponentieldcrottrsvite
avecladistance,onpeutsimplier(6.4)enretenantseulementlepremierterme(
serasimplementnot ):
(6.5)
Eninjectant(6.5)dans(6.3),onobtient:
(6.6)

Ainsi,ilestpossibledestimer (ou,dumoins,sonordredegrandeur) laidedun


nombrerduitdevariablesetdeparamtres:C,S,et .
Unesimpleinversionde(6.6)permetdexprimerenfonctionde :

129
(6.7)

Lquation(6.7)estlepremierrsultatintressant.Eneffet,leconitkestunevaleur
quelonsouhaitehabituellementtrelaplusfaiblepossible,carunconitlevdimi
nuemcaniquementlesmassesdeshypothsesnonnulles;or,cesontcesmassesqui
sontsignicativesetpermettentdaboutirunedcisionable.
Lquation(6.7)montrequeestunefonctiondcroissantede :pluslonveutque
soitfaible,plusdevratrelev.EnaffectantauxparamtresS, etClesvaleurs
dduitesdelafusiondelamosaqueWorldView2,onobtientlexemplesuivant:pour
avoirunconitde1%,doittredelordrede4103.
Ilsembledoncnatureldaugmenterdemanireaboutirunconitquasinul:ce
pendant,lquationdumodlededistancemontrebienquelesfonctionsdemassesdi
minuentaussilorsque augmente,telpointquetouteslesmassespeuvent gale
ment devenir quasinulles. Cela nest videmment pas souhaitable pour les raisons
voquesplushaut.
Onpeuttenterdedterminerlebonordredegrandeurde encalculantlarelation
entre la masse maximale moyenne (cestdire la masse moyenne de lhypothse
simplelaplusprochedunchantillondonn)et.Cetterelationestsimplementdon
neparlemodlededistance:
(6.8)
Ilsagitencoreunefoisduneapproximation,basesurlhypothsequelesdistances
entreunchantillonetlecentrodeleplusprochesontassezhomognes.
Eninjectant(6.7)dans(6.8),onobtient:
(6.9)

130

Puis,ensimpliant:

(6.10)

Onobtientalors enfonctionde

:
(6.11)

Enn,onpeutinjecter(6.11)dans(6.7):

(6.12)

Lquation(6.12)montrequeestdautantplusfaibleque

estlev.Ainsi,silon

souhaitequelesmasseslesplusfortesaientunordredegrandeurde10 1,alorsdoit
tredenviron5103 (toujoursenutilisantlavaleurde obtenuepourlamosaque
WorldView2).Cettecontrainte,quiencourage choisirunevaleurde aussifaible
quepossible,entreenconitaveclacontrainteissuedelquation(6.7),quiforait
treaussilevquepossible.
Il sagit donc de choisir pour une valeur intermdiaire satisfaisant ces deux
contraintes.Lagure6.1permetdemieuxapprhenderleproblme:onyobserveque
pourlesfaiblesvaleursde,leconitesttropprochede1;lorsqueestlev,lamasse
maximalemoyenneesttropprochede0.Lavaleuridaledesemblesetrouverentre
103 et102,cequiestconrmparlesexprimentations.Enpratique,lavaleur10 2
donnedesrsultatslgrementmeilleursque103.

1E+0

0,9

1E-1

0,8

1E-2

0,7

1E-3

0,6

1E-4

0,5

1E-5

0,4

1E-6

0,3

1E-7

0,2

1E-8

0,1

1E-9

0
1E-4

1E-3

1E-2

Esprance du conflit

m(max) moyen estim

131

1E-10
1E-1

Figure 6.1: massemaximalemoyenne(

,enbleu)etespranceduconit( ,en

rouge)enfonctionde.
Lesparamtresutilisspourconstruirelagure6.1ainsiquepourlesexemplessont
lessuivants:

=400

S=3

C=6

D=0

132

Annexe2Dtailsdesrsultatsdelafusionmultichelle

Tableau6.1:TBC(en%)etcoefcientskappa(entreparenthses)desimagessource
multichelle.
Rsolution
100%

50%

25%

MosaqueIKONOS

79(0,73)

