Vous êtes sur la page 1sur 12

Classification de couverts vgtaux

par analyse de textures couleurs


dimages satellites haute rsolution
Vegetation coverage classification
using texture analysis
on high resolution satellite images

Mohamed Abadi et Enguerran Grandchamp


Laboratoire GRIMAAG Universit Antilles Guyane Campus de Fouillole
97157 Pointe--Pitre Guadeloupe France
{mabadi|egrandch}@univ-ag.fr

Manuscrit reu le 17 novembre 2008

Rsum et mots cls


Cet article prsente une application de la tldtection pour la gestion des espaces forestiers des les des
Carabes. La problmatique gnrale est la protection des forts par le suivi de leurs frontires avec les zones
agricoles. Cette problmatique est particulirement sensible du fait du caractre insulaire des forts et
difficile du fait dune occupation htrogne du territoire. En effet, les parcelles agricoles sont de taille et
forme trs varies, rparties sur tout le territoire et souvent mles la vgtation. Le suivi des frontires
ncessite de reconnatre et localiser les dirents couverts vgtaux. Aprs une recherche de lespace couleur
hybride adapt limage et une fusion des diffrentes bandes acquises par un satellite (afin de combiner
haute rsolution spatiale et spectrale), une caractrisation des diffrents couverts est obtenue en calculant
des descripteurs de couleur et de texture. Diffrentes mthodes dextraction (matrices de co-occurrences,
moment de Hu, filtre de Laws, filtre de Gabor) sont utilises pour calculer ces descripteurs.
Une classification est ensuite applique pour segmenter limage. Pour la validation de lapproche, labsence de
vrit terrain a contraint les experts raliser une valuation visuelle.

Tldtection, classification, textures, espace couleur, fort, extraction de descripteurs

Abstract and key words


Cet article prsente une application de la tldtection pour la gestion des espaces forestiers des les des Carabes. La
problmatique gnrale est la protection des forts par le suivi de leurs frontires avec les zones agricoles. Cette
problmatique est particulirement sensible du fait du caractre insulaire des forts et difficile du fait dune occupation
htrogne du territoire. En effet, les parcelles agricoles sont de taille et forme trs varies, rparties sur tout le territoire
et souvent mles la vgtation. Le suivi des frontires ncessite de reconnatre et localiser les dirents couverts
vgtaux. Aprs une recherche de lespace couleur hybride adapt limage et une fusion des diffrentes bandes
acquises par un satellite (afin de combiner haute rsolution saptiale et spectrale), une caractrisation des diffrents
couverts est obtenue en calculant des descripteurs de couleur et de texture. Diffrentes mthodes dextraction (matrices
de co-occurrences, moment de Hu, filtre de Laws,filtrede Gabor) sont utilises pour calculer ces descripteurs. Une

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 175


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

classification est ensuite applique pour segmenter limage. Pour la validation de lapproche, labsence de vrit terrain
a contraint les experts raliser une valuation visuelle.
Tldtection, classification, textures, espace couleur, fort, extraction de descripteurs

Remerciements
Nous tenons remercier les institutions europennes travers le programme INTERREG IIIb Espace Carabes
pour le financement du projet CESAR dont est issue cette tude et le centre de calcul C3I de lUniversit des
Antilles et de la Guyane sur lequel ont t effectus les diffrentes tapes de la chane de traitement.

