Tldtection, 2005, vol. 5, n 1-2-3, p.

215225 2005 CONTEMPORARY PUBLISHING INTERNATIONAL

Publi sous lenseigne ditions scientifiques GB

MODLE VARIATIONNEL POUR LA

CLASSIFICATION DES IMAGES SATELLITAIRES
MULTIBANDES : APPLICATION LA RGION DE
BLIDA (ALGRIE)
MALIKA IDDIR-ZAITa,1 et YOUSEF SMARAb,2
aInstitut National d'informatique,
B.P. 68 M, Oued Smar, Alger, Algrie
Tlphone : +213 21 51 60 77; tlcopieur : +213 21 51 61 56
b Laboratoire traitement dimage et rayonnements,

Facult dlectronique et dinformatique, Universit des Sciences et Technologies Houari Boumedienne,

B.P. 32, El-Alia, Bab-Ezzouar, 16111 Alger, Algrie
Tlphone : +213 21 24 79 12, poste 806 ; tlcopieur : +213 21 24 71 87
Courriel (1,2) : malika_iddir@yahoo.fr ; y.smara@mailcity.com
(soumis : 9 mars 2004 ; rvis : 10 mai 2004 ; accept 1er juillet 2004)

Les techniques de traitement des images satellitaires permettent lexploitation des donnes fournies par les capteurs multibandes pour
lidentification des diffrents thmes de la couverture terrestre. Parmi les techniques dextraction dinformations, la classification est
loutil le plus utilis. La classification est le partitionnement de limage en rgions homognes appeles classes. Les classes sont
construites partir des attributs de pixels (niveau de gris, texture, etc.). Parmi les mthodes de classification, nous pouvons citer les
modles stochastiques, gomtriques et, plus rcemment, les modles variationnels. Nous prsentons ici une mthode rcente de
classification dimage, applique lidentification des thmes urbains, priurbains et agricoles qui caractrisent la rgion de Blida
(Algrie). Il sagit dune mthode dterministe base sur le calcul variationnel, lutilisation des contours et des rgions actifs, ainsi que
sur le calcul de courbes godsiques. Les contours et les rgions correspondantes sont formuls par les ensembles de niveaux de
fonctions implicites. Cette formulation confre cette mthode une grande souplesse par rapport aux changements de topologie des
contours et elle permet aux contours initiaux de se scinder ou de fusionner pour dtecter les rgions non connexes dune mme classe.
Lvolution des contours actifs est guide par la minimisation dune fonctionnelle. Lutilisation de lquation dEuler-Lagrange permet
de minimiser cette fonctionnelle en passant par la rsolution dun systme dquations aux drives partielles (EDP). Pour valider ce
modle, nous lavons dabord test sur des images de synthse et ensuite sur des images satellitaires multibandes, venant du capteur
HRV de SPOT-1, couvrant la rgion de Blida, au nord de lAlgrie. Nous avons galement compar cette mthode avec la mthode de
classification classique du maximum de vraisemblance. Nous prsentons les rsultats obtenus ainsi que leur interprtation.
Mots-clefs : classification ; approches variationnelles ; contours actifs ; courbes godsiques ; quations dEuler-Lagrange.

VARIATIONAL MODEL FOR SATELLITE IMAGE

CLASSIFICATION : APPLICATION TO AREA OF
BLIDA (ALGERIA)
The objective of satellite image processing is the use of the data provided by the sensors, for the identification of the different themes of
the land cover. Among the techniques of extraction of information, the classification is the more used tool. The aim of classification is to
carry out a partition of the image in homogeneous regions named classes. The classes are constructed from the attributes of pixels (gray
level, texture, etc.). Among the classification methods we can mention the stochastic models, geometric models and more lately
deterministic models. In this paper, we present a recent method of image classification, applied to the identification of the urban,
semiurban and agricultural themes of the region of Blida (Algeria). This variational approach is deterministic and operates by
minimization of an energy function. It is based on the use of the active contours, as well as geodesics curves. The contours and the
corresponding regions are formulated by the level sets of implicit functions. This formulation confers to this method a big suppleness in
relation to the changes of topology of contours. It allows the initial contours to divide themselves or to merge to detect the non connexed
regions of a same class. On the other hand, and in the goal to minimize the function of energy, equations of Euler Lagrange are used
and allow to solve a problem of partial derivatives equations. To validate this model, we first tested it on synthetic images and then on
SPOT HRV multispectral images, covering the region of Blida, north of Algeria. We also compared this method with maximum
likelihood method. We present at the end of this paper the gotten results as well as their interpretation.
Keywords : classification ; variationnal approach ; active contours ; geodesic curves ; Euler-Lagrange equation.