71(0,64)

74(0,68)

MosaqueWorldView2

86(0,84)

67(0,61)

52(0,42)

PlacetteIKONOS

41(0,25)

28(0,10)

41(0,28)

Image

Tableau 6.2: Rsultatsdelafusion3chellesdelamosaqueIKONOSoriginale,


sanscoefcientdeabilit.LapremirevaleurreprsenteleTBC(en%),lasecondele
coefcientkappa.
Dcision
Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

76(0,70)

76(0,70)

76(0,70)

Robuste

76(0,70)

76(0,70)

76(0,70)

Disjonctive

76(0,70)

76(0,70)

76(0,70)

Conjonctive
Modlede
Robuste
distancecompos
Disjonctive

76(0,70)

76(0,70)

76(0,70)

76(0,70)

76(0,70)

76(0,70)

76(0,70)

76(0,70)

76(0,70)

Initialisation

Modlede
distancesimple

Combinaison

133

Tableau6.3:Rsultatsdelafusion3chellesdelamosaqueWorldView2,sansco
efcientdeabilit.LapremirevaleurreprsenteleTBC(en%),lasecondelecoef
cientkappa.Lesmeilleuresvaleurssontengras.
Dcision
Initialisation

Modlede
distancesimple

Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

77(0,72)

77(0,72)

77(0,72)

Robuste

77(0,72)

78(0,74)

79(0,74)

Disjonctive

77(0,72)

78(0,73)

79(0,74)

Conjonctive

77(0,72)

77(0,72)

77(0,72)

77(0,72)

78(0,73)

77(0,73)

77(0,72)

76(0,71)

76(0,71)

Combinaison

Modlede
Robuste
distancecompos
Disjonctive

Tableau6.4:Rsultatsdelafusion3chellesdela placetteIKONOS,sanscoef
cientdeabilit.LapremirevaleurreprsenteleTBC(en%),lasecondelecoefcient
kappa.Lesmeilleuresvaleurssontengras.
Dcision
Initialisation

Modlede
distancesimple

Maximumde
crdibilit

Maximumde
plausibilit

Maximumde
probabilit
pignistique

Conjonctive

48(0,33)

48(0,33)

48(0,33)

Robuste

48(0,33)

40(0,25)

38(0,23)

Disjonctive

48(0,33)

40(0,25)

38(0,23)

Conjonctive

48(0,33)

48(0,33)

48(0,33)

48(0,33)

41(0,26)

42(0,27)

48(0,33)

39(0,24)

39(0,24)

Combinaison

Modlede
Robuste
distancecompos
Disjonctive

134

Figure6.2:Classicationsdesimagessourcemultichelle(colonnedegauche:rso
lution=100%,colonnecentrale:rsolution=50%,colonnededroite:rsolution=
25%).

135

7. Rfrences
AbdelHakim,A.E.etFarag,A.A.(2006)CSIFT:ASIFTDescriptorwithColor
InvariantCharacteristics.2006IEEEComputerSocietyConferenceon
ComputerVisionandPatternRecognition,vol.2,p.19781983.
Appriou,A.(1993)Formulationettraitementdelincertainenanalysemultisenseurs.
14Colloquesurletraitementdusignaletdesimages,FRA,1993.GRETSI,
GroupedEtudesduTraitementduSignaletdesImages.
Arthur,D.etVassilvitskii,S.(2007)Kmeans++:TheAdvantagesofCarefulSeeding.
ProceedingsoftheEighteenthAnnualACMSIAMSymposiumonDiscrete
Algorithms,SODA07,p.10271035.Philadelphia,PA,USA:Societyfor
IndustrialandAppliedMathematics.
Bauer,J.,Sunderhauf,N.etProtzel,P.(2007)Comparingseveralimplementationsof
tworecentlypublishedfeaturedetectors.Proc.oftheInternationalConference
onIntelligentandAutonomousSystems,vol.6.
Bay,H.,Ess,A.,Tuytelaars,T.etVanGool,L.(2008)Speededuprobustfeatures
(SURF).Computervisionandimageunderstanding,vol.110,n3,p.346359.
Bay,H.,Tuytelaars,T.etVanGool,L.(2006)Surf:Speededuprobustfeatures.
ComputerVisionECCV2006,p.404417.
Blaschke,T.(2010)Objectbasedimageanalysisforremotesensing.ISPRSJournalof
PhotogrammetryandRemoteSensing,vol.65,n1,p.216.
Bloch,I.(2003)Fusiondinformationsentraitementdusignaletdesimages.Herms
SciencePublications.
Bloch,I.etMatre,H.(1994)Fusiondedonnesentraitementdimages:modles
dinformationetdcisions.TraitementduSignal.
Bosch,A.,Zisserman,A.etMuoz,X.(2008)SceneClassificationUsingaHybrid