1. Introduction : enjeux cultives, des zones naturelles disparaissent brutalement suite


une mise en culture. En phase oprationnelle, une mise jour bi-

et contexte annuelle des frontires fort / agriculture est prvoir. Par


ailleurs, la sparation entre les diffrents types de forts est plus
dlicate car les frontires peuvent staler sur plusieurs dizaines
Ltude prsente dans cet article a t mene dans le cadre du voir centaines de mtres. Nous nous restreignons donc dans le
projet CESAR (Classification dESpces ARborescentes). Ce cadre de cette tude des frontires lies des changements de
projet a t financ par le programme Europen INTERREG milieu (marais deau douce/mangrove par exemple) ou de topo-
IIIb Espace Carabes. graphie (changement dexposition aux vents, de pente) qui don-
La problmatique gnrale du projet CESAR est la classifica- nent naissance des frontires plus nettes.
tion des diffrents couverts vgtaux des les de la Carabes La suite de cet article est organise de la manire suivante : la
(Forts altimontaine / sches / ombrophiles / marcageuses, section 2 prsente la chane de traitement mise en place ; la
mangroves, prairies, agriculture traditionnelle/intensite, sylvi- section 3 dtaille la premire partie de la chane consacre
culture, etc). Cette problmatique scientifique sintgre dans lamlioration de la reprsentation des images en prsentant
une problmatique cologique, conomique et politique plus succssivement la notion despace couleur, les images utilises
vaste damnagement du territoire (localisation des construc- (rsolution spatiale et spectrale) et les techniques de fusion
tions illgales) et de protection de lenvironnement (localisation dimages ; la section 4 prsente la caractrisation des diffrents
des zones de dforestation, de lagriculture clandestine, des couvert vgtaux laide de la couleur, de la thorie des frac-
glissements de terrains, ). La gestion des ressources fores- tales, des filtres de Laws, des matrices de co-occurence ainsi
tires est particulirement critique pour les iles des Antilles en que la phase de classification. Les rsultats obtenus sont
raison du caractre insulaire et donc fragile de ces forts et en dtaills la section 6 et la section 7 prsente les conclusions et
raison de la grande biodiversit quelles abritent. perspectives de cet tude.
Au cur de cette problmatique, lobjectif de ltude prsente
ici est la sparation entre les zones forestires et les zones agri-
coles, ainsi que la sparation entre les diffrents types de forts.
La sparation entre les zones forestires et les zones agricoles 2. La chane
prsente un grand intrt au niveau des Antilles pour plusieurs
raisons : (i) toutes les parcelles agricoles ne sont pas dclares, de traitement
(ii) les parcelles sont trs htrognes en surface et en forme et
souvent proches, voire insres dans des zones forestires ou La chane de traitement (figure 1) propose est dcompose en
urbaines, (iii) en raison des mises en jachre loccupation des trois tapes : (i) la reprsentation des images est amliore en
parcelles change dune saison et dune anne lautre surtout choisissant lespace couleur le mieux adapt puis en fusionnant
pour les petites exploitations sur lesquelles peu de contrles sont les images de rsolution spatiale et spectrale diffrente, (ii) les
effectus. Pour toutes ces raisons on constate, aux frontires de diffrents couverts vgtaux sont caractriss en calculant dif-
certaines zones agricoles, que la dynamique de la vgtation est frents descripteurs (couleur, texture), (iii) une classification est
particulire : la vgtation recouvre rapidement des parcelles non ralise afin de sparer les diffrents couverts.

176 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 1. Chane de traitement.

3. Amlioration type dimages et la prise en compte du voisinage immdiat et


tendu est ncessaire.