1. INTRODUCTION avec des capteurs de plus en plus sensibles et de

plus en plus varis.
La tldtection est une science pluridisciplinaire
Pour lextraction de linformation thmatique
qui connat actuellement un vritable essor avec
des images de tldtection, la classification
la mise sur orbite quasi incessante de satellites
 IDDIR-ZAIT et SMARA
savre un outil incontournable. Elle consiste ra-
liser une partition de limage en rgions repres par
des tiquettes diffrentes. On distingue deux types
de classification : la classification dirige, pour
laquelle le nombre de classes et leurs paramtres
sont connus au pralable, et la classification non
dirige qui ne ncessite aucune connaissance a priori
sur les classes.
La classification telle que nous lenvisageons
dans cet article appartient aux approches diriges
et elle est base sur le calcul variationnel.
Plusieurs mthodes de classification ont prcd
lapproche que nous dveloppons ; nous pouvons
citer les mthodes bases sur des mesures de
similarit, telle que la minimisation de distance,
et celles bases sur le calcul de probabilits, telles
que le maximum de vraisemblance et les modles
markoviens (Pony et al., 2000).
Les travaux sur la classification variationnelle
sont peu nombreux. Ceci est principalement d au
fait que le caractre du calcul de variations est
continu, alors que la classification est une opra-
tion dtiquetage discrte (Blanc-Fraud, 2000). Il
faut toutefois noter que lemploi des quations aux
drives partielles (EDP) en traitement dimages
ne sest concrtis que lors de la dernire dcen-
nie. Ces approches ont dj prouv leur efficacit
dans dautres applications du traitement dimages
telle que la restauration avec prservation de
discontinuits (Blanc-Fraud, 2000) et (Aubert
and Kornprobst, 2002), ce qui a motiv la mise en
uvre de mthodes de classification dans un
cadre variationnel.
La mthode que nous dveloppons dans cet
article peut tre vue comme une opration de
segmentation, laquelle un processus dtique-
tage de pixels est ajout. Plusieurs mthodes de
segmentation ont t labores en traitement
dimages. Parmi elles, nous comptons la segmen-
tation par contours actifs (Mumford and Shah,
1989) et sa version amliore par lutilisation de
la gomtrie riemannienne et par lintroduction de
courbes godsiques (Sapiro et al. 1995 ; Aubert et
al., 2002)
Cette mthode est base sur la construction
dune fonctionnelle dnergie sur limage. Le mini-
mum de cette fonctionnelle est atteint lorsque
limage est forme de rgions homognes et
dinterfaces de longueurs minimales. Vu sous cet
il, le problme de classification est quivalent
un problme de minimisation dnergie associe
lvolution des contours et des rgions actifs. Cette
minimisation est ralise travers la rsolution
dun systme dquations aux drives partielles
(EDP).
Schmatiquement, nous pouvons rsumer les
diffrentes tapes de notre travail par le synop-
216
tique de la figure 1. La classification tant dirige,
elle est prcde dune tape dapprentissage qui
consiste slectionner, sur limage, les zones
reprsentatives des diffrentes classes et extraire
un chantillon dapprentissage. partir de cet
chantillon, les paramtres statistiques des classes
sont estims. Dans notre cas, nous supposons que les
niveaux de gris suivent une distribution gaussienne,
caractrise par un vecteur moyenne et une matrice
de variance-covariance.
La classification par modle variationnel est
dtaille sur la figure 2. Aprs la description du site
dtude, nous donnons quelques notions sur les
contours actifs classiques, et ce qui justifie lutili-
sation des courbes godsiques. Nous dtaillons
galement la formulation par les ensembles de
niveaux et les avantages quelle procure par rapport
lvolution des courbes dans le temps.
Image satellitaire
multibande
Phase dapprentissage
Choix des paramtres du
modle
Choix du type dinitialisation des
contours actifs
Classification variationnelle
valuation des rsultats
FIGURE 1 Schma global de la classification dirige. Glo-
bal diagram of supervised classification.
Construction de la Initialisation des
fonctionnelle contours initiaux
Minimisation de la fonctionnelle et
dformation des contours
Rgularisation des fonctions
ensembles de niveaux
Rsultat avec image tiquete
FIGURE 2 Schma dtaill de la classification par modle
variationnel. Detailed flowchart of variational classification.
Tldtection, vol. 5 n 1-2-3, p. 215225
 MODLE VARIATIONNEL POUR LA CLASSIFICATION DIMAGES