136

Generative/DiscriminativeApproach.IEEETransactionsonPatternAnalysis
andMachineIntelligence,vol.30,n4,p.712727.
Bouakache,A.,BelhadjAissa,A.etMercier,G.(2009)Satelliteimagefusionusing
DezertSmarandachetheory.InF.SmarandacheetJ.Dezert(dir.),Advances
andApplicationsofDsmTforInformationFusion(Vol.3,p.549564).American
ResearchPress.
Bovik,A.C.,Clark,M.etGeisler,W.S.(1990)Multichanneltextureanalysisusing
localizedspatialfilters.IEEETransactionsonPatternAnalysisandMachine
Intelligence,vol.12,n1,p.5573.
Burghouts,G.J.etGeusebroek,J.M.(2009)Performanceevaluationoflocalcolour
invariants.ComputerVisionandImageUnderstanding,vol.113,n1,p.4862.
Carleer,A.,Debeir,O.etWolff,E.(2005)Assessmentofveryhighspatialresolution
satelliteimagesegmentations.PhotogrammetricEngineeringandRemote
Sensing,vol.71,n11,p.12851294.
Corgne,S.,HubertMoy,L.,Dezert,J.etMercier,G.(2003)Landcoverchange
predictionwithanewtheoryofplausibleandparadoxicalreasoning.Proc.of
Fusion,p.811.
Costa,A.F.,HumpireMamani,G.etTraina,A.J.M.(2012)AnEfficientAlgorithmfor
FractalAnalysisofTextures.201225thSIBGRAPIConferenceonGraphics,
PatternsandImages(SIBGRAPI),p.3946.
Cross,G.R.etJain,A.K.(1983)MarkovRandomFieldTextureModels.IEEE
TransactionsonPatternAnalysisandMachineIntelligence,vol.PAMI5,n1,p.
2539.
Csurka,G.,Dance,C.,Fan,L.,Willamowski,J.etBray,C.(2004)Visualcategorization
withbagsofkeypoints.Workshoponstatisticallearningincomputervision,
ECCV,vol.1,p.12.Prague.
Dalal,N.etTriggs,B.(2005)Histogramsoforientedgradientsforhumandetection.

137

2005IEEEComputerSocietyConferenceonComputerVisionandPattern
Recognition(CVPR05),vol.1,p.886893vol.1.
Daugman,J.G.(1980)Twodimensionalspectralanalysisofcorticalreceptivefield
profiles.Visionresearch,vol.20,n10,p.847856.
Dempster,A.P.(1968)AgeneralizationofBayesianinference.JournaloftheRoyal
StatisticalSociety.SeriesB(Methodological),p.205247.
Denoeux,T.(1995)AknearestneighborclassificationrulebasedonDempsterShafer
theory.Systems,ManandCybernetics,IEEETransactionson,vol.25,n5,p.
804813.
Dezert,J.(2002)Foundationsforanewtheoryofplausibleandparadoxicalreasoning.
InformationandSecurity,vol.9,p.1357.
Dubois,D.etPrade,H.(1986)Asettheoreticviewofbelieffunctionslogicaloperations
andapproximationsbyfuzzysets.InternationalJournalOfGeneralSystem,vol.
12,n3,p.193226.
Dubois,D.etPrade,H.(1988)Representationandcombinationofuncertaintywith
belieffunctionsandpossibilitymeasures.ComputationalIntelligence,vol.4,
n3,p.244264.
Dubois,D.etPrade,H.(1992)OntheCombinationofEvidenceinVarious
MathematicalFrameworks.InJ.FlammetT.Luisi(dir.),ReliabilityData
CollectionandAnalysis,Eurocourses(p.213241).SpringerNetherlands.
Eichmann,G.etKasparis,T.(1988)Topologicallyinvarianttexturedescriptors.
Computervision,graphics,andimageprocessing,vol.41,n3,p.267281.
Fabre,S.,Appriou,A.etBriottet,X.(2001)Presentationanddescriptionoftwo
classificationmethodsusingdatafusionbasedonsensormanagement.
InformationFusion,vol.2,n1,p.4971.
Florea,M.C.etBoss,E.(2009)CrisisManagementusingDempsterShaferTheory:
Usingdissimilaritymeasurestocharacterizesourcesreliability.C3IforCrisis,