de la reprsentation Lanalyse de ces structures complexes est au coeur de cette


tude et ncessite de dnir la notion de texture. On trouve dans

des images la littrature plusieurs dfinitions menant une multitude de


caractristiques permettant de les dcrire. La liste, non exhaus-
tive, suivante regroupe des caractristiques frquemment utili-
Les images tudies ici comportent une trs large majorit de ses : uniformit, densit, rugosit, finesse, rgularit, linarit,
couverts vgtaux, la dynamique des couleurs est donc parti- directionalit, direction, frquence, phase.
culire. Par ailleurs nous disposons dimages de rsolution spa- Il existe une relation troite entre les diffrentes textures com-
tiale et spectrale diffrente. Nous allons donc mettre en uvre des posant limage et les structures sous-jacentes. Dans le cadre de
techniques permettant de combiner ces diffrentes informations. la problmatique qui nous intresse, les diffrences de textures
vont se traduire par des couvert vgtaux diffrents : forts, prai-
ries, parcelle agricole, .
3.1 Caractristiques des images tudies La figure 2 prsente des chantillons de diffrents couverts
vgtaux. On remarque une grande diversit des textures.
Nous utilisons ici des images satellites trs haute rsolution La principale difficult est de dterminer la ou les textures asso-
spatiale et spectrale. Ces images sont acquises par les satellites cies chaque type de couvert vgtal puis de les caractriser
dobservation (i) IKONOS qui acquire une image de manire discriminante.
PANchromatique (P ANh ) de rsolution 1m/pixel et une image Les caractristiques choisies dpendent des textures elles
MultiSpectrale (M Sb ) (bandes R, V, B, proche IR) de rsolution mmes et la discrimination, si elle est possible, se fera sur des
4m/pixel. (ii) QuickBird qui acquire une image P ANh de combinaisons de caractristiques.
rsolution 0,7m/pixel et une image MSb (bandes R, V, B, proche Par ailleurs, ltude des textures des diffrents couverts vg-
IR, moyen IR) de rsolution 2,4m/pixel. Ces images haute rso- taux a fait apparaitre des structures fractales. En effet, les
lution sont fortement textures. En effet, certaines composantes images satellites sont des reprsentations de scnes naturelles et
des zones dintrt qui taient vues jusqualors par les satellites possdent donc des proprits de non stationnarit. Cette pro-
dobservation basse rsolution comme des zones homognes prit permet une caractrisation particulire des textures par-
(champs, batiments, ) apparaissent dsormais avec suffisam- tir des spectres fractal et multi fractal.
ment de dtails pour que des textures non homognes voire des
sous structures soient visibles. Cet afflux dinformations ouvre
la voie des problmatiques jusque l non envisageables (loca- 3.2 Dtermination de lespace couleur
lisation la cime prs des arbres, de vhicules, ) mais nest
pas sans poser des problmes techniques pour la reconnaissan- De manire gnrale, le choix de lespace couleur conditionne
ce et la localisation de structures dans limage. les traitements appliqus sur les images de manire non ngli-
Les approches pixel bases uniquement sur une modlisation geable. La normalisation introduite par la CIE (Commission
mono ou multimodale des classes ne sont plus possibles pour ce Internationale dclairage) conduit deux types despaces

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 177


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 2. chantillons de diffrents couverts vgtaux.