2. SITE DTUDE
Limage multibande HRV de SPOT-1 dont nous
disposons est constitue de trois canaux XSi
(20 m 20 m), i = 1, 2, 3 issus de la scne 50-282
du 23 fvrier 1986. L'image, de taille 256 256
pixels ,reprsente la rgion de Blida (El Boulaida)
en Algrie (figure 3). C'est une rgion principa-
lement agricole, situe sur la plaine fertile de la
10Km
FIGURE 3 Carte situant la rgion de Blida,en Algrie. Map of the area of
Blida, North of Algeria.
3. CONTOURS ACTIFS CLASSIQUES
La segmentation consiste dtecter automati-
quement les contours dun objet dintrt dans une
image. Les contours actifs classiques (snakes) sont
des courbes planes qui voluent dans le temps pour
concider la fin du processus dvolution aux
contours des objets dtecter. Ils furent initis par
Kass et al. (Mumford et Shah, 1989). Lvolution de
ces courbes est guide par la minimisation de
lnergie donne par la relation 1 :
1 1
E(C) = |C(q)|dq + |C(q)|dq
0 0
1 godsiques formuls par ensembles de niveaux
|C(q)|dq
0
Tldtection, vol. 5, n 1-2-3, p. 215225
Mitidja. Elle est constitue de grandes surfaces
vgtation dense et moins dense ainsi que de
parcelles cultives et non cultives. On distingue
galement une rgion urbaine dense, la ville de
Blida situe 50 km au sud-ouest d'Alger (capi-
tale de lAlgrie), et une rgion urbaine moins
dense regroupant quelques villages proximit de
zones agricoles.
o C, C et C reprsentent la courbe et ses
drives, I est limage segmenter, , et sont
des rels positifs, q est le paramtre de la courbe
et est loprateur du gradient.
Les deux premiers termes de lquation 1
contrlent la rgularit de la courbe (nergie interne)
et le troisime terme permet dattirer le contour vers
les frontires des objets de limage (nergie externe).
Cette mthode a t applique pour la dtection
dun objet par contour initial. Elle a t juge efficace
lorsque ce contour est choisi assez proche de lobjet
dtecter. Lorsquil sagit deffectuer une classifi-
cation, il est question de dtecter simultanment
toutes les frontires des classes. Lapproche classi-
que savre alors inefficace et les contours actifs
(1) offrent une meilleure solution.
217
 IDDIR-ZAIT et SMARA
4. CONTOURS ACTIFS GOMTRIQUES ET
GODSIQUES
Les contours actifs gomtriques ont t tudis
par Malladi et al. (1996). Cette approche diffre de
lapproche prcdente par le fait que la courbe
volue perpendiculairement elle-mme en
chaque point (Caselles et al., 1993). La dtection
dun contour est guide par la rsolution dune
EDP et non par la minimisation dune nergie.
Paralllement, Caselles et al. (1997a) ont dfini
les contours actifs godsiques et ont introduit
une fonction darrt sur les contours de limage.
Une courbe godsique reprsente la courbe mini-
male entre deux points.
Lintrt principal des approches base dEDP
rside dans le fait quelles permettent dobtenir,
dans de nombreux cas, des rsultats dexistence et
dunicit de la solution recherche, et quelles
peuvent tre mises en uvre laide de puissants
schmas numriques (Deriche et Faugeras, 1995).
5. FORMULATION PAR LES ENSEMBLES DE
NIVEAUX
La formulation par les ensembles de niveau a t
introduite par Osher et Sethian (Sethian, 1999 ;
Zhao et al., 1996 ; Malladi et al., 1995 ; Gomes
and Faugeras, 1999). Elle permet la gestion
automatique de la fusion et la sparation des
courbes. Cette proprit est ncessaire lorsque
nous ralisons la classification dimages de tld-
tection, pour lesquelles chaque thme reprsen-
tant une classe nest pas forcment constitu de
FIGURE 4 Reprsentation dune courbe par lensemble de niveau zro dune fonction. Representation of a curve by
level set function.
218
rgions connexes. Pour dtecter un thme, il suffit
dune courbe initiale qui se partagera au cours de
son volution pour ainsi dtecter toutes les
rgions reprsentant le mme thme.
Cette approche consiste considrer quune
courbe C est la courbe de niveau a dune
fonction U, o a est un rel. Le plus simple est
de prendre le niveau zro , do lappellation
ENZ (ensemble de niveau zro). Soit une courbe
C(x,t) de frontire et entourant une rgion .
Elle est lENZ de la fonction u(x) si les relations
suivantes sont vrifies :
u(x) > 0 pour x int
u(x) = 0 pour x (2)
u(x) < 0 pour x ext
La figure 4 illustre un exemple de reprsen-
tation de la courbe C par lENZ de la fonction U.
Un point remarquable est que la mise en uvre
de lEDP base sur la notion de courbe de niveau,
permet de grer de manire automatique les