138

EmergencyandConsequenceManagement.
Florea,M.C.,Jousselme,A.L.,Boss,.etGrenier,D.(2009)Robustcombination
rulesforevidencetheory.InformationFusion,vol.10,n2,p.183197.
Gaetan,C.etGuyon,X.(2008)Modlisationetstatistiquespatiales.SpringerVerlag.
Gauglitz,S.,Hllerer,T.etTurk,M.(2011)Evaluationofinterestpointdetectorsand
featuredescriptorsforvisualtracking.Internationaljournalofcomputervision,
vol.94,n3,p.335360.
Germain,M.(2006)Classificationmultisourceparlafusionvidentielleavecune
nouvelleapprochestatistiquefloue.Thsededoctorat,Universitde
Sherbrooke.
Gordon,J.etShortliffe,E.H.(1985)Amethodformanagingevidentialreasoningina
hierarchicalhypothesisspace.ArtificialIntelligence,vol.26,n3,p.323357.
Goyal,R.K.,Goh,W.L.,Mital,D.P.etChan,K.L.(1995)Scaleandrotationinvariant
textureanalysisbasedonstructuralproperty.IndustrialElectronics,Control,
andInstrumentation,1995.,Proceedingsofthe1995IEEEIECON21st
InternationalConferenceon,vol.2,p.12901294.IEEE.
Hachicha,S.etChaabane,F.(2009)ApplicationofDSMtheoryforSARimagechange
detection.200916thIEEEInternationalConferenceonImageProcessing
(ICIP),p.37333736.
Hall,D.L.etLlinas,J.(1997)Anintroductiontomultisensordatafusion.Proceedings
oftheIEEE,vol.85,n1,p.623.
Haralick,R.M.(1979)Statisticalandstructuralapproachestotexture.Proceedingsof
theIEEE,vol.67,n5,p.786804.
Haralick,R.M.,Shanmugam,K.etDinstein,I.H.(1973)Texturalfeaturesforimage
classification.IEEETransactionsonsystems,manandcybernetics,vol.3,n6,
p.610621.
Harris,C.etStephens,M.(1988)Acombinedcornerandedgedetector.Alveyvision