couleurs : les espaces couleurs linraires (RVB, XYZ, LAB, son dexpressions donne lieu un nouvel espace couleur hybri-
LUV, ) et les espaces couleurs non linaires (IST, YIQ, de. Nous proposons de choisir pour chaque image la combinai-
HLS, ). son dexpressions de I, S et T qui soit la mieux adapte. Pour
Mais ces espaces de reprsentation standards ne sont pas les plus cela nous avons adapt la mthode de construction despaces
adapts. En effet, il existe des espaces couleurs hybrides [24, 21] couleurs hybrides prsente dans [21] de manire utiliser uni-
construits partir des espaces normaliss. Ces espaces peuvent quement les espaces couleurs non-linaires et obtenir un espace
avoir un nombre quelconque de composantes, lobjectif tant de hybride tridimensionnel form par une seule expression de
slectionner celles qui conduisent lespace le moins corrl et chaque composante (I, S, T). Nous obtenons ainsi lespace cou-
le plus discriminant pour une image donne. Le choix des com- leur hybride not I S T . Les dtails de la mthode propose
posantes est en effet effectu pour chaque image et peut donc sont disponibles dans [1].
varier dune image lautre en fonction du contenu spectral de La mthode introduite ici permet de prendre en compte les par-
celle-ci. Il y a un compromis raliser entre le nombre de com- ticularits de chaque image afin daugmenter la part didentifi-
posantes slectionnes, que lon veut minimiser, et linformation cation de linformation spectrale par rapport linformation fr-
quelles contiennent, que lon veut maximiser. quentielle. Les tests effectus ont montr, dans le cas o lespa-
Le critre utilis pour la slection de lespace hybride est bas ce hybride selectionn est diffrent des espaces standards, une
sur un calcul de pouvoir discriminant associant la variance intra nette amlioration la fois visuelle (qualitative) et quantitative.
classe et la variance inter classe lobjectif tant dobtenir des
classes dont les chantillons sont groups autour dune valeur
centrale et loignes les unes des autres [18, 21, 8]. 3.3 Fusion dimages
Lalgorithme de Vandenbroucke [24] permet de dterminer un
espace couleur hybride quelconque (nombre et type des compo- Les diffrents satellites acquirent simultanment des images
santes) de manire itrative en alternant une phase de minisation diffrentes rsolutions spatiales et spectrales. Lassociation de
de la corrlation et une phase de maximisation du pouvoir dis- linformation panchromatique haute rsolution spatiale P ANh
criminant. linformation multispectrale plus faible rsolution spatiale
Nous proposons ici une approche multi-objectifs intgrant les M Sb permet une analyse plus complte et plus fine des scnes
deux critres prcdant afin de rsoudre les problmes de observes. Pour cette raison, un processus de fusion dimages
convergence vers loptimum global. Par ailleurs, nous restrei- est appliqu sur ces deux types dimages afin dobtenir une
gnons la recherche de lespace couleur hybride aux espaces non image haute rsolution spatiale et spectrale M Sh .
linaires afin quil soit utilisable dans les autres tapes de la Il existe dans la littrature quatre grandes catgories de
chane de traitement (fusion dimages, caractrisation des cou- mthodes de fusion [17] : la projection-substitution, la contribu-
verts). Les diffrences entre ces espaces proviennent de tion spectrale relative, le concept ARSIS, les mthodes hybrides.
lexpression utilise pour dterminer les composantes I, S et T. Notre contribution dans ce domaine est une mthode hybride
Il existe en effet au moins 5 expressions de I, 7 de S et 6 de T. permettant de gnraliser et harmoniser les diffrentes tech-
Plusieurs espaces standards utilisent ces composantes (HSV, niques utilisant les concepts de base de la catgorie projection-
IHS, IST, ) avec diffrentes expressions. Chaque combinai- substitution.

178 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Les techniques de cette catgorie peuvent tre classes en deux 4.1 Descripteurs de couleur
groupes : (i) les mthodes perceptuelles qui sont bases sur des
changements despaces couleurs (passage de RVB vers IHS, Lextraction de descripteurs couleurs, locaux ou globaux, a t
etc) par des transformations non linaires [5, 6, 26, 17, 30]. (ii) trs largement tudie et utilise dans le cadre de la segmenta-
les mthodes daxes indpendants bases sur diffrentes tion et de la classification dimages. Ainsi nous avons retenu et
mthodes statistiques (Analyse en Composantes Principales, implment (i) les descripteurs bass sur lutilisation de lhisto-
Transforme de Karhunen-Loeve, Transforme en Cosinus gramme dtermin sur chaque composante [20, 22] qui sont
Discrte, etc) fournissant les composantes les moins corrles invariant aux changements dchelles en considrant les pixels
possibles [25]. Ces techniques sont bases sur lhypothse, sou- dune image comme une distribution statistique, (ii) les descrip-
vent vrifie dans lespace dacquisition, quil existe des corr- teurs utilisant les moments statistiques (moyenne, cart-type,
lations entre les composantes dune image. etc). Dautres descripteurs ont t proposs [13]. Dans cette
Une des difficults des mthodes perceptuelles est de trouver les tude nous nous limiterons aux descripteurs bass sur les
composantes couleurs adquates qui permettent disoler le moments statistiques (moyenne et cart-type) mais en notant
contenu spectral du contenu spatial de limage M Sb afin de que ltude que nous avons men a permis de retenir
minimiser la distorsion radiomtrique dans limage fusionne lhistogramme global des couleurs tel quil est dfini dans [22]
M Sh . Ainsi depuis lintroduction de ces mthodes, bases sur et lauto-corrlogramme des couleurs introduit dans [13].
les trois composantes Intensit (I), Saturation (S