changements de topologie du contour. Sil existe
plusieurs objets dans limage, lunique contour
initial ferm et englobant les diffrents objets se
scinde, lors de son volution, en plusieurs contours
englobant les objets prsents dans limage. La
mthode est aussi insensible linitialisation qui
peut tre lointaine et grossire. Le contour peut
aussi se dformer pour sajuster sur les formes les
plus compliques, en particulier sur les formes
pourvues de longues excroissances et que les
contours actifs classiques ont du mal traiter.
Tldtection, vol. 5 n 1-2-3, p. 215225
 MODLE VARIATIONNEL POUR LA CLASSIFICATION DIMAGES
6. CLASSIFICATION
Le modle de classification dvelopp dans cet
article sinspire des travaux sur la segmentation
par contours actifs godsiques (Caselles and Coll,
1996 ; Caselles et al., 1997a, b) et la formulation
par les ensembles de niveaux.
6.1 Position du problme
Soit une image I dfinie sur un support , que
nous cherchons partitionner en thmes dis-
tincts. Chaque thme est reprsent par une
classe forme par des rgions homognes qui ne
sont pas obligatoirement connexes et spares des
autres par des interfaces rgulires. Pour les
images multi spectrales que nous traitons, nous
supposons dans un premier temps que lattribut
spectral des pixels est un bon facteur discriminant
des classes.
Sur la figure 5, nous reprsentons un exemple
de partition dune image simule, forme de trois
classes :
= i i
i = {x / x Ci} (3)
NRi
i = j ij
=1
o NRi est le nombre de rgions formant la classe
Ci.
FIGURE 5 Une partition de . A partition of .
Pour raliser la classification de l'image, nous
nous imposons trois conditions que la solution doit
satisfaire. La premire est une condition de
partition, dans le sens ou chaque pixel doit tre
tiquet une et une seule fois. De plus, le
processus de classification doit prendre en compte
l'image observe ainsi que la distribution
gaussienne de l'intensit de chaque classe, pour
fournir une solution proche des observations.
Finalement, le modle doit fournir une solution
rgulire pour laquelle les longueurs des inte-
Tldtection, vol. 5, n 1-2-3, p. 215225
rfaces entre les rgions sont minimales (Blanc-
Fraud , 2000 ; Aubert and Kornprobst, 2002 ;
Samson et al., 2000 ; Samson, 2000).
De ces trois conditions, trois termes dnergie
sont dfinis : un terme de partition, un terme
dattache aux donnes et un terme de rgularit.
Les trois conditions sont satisfaites simulta-
nment si les trois termes dnergie sont mini-
maux. En les combinant dans un mme terme,
une fonctionnelle F est construite et sa minimi-
sation conduit une image classifie.
6.2. Expression de la fonctionnelle
Limage tant forme de K classes Ci, nous
formulons le contour de chacune par lensemble de
niveau zro (ENZ) dune fonction i(x). Lintrieur
de la classe correspond des valeurs positives de
cette fonction et lextrieur des valeurs nga-
tives. Lexpression de la fonctionnelle est donne
par la relation de lquation 4 :
K
ei H(i) [I i] i [I i]dx
1
t
F (i, , k) =
i=1
K
+ i g(|I|) (i)|i|dx
i=1
H( ) 1dx
K
+ (4)
2 j=1j
o , ei , i sont des paramtres positifs de
pondration des trois termes, est un rel positif
de valeur assez faible reprsentant lordre des
approximations des fonctions de Dirac et de
Heaviside (Zhao et al., 1996), g est une fonction
darrt permettant de stabiliser les contours actifs
sur les frontires des rgions des classes, (i , i )
sont la moyenne et la variance de la classe Ci, et
1
i est linverse de la matrice variance-covariance
relative la classe Ci.
6.3. Mise en uvre
Les contours actifs qui voluent pour concider
aux frontires des diffrents thmes doivent avant
tout tre initialiss. On compte deux types dini-
tialisation : manuelle et automatique.
Pour effectuer linitialisation manuelle, chaque
classe, nous initialisons une fonction circulaire qui
doit contenir au moins un pixel de chaque rgion de
la classe.
Pour effectuer linitialisation automatique, nous
dcoupons limage en fentres de taille w*w. Dans
chaque fentre, nous dfinissons un cercle. Pour
attribuer un cercle une fonction i, nous
adoptons la dmarche suivante : nous calculons la
moyenne des pixels sur chaque fentre, puis la
219
 IDDIR-ZAIT et SMARA
distance de cette moyenne par rapport aux K
moyennes des K classes. Un cercle correspond
la fonction i pour laquelle la distance calcule est
minimale. De ce fait, chaque fonction i sera