139

conference,vol.15,p.50.Citeseer.
He,D.C.etWang,L.(1990)Textureunit,texturespectrum,andtextureanalysis.
IEEETransactionsonGeoscienceandRemoteSensing,vol.28,n4,p.509512.
He,D.C.etWang,L.(2010)Simplifiedtexturespectrumfortextureanalysis.Journal
ofCommunicationandComputer,vol.7,n8,p.4453.
Inagaki,T.(1991)Interdependencebetweensafetycontrolpolicyandmultiplesensor
schemesviaDempsterShafertheory.IEEETransactionsonReliability,vol.40,
n2,p.182188.
Irons,J.R.etPetersen,G.W.(1981)Texturetransformsofremotesensingdata.
RemoteSensingofEnvironment,vol.11,p.359370.
Jain,R.,Kasturi,R.etSchunck,B.G.(1995)Machinevision(Vol.5).McGrawHill
NewYork.
Karu,K.,Jain,A.K.etBolle,R.M.(1996)Isthereanytextureintheimage?Pattern
Recognition,vol.29,n9,p.14371446.
Lazebnik,S.,Schmid,C.etPonce,J.(2005)Asparsetexturerepresentationusinglocal
affineregions.IEEETransactionsonPatternAnalysisandMachine
Intelligence,vol.27,n8,p.12651278.
LeHgaratMascle,S.,Bloch,I.etVidalMadjar,D.(1997)Applicationof
DempsterShaferevidencetheorytounsupervisedclassificationinmultisource
remotesensing.GeoscienceandRemoteSensing,IEEETransactionson,vol.35,
n4,p.10181031.
Lefebvre,A.,Corpetti,T.etHubertMoy,L.(2010)Segmentationofveryhighspatial
resolutionpanchromaticimagesbasedonwaveletsandevidencetheory.SPIE
RemoteSensingConference,vol.7830.
Lefevre,E.,Colot,O.etVannoorenberghe,P.(2002)Belieffunctioncombinationand
conflictmanagement.InformationFusion,vol.3,n2,p.149162.
Liu,C.,Yuen,J.,Torralba,A.,Sivic,J.etFreeman,W.T.(2008)SIFTFlow:Dense

140

CorrespondenceacrossDifferentScenes.InD.Forsyth,P.Torr,etA.Zisserman
(dir.),ComputerVisionECCV2008,LectureNotesinComputerScience(p.
2842).SpringerBerlinHeidelberg.
Lowe,D.G.(1999)Objectrecognitionfromlocalscaleinvariantfeatures.Proceedings
ofthe7thIEEEInternationalConferenceonComputerVision,p.11501157.
Lowe,D.G.(2004)Distinctiveimagefeaturesfromscaleinvariantkeypoints.
Internationaljournalofcomputervision,vol.60,n2,p.91110.
Mallat,S.G.(1989)Atheoryformultiresolutionsignaldecomposition:thewavelet
representation.IEEETransactionsonPatternAnalysisandMachine
Intelligence,vol.11,n7,p.674693.
Mikolajczyk,K.etSchmid,C.(2001)Indexingbasedonscaleinvariantinterestpoints.
ProceedingsoftheEighthIEEEInternationalConferenceonComputerVision,
2001.,vol.1,p.525531.
Mikolajczyk,K.etSchmid,C.(2002)AnAffineInvariantInterestPointDetector.InA.
Heyden,G.Sparr,M.Nielsen,etP.Johansen(dir.),ComputerVisionECCV
2002,LectureNotesinComputerScience(p.128142).SpringerBerlin
Heidelberg.
Mikolajczyk,K.etSchmid,C.(2005)Aperformanceevaluationoflocaldescriptors.
IEEETransactionsonPatternAnalysisandMachineIntelligence,p.16151630.
Mora,B.(2009)Cartographiedeparamtresforestiersparfusionvidentiellede
donnesgospatialesmultisourcesapplicationauxpeuplementsforestiersen
rgnrationetfeuillusmaturesduSudduQubec.Thsededoctorat,
UniversitdeSherbrooke,153p.
Mora,B.,Fournier,R.A.etFoucher,S.(2011)Applicationofevidentialreasoningto
improvethemappingofregeneratingforeststands.InternationalJournalof
AppliedEarthObservationandGeoinformation,vol.13,n3,p.458467.
Moravec,H.P.(1980)Obstacleavoidanceandnavigationintherealworldbyaseeing

