Académique Documents
Professionnel Documents
Culture Documents
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.
savre un outil incontournable. Elle consiste ra- tique de la figure 1. La classification tant dirige,
liser une partition de limage en rgions repres par elle est prcde dune tape dapprentissage qui
des tiquettes diffrentes. On distingue deux types consiste slectionner, sur limage, les zones
de classification : la classification dirige, pour reprsentatives des diffrentes classes et extraire
laquelle le nombre de classes et leurs paramtres un chantillon dapprentissage. partir de cet
sont connus au pralable, et la classification non chantillon, les paramtres statistiques des classes
dirige qui ne ncessite aucune connaissance a priori sont estims. Dans notre cas, nous supposons que les
sur les classes. niveaux de gris suivent une distribution gaussienne,
La classification telle que nous lenvisageons caractrise par un vecteur moyenne et une matrice
dans cet article appartient aux approches diriges de variance-covariance.
et elle est base sur le calcul variationnel. La classification par modle variationnel est
Plusieurs mthodes de classification ont prcd dtaille sur la figure 2. Aprs la description du site
lapproche que nous dveloppons ; nous pouvons dtude, nous donnons quelques notions sur les
citer les mthodes bases sur des mesures de contours actifs classiques, et ce qui justifie lutili-
similarit, telle que la minimisation de distance, sation des courbes godsiques. Nous dtaillons
et celles bases sur le calcul de probabilits, telles galement la formulation par les ensembles de
que le maximum de vraisemblance et les modles niveaux et les avantages quelle procure par rapport
markoviens (Pony et al., 2000). lvolution des courbes dans le temps.
Les travaux sur la classification variationnelle
Image satellitaire
sont peu nombreux. Ceci est principalement d au multibande
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 Phase dapprentissage
ne sest concrtis que lors de la dernire dcen-
nie. Ces approches ont dj prouv leur efficacit
dans dautres applications du traitement dimages Choix des paramtres du
telle que la restauration avec prservation de modle
discontinuits (Blanc-Fraud, 2000) et (Aubert
and Kornprobst, 2002), ce qui a motiv la mise en
uvre de mthodes de classification dans un Choix du type dinitialisation des
contours actifs
cadre variationnel.
La mthode que nous dveloppons dans cet
article peut tre vue comme une opration de Classification variationnelle
segmentation, laquelle un processus dtique-
tage de pixels est ajout. Plusieurs mthodes de
segmentation ont t labores en traitement valuation des rsultats
dimages. Parmi elles, nous comptons la segmen-
tation par contours actifs (Mumford and Shah, FIGURE 1 Schma global de la classification dirige. Glo-
1989) et sa version amliore par lutilisation de bal diagram of supervised classification.
la gomtrie riemannienne et par lintroduction de Construction de la Initialisation des
courbes godsiques (Sapiro et al. 1995 ; Aubert et fonctionnelle contours initiaux
al., 2002)
Cette mthode est base sur la construction
dune fonctionnelle dnergie sur limage. Le mini-
mum de cette fonctionnelle est atteint lorsque Minimisation de la fonctionnelle et
dformation des contours
limage est forme de rgions homognes et
dinterfaces de longueurs minimales. Vu sous cet
il, le problme de classification est quivalent Rgularisation des fonctions
un problme de minimisation dnergie associe ensembles de niveaux
10Km
FIGURE 4 Reprsentation dune courbe par lensemble de niveau zro dune fonction. Representation of a curve by
level set function.
Ci. + (4)
2 j=1j
distance de cette moyenne par rapport aux K Pour des images bruites, le terme dattache aux
moyennes des K classes. Un cercle correspond donnes ne doit pas tre fortement pondr, et
la fonction i pour laquelle la distance calcule est ceci afin dviter que le bruit ninflue sur la
minimale. De ce fait, chaque fonction i sera qualit de la classification. Pour des images
reprsente par plusieurs cercles qui, lors de leur prsentant des frontires trop irrgulires, la con-
volution, pourront fusionner. trainte de rgularit doit tre faible.