reprsente par plusieurs cercles qui, lors de leur
volution, pourront fusionner.
partir de la relation de l'quation 4, l'appli-
cation de l'quation d'Euler-Lagrange (Vese, 1996)
permet d'obtenir un systme d'EDP. Pour la
rsolution de ces quations, nous adoptons un
algorithme dynamique de type descente de gradient.
Les diffrentes tapes de la mthode ont t
implmentes dans le langage de programmation
C++Builder5 et ont fait lobjet dune valuation
des diffrents paramtres. Nous prsentons dans
ce qui suit les rsultats obtenus sur la rgion
dtude, ainsi que sur des images simules.
7. RSULTATS EXPRIMENTAUX
Pour valider lapproche de classification propose,
nous lavons dabord teste sur une image de
synthse avant de lappliquer sur limage satelli-
taire relle.
Pour limage synthtique de dimension 128*128
(figure 6a), contenant trois classes, nous avons
dabord effectu une initialisation manuelle par
trois cercles (figure 6b). Les figures 6d, e et f
montrent lvolution des rgions pour diffrentes
itrations, ainsi que limage classifie.
Nous avons galement ralis une initialisation
automatique sur la mme image avec des fentres
5*5 (figure 6c). Les rsultats sont illustrs par les
figures 6g, h et i. Sur la figure 7, nous prsentons
les images erreurs obtenues par rapport limage
originale, pour linitialisation manuelle (figure 7a)
et linitialisation automatique (figure 7b).
Nous pouvons voir travers les figures 6d, e et f
la capacit de division des contours actifs formuls
par ensembles de niveau. Ainsi, les diffrentes
rgions composant une classe donne (classes 1 et
2) sont dtectes partir dun seul contour initial.
Dautre part, travers le nombre ditrations
ncessaires la convergence, nous voyons que
linitialisation automatique est beaucoup plus
rapide que linitialisation manuelle, car les ENZ
sont plus proches des frontires des classes
dtecter. De plus, travers les images des erreurs
de la figure 7, nous remarquons que linitiali-
sation automatique est plus robuste que la
manuelle.
En ce qui concerne les paramtres du modle,
leur choix est une opration importante et influe
directement sur la qualit de la classification.
Pour notre part, nous avons fait des choix
empiriques bass sur lexprimentation et en
fonction des particularits de limage traiter.
220
Pour des images bruites, le terme dattache aux
donnes ne doit pas tre fortement pondr, et
ceci afin dviter que le bruit ninflue sur la
qualit de la classification. Pour des images
prsentant des frontires trop irrgulires, la con-
trainte de rgularit doit tre faible.
Nous prsentons sur la figure 8 les trois canaux
de limage multi spectrale ainsi quune composi-
tion colore (figure 9). Lapprentissage sur cette
image a permis de dfinir 7 classes, qui sont
dcrites sur le tableau 1 et, sur la figure 10, nous
prsentons la localisation des diffrents sites
dapprentissage.
Sur la figure 11, nous montrons un rsultat de
la classification obtenu par le maximum de
vraisemblance et, sur la figure 12, nous illustrons
les rsultats de la classification par modle
variationnel avec une initialisation automatique
par des fentres de taille 3*3.
Dautre part, nous avons ralis des tests avec
diffrentes valeurs des paramtres de pond-
ration. Ce choix dpend fortement de la nature de
limage traiter et nous voyons, en examinant la
figure 12, quil influe sur la qualit de la
classification. Pour cette image, lorsque lattache
aux donnes est fortement pondre, nous pou-
vons voir que le modle favorise la formation de
rgions homognes importantes au dtriment des
petites rgions isoles. Nous pouvons aussi voir
que les structures de petite dimension ne sont pas
bien prserves.
En comparant les rsultats obtenus par les deux
approches, nous pouvons constater la diffrence
entre le caractre ponctuel de la mthode
stochastique et le caractre global du modle
variationnel. Dans le premier cas, chaque pixel est
trait individuellement et, dans le second cas, il
sagit de contours voluant par rapport leur
contexte spatial.
TABLEAU 1 Les classes de limage de Blida (Algrie). The
classes of the scene of Blida (Algeria).
CLASSES THMES
1
Zone urbaine moins dense (villages
isols entre les rgions agricoles)
2 Vgtation naturelle moins dense
3 Sol nu et arodrome de Blida
4 Champs non cultivs
5 Zone urbaine dense (ville de Blida)
6 Champs cultivs
7 Vgtation naturelle dense
Tldtection, vol. 5 n 1-2-3, p. 215225
 MODLE VARIATIONNEL POUR LA CLASSIFICATION DIMAGES