141

robotrover.DTICDocument.
Myint,S.W.(2003)Fractalapproachesintextureanalysisandclassificationof
remotelysenseddata:Comparisonswithspatialautocorrelationtechniquesand
simpledescriptivestatistics.InternationalJournalofRemoteSensing,vol.24,
n9,p.19251947.
Pentland,A.P.(1984)FractalBasedDescriptionofNaturalScenes.IEEE
TransactionsonPatternAnalysisandMachineIntelligence,vol.PAMI6,n6,p.
661674.
Pohl,C.etVanGenderen,J.L.(1998)ReviewarticleMultisensorimagefusionin
remotesensing:Concepts,methodsandapplications.InternationalJournalof
RemoteSensing,vol.19,n5,p.823854.
Puissant,A.,Hirsch,J.etWeber,C.(2005)Theutilityoftextureanalysistoimprove
perpixelclassificationforhightoveryhighspatialresolutionimagery.
InternationalJournalofRemoteSensing,vol.26,n4,p.733745.
Ripley,B.D.(1976)Thesecondorderanalysisofstationarypointprocesses.Journalof
AppliedProbability,vol.13,n2,p.255266.
Schmid,C.,Mohr,R.etBauckhage,C.(2000)EvaluationofInterestPointDetectors.
InternationalJournalofComputerVision,vol.37,n2,p.151172.
Sentz,K.etFerson,S.(2002)CombinationofevidenceinDempsterShafertheory(Vol.
4015).Citeseer.
Shafer,G.(1976)Amathematicaltheoryofevidence.Princeton:PrincetonUniversity
Press.
Sklansky,J.(1978)ImageSegmentationandFeatureExtraction.IEEETransactions
onSystems,ManandCybernetics,vol.8,n4,p.237247.
Smarandache,F.(2002)Neutrosophicsetageneralizationoftheintuitionisticfuzzy
set.UniversityofNewMexico.Citeseer.
Smets,P.(1989)ConstructingthePignisticProbabilityFunctioninaContextof

142

Uncertainty.UncertaintyinArtificialIntelligence,p.2940.
Thomas,C.,Ranchin,T.,Wald,L.etChanussot,J.(2008)SynthesisofMultispectral
ImagestoHighSpatialResolution:ACriticalReviewofFusionMethodsBased
onRemoteSensingPhysics.IEEETransactionsonGeoscienceandRemote
Sensing,vol.46,n5,p.13011312.
Tuceryan,M.(1994)Momentbasedtexturesegmentation.PatternRecognitionLetters,
vol.15,n7,p.659668.
Tuceryan,M.etJain,A.K.(1998)Textureanalysis.Thehandbookofpattern
recognitionandcomputervision(Vol.2,p.207248).
Tuytelaars,T.etMikolajczyk,K.(2008)Localinvariantfeaturedetectors:asurvey.
FoundationsandTrendsinComputerGraphicsandVision,vol.3,n3,p.
177280.
Unser,M.etEden,M.(1990)Nonlinearoperatorsforimprovingtexturesegmentation
basedonfeaturesextractedbyspatialfiltering.IEEETransactionsonSystems,
ManandCybernetics,vol.20,n4,p.804815.
VanDeSande,K.E.,Gevers,T.etSnoek,C.G.(2010)Evaluatingcolordescriptorsfor
objectandscenerecognition.PatternAnalysisandMachineIntelligence,IEEE
Transactionson,vol.32,n9,p.15821596.
Voorhees,H.etPoggio,T.(1988)Computingtextureboundariesfromimages.Nature,
vol.333,n6171,p.364367.
Wald,L.(1999)Sometermsofreferenceindatafusion.IEEETransactionson
GeosciencesandRemoteSensing,vol.37,n3,p.11901193.
Wang,D.,HaeseCoat,V.,Bruno,A.etRonsin,J.(1993)TextureClassificationand
SegmentationBasedonIterativeMorphologicalDecomposition.Journalof
VisualCommunicationandImageRepresentation,vol.4,n3,p.197214.
Wu,J.,Cui,Z.,Sheng,V.S.,Zhao,P.,Su,D.etGong,S.(2013)AComparativeStudy
ofSIFTanditsVariants.MeasurementScienceReview,vol.13,n3,p.122131.

143

Yager,R.R.(1987)OntheDempsterShaferframeworkandnewcombinationrules.
InformationSciences,vol.41,n2,p.93137.
Yen,J.(1986)AreasoningmodelbasedonanextendedDempsterShafertheory.AAAI,
p.125131.
Zadeh,L.A.(1965)Fuzzysets.Informationandcontrol,vol.8,n3,p.338353.
Zhang,J.,Marszaek,M.,Lazebnik,S.etSchmid,C.(2007)LocalFeaturesand
KernelsforClassificationofTextureandObjectCategories:AComprehensive
Study.InternationalJournalofComputerVision,vol.73,n2,p.213238.