partir de la relation de l'quation 4, l'appli- Nous prsentons sur la figure 8 les trois canaux
cation de l'quation d'Euler-Lagrange (Vese, 1996) de limage multi spectrale ainsi quune composi-
permet d'obtenir un systme d'EDP. Pour la tion colore (figure 9). Lapprentissage sur cette
rsolution de ces quations, nous adoptons un image a permis de dfinir 7 classes, qui sont
algorithme dynamique de type descente de gradient. dcrites sur le tableau 1 et, sur la figure 10, nous
Les diffrentes tapes de la mthode ont t prsentons la localisation des diffrents sites
implmentes dans le langage de programmation dapprentissage.
C++Builder5 et ont fait lobjet dune valuation Sur la figure 11, nous montrons un rsultat de
des diffrents paramtres. Nous prsentons dans la classification obtenu par le maximum de
ce qui suit les rsultats obtenus sur la rgion vraisemblance et, sur la figure 12, nous illustrons
dtude, ainsi que sur des images simules. les rsultats de la classification par modle
variationnel avec une initialisation automatique
7. RSULTATS EXPRIMENTAUX par des fentres de taille 3*3.
Dautre part, nous avons ralis des tests avec
Pour valider lapproche de classification propose,
diffrentes valeurs des paramtres de pond-
nous lavons dabord teste sur une image de
ration. Ce choix dpend fortement de la nature de
synthse avant de lappliquer sur limage satelli-
limage traiter et nous voyons, en examinant la
taire relle.
figure 12, quil influe sur la qualit de la
Pour limage synthtique de dimension 128*128
classification. Pour cette image, lorsque lattache
(figure 6a), contenant trois classes, nous avons
aux donnes est fortement pondre, nous pou-
dabord effectu une initialisation manuelle par
vons voir que le modle favorise la formation de
trois cercles (figure 6b). Les figures 6d, e et f
rgions homognes importantes au dtriment des
montrent lvolution des rgions pour diffrentes
petites rgions isoles. Nous pouvons aussi voir
itrations, ainsi que limage classifie.
que les structures de petite dimension ne sont pas
Nous avons galement ralis une initialisation
bien prserves.
automatique sur la mme image avec des fentres
En comparant les rsultats obtenus par les deux
5*5 (figure 6c). Les rsultats sont illustrs par les
approches, nous pouvons constater la diffrence
figures 6g, h et i. Sur la figure 7, nous prsentons
entre le caractre ponctuel de la mthode
les images erreurs obtenues par rapport limage
stochastique et le caractre global du modle
originale, pour linitialisation manuelle (figure 7a)
variationnel. Dans le premier cas, chaque pixel est
et linitialisation automatique (figure 7b).
trait individuellement et, dans le second cas, il
Nous pouvons voir travers les figures 6d, e et f
sagit de contours voluant par rapport leur
la capacit de division des contours actifs formuls
contexte spatial.
par ensembles de niveau. Ainsi, les diffrentes
rgions composant une classe donne (classes 1 et TABLEAU 1 Les classes de limage de Blida (Algrie). The
2) sont dtectes partir dun seul contour initial. classes of the scene of Blida (Algeria).
Dautre part, travers le nombre ditrations
CLASSES THMES
ncessaires la convergence, nous voyons que
linitialisation automatique est beaucoup plus 1
Zone urbaine moins dense (villages
rapide que linitialisation manuelle, car les ENZ isols entre les rgions agricoles)
sont plus proches des frontires des classes 2 Vgtation naturelle moins dense
dtecter. De plus, travers les images des erreurs
3 Sol nu et arodrome de Blida
de la figure 7, nous remarquons que linitiali-
sation automatique est plus robuste que la 4 Champs non cultivs
manuelle. 5 Zone urbaine dense (ville de Blida)
En ce qui concerne les paramtres du modle, 6 Champs cultivs
leur choix est une opration importante et influe
directement sur la qualit de la classification. 7 Vgtation naturelle dense
Pour notre part, nous avons fait des choix
empiriques bass sur lexprimentation et en
fonction des particularits de limage traiter.
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
(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.
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 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).