Classe1

Classe2 Classe3

FIGURE 6 volution des rgions pour une image synthtique contenant trois classes de moyennes (10,75, 137,258 et
200,831) et de variances (82,76, 106 et 92).
(a) Image classifier, (b) Initialisation manuelle de trois ensembles de niveaux zro (ENZ) circulaires de rayons :
classe 1 = 25 ; classe 2 = 30 ; classe 3 = 30, (c) Initialisation automatique par des fentres 5*5, (d),(e),(f) itrations 150,
600 et 1 700 (image classifie) pour linitialisation manuelle, (g),(h),(i) itrations 10, 200 et 400 (image classifie) pour
linitialisation automatique.
Les paramtres choisis sont : = 0,1 ; ei = 0,01 ; i = 0,5, dt = 0,2
Evolution of the regions for a synthetic image containing three classes of averages (10,75, 137,258 and 200,831) and of
variances (82,76, 106 and 92).
(a) Image to classify, (b) manual Initialization of three circular zero levels sets (ENZ) of rays : classe 1 = 25 ; classe 2 =
30 ; classe 3 = 30 ; (c) automatic Initialization by windows 5*5, (d),(e),(f) iterations 150, 600 and 1 700 (classified
image) for the manual initialization, (g),(h),(i) iterations 10, 200 and 400 (classified image) for the automatic
initialization.
The chosen parameters are : = 0,1 ; ei = 0,01 ; i = 0,5, dt = 0,2

Tldtection, vol. 5, n 1-2-3, p. 215225 221

 IDDIR-ZAIT et SMARA

(a) (b)

FIGURE 7 Image des erreurs : (a) pour linitialisation manuelle, (b) pour linitialisation
automatique. Image errors : (a) for the manual initialization, (b) for the automatic initi-
alization.

128

255
0 128 255

FIGURE 8 Les trois bandes de limage HRV de SPOT de Blida. The three bands of the SPOT
HRV image of Blida.

222 Tldtection, vol. 5 n 1-2-3, p. 215225

 MODLE VARIATIONNEL POUR LA CLASSIFICATION DIMAGES

128

255
0 128 255

FIGURE 9 Composition colore des trois bandes FIGURE 10 Localisation des sites dapprenti-
(RVB : XS3, XS2 et XS1). Color composite the ssage de limage de Blida. Training sites of the
three bands (RGB : XS3, XS2 et XS1). image of Blida.

128

255
0 128 255

FIGURE 11 Rsultat de classification par maxi-

mum de vraisemblance. Result of classification by
maximum of likelihood.

Tldtection, vol. 5, n 1-2-3, p. 215225 223

 IDDIR-ZAIT et SMARA

FIGURE 12 Rsultats de classification pour limage multibande de Blida pour diffrentes valeurs des paramtres de
pondration. (a) i = 0,0015, ei = 0,0015, itration 25 ; (b) i = 0,0015, ei = 0,0015, itration 50 ; (c) i = 0,002 ; ei = 0,01,
itration 25 ; (d) i = 0,002, ei = 0,01, itration 20 ; (e) i = 0,01, ei = 0,01, itration 25 ; (f) i = 0,01 ; ei = 0,01, itration
50, i = 1,7 (nombre de classes).
Results of classification for the multispectral image of Blida for different values of the parameters. (a) i = 0,0015,
ei = 0,0015, iteration 25 ; (b) i = 0,0015, ei = 0,0015, iteration 50 ; (c) i = 0,002, ei = 0,01, iteration 25 ; (d) i = 0,002,
ei = 0,01, iteration 20 ; (e) i = 0,01, ei = 0,01, iteration 25 ; (f) i = 0,01, ei = 0,01, iteration 50, i = 1,7 (number of classes).

224 Tldtection, vol. 5 n 1-2-3, p. 215225

 MODLE VARIATIONNEL POUR LA CLASSIFICATION DIMAGES
8. CONCLUSION
Les modles variationnels associs aux quations
aux drives partielles (EDP) forment un cadre
mathmatique puissant et cohrent qui s'impose
de nos jours dans le traitement de l'image. Dans
ce formalisme mathmatique, nous avons
prsent une mthode de classification contex-
tuelle fonde sur les contours et les rgions actifs
qui, dans une formulation par ensembles de
niveaux, offrent une trs grande souplesse la
mthode par rapport aux changements de
topologie des contours. La prise en compte du
contexte d'un pixel de l'image est un facteur
prpondrant pour amliorer les mthodes ponc-
tuelles. Ce facteur est d'autant plus important
avec l'avnement dans de domaine de tld-
tection de capteurs trs haute rsolution
spatiale (THRS) comme Ikonos ou Quickbird.
Nous avons constat que ce modle permet une
bonne discrimination des thmes d'occupation du
sol. Il a tendance favoriser la formation de zones
homognes importantes au dtriment de petites
zones isoles contenues dans des rgions plus
grandes. Cette particularit permet cette
mthode de trouver son application dans l'identifi-
cation des cultures dans une zone agricole. Dans
ce type d'images, il est peu probable quune
culture dun certain type se retrouve au milieu
dune culture de type diffrent. Cette mthode
peut galement tre applique sur des images
provenant de capteurs THRS, pour lesquels une
homognisation relative de certaines zones
permet une meilleure identification des thmes.
Dautre part, ce modle reste robuste face des
images prsentant un faible bruit, mais devient
sensible la prsence dun fort bruit. On peut
penser, dans ce cas, intgrer dans le mme
processus une opration de restauration qui per-
mettra de lisser limage avant de la classifier.
Remerciements
Nous remercions vivement messieurs Yves Auda
et Alexandre Laffite Olano, pour leurs contribu-
tions, suggestions et remarques qui nous ont
permis de donner cet article la qualit qui est la
sienne actuellement.
Rfrences
Aubert, G. and Kornprobst, P. (2002) Mathematicals problems
in Image Processing, Partial Differential Equations and the
calculus of variation. Springer-Verlag, New York, 195 p.
Aubert, G., Barlaud, M., Faugeras, O. and Jehan-Besson, S.
(2002) Image Segmentation Using Active Contours : Calculus
of Variations or Shape Gradients? Institut National de
Recherche en Informatique et en Automatique (INRIA),
Sophia Antipolis, Nice, rapport de recherche n 4483, 37 p.
Tldtection, vol. 5, n 1-2-3, p. 215225
Blanc-Fraud , L. (2000) Sur Quelques Problmes Inverses en
Traitement dImages. Mmoire dhabilitation diriger des
travaux de recherche, Universit de Nice-Sophia Antipolis,
Nice 195 p.
Caselles, V. and Coll, B. (1996) Snakes in Movement. Society for
Industrial and Applied Mathematics Journal on Numerical
Analysis, vol. 33, n 6, p. 2445-2456.
Caselles, V., Catt, F., Coll, T. and Dibos, F. (1993) A Geometric
Model for Active Contours in Image Processing. Numerische
Mathematik, vol. 66, p. 1-31.
Caselles, V., Kimmel, R. and Sapiro, G. (1997a) Geodesic active
contours. International Journal of Computer Vision, vol. 22,
n1, p. 61-79.
Caselles, V., Kimmel, R. and Sapiro, G. (1997b) Minimal
surfaces based object segmentation. IEEE transactions on
Pattern Analysis and Machine Intelligence, vol. 19, n4,
p. 394-398.
Deriche, R. et Faugeras, O. (1995) Les EDP en traitement des
images et Vision par Ordinateur. Institut National de
Recherche en Informatique et en Automatique (INRIA),
Sophia Antipolis, Nice, rapport de recherche n 2697, 59 p.
Gomes, J. and Faugeras, O. (1999) Reconciling Distance
Functions and Level Sets. Institut National de Recherche en
Informatique et en Automatique (INRIA), Sophia Antipolis,
Nice, rapport de recherche n 3666, 15 p.
Malladi, R., Kimmel, R., Adalsteinsson, D. and Sapiro, G. (1996)
A geometric approach to segmentation and analysis of 3D
medical images. IEEE Proceedings of Mathematical Methods
in Biomedical Image Analysis (MMBIA), University of
California, San Francisco, California, p. 244-252.
Malladi, R., Sethian, J.A. and Vemuri, B.C. (1995) Shape
modelling with front propagation: a level set approach. IEEE
Transactions on Pattern Analysis and Machine Intelligence.
vol. 17, n 2, p. 158-174.
Mumford, D. and Shah, J. (1989) Optimal Approximations by
Piecewise Smooth Functions and Associated Variationnal
Problems. Communications on Pure and Applied Mathe-
matics, vol. 42, p. 577-685.
Pony, O., Descombes, X. and Zerubia, J. (2000) Classification
d'images satellitaires hyperspectrales en zone rurale et
priurbaine. Institut National de Recherche en Informatique
et en Automatique (INRIA), Sophia Antipolis, Nice, rapport
de recherche n 4008, 64 p.
Samson, C. (2000) Contribution la Classification dimages
Satellitaires Multi Spectrales par Approches variationnelles. Thse
de doctorat, Universit de Nice-Sophia Antipolis, Nice, 204 p.
Samson, C., Blanc-Fraud , L., Aubert, G. et Zerubia, J. (2000)
Classification d'images multibandes par modles
variationnels.Institut National de Recherche en Informatique
et en Automatique (INRIA), Sophia Antipolis, Nice, rapport
de recherche n 4010, 59 p.
Sapiro, G., Kimmel, R. and Caselles, V. (1995) Object Detection and
Measurements in Medical Images Via Geodesic Deformable
Contours. Proceedings of SPIE, The International Society for
Optical Engineering-Vision Geometry, San Diego, p. 366-378.
Sethian, J.A. (1999) Level Set Methods and Fast Marching
Methods. Cambridge University Press, Berkeley, 359 p.
Vese, L. (1996) Problmes variationnels et EDP pour lanalyse
dimage et lvolution des courbes. Thse de doctorat,
Universit de Sophia-Antipolis, Nice , 142 p.
Zhao, H., Chan, T., Merriman, B. and Osher, S. (1996) A
variational Level Set Approach to Multiphase Motion. Journal
of Computer Physics, vol. 127, p. 179-195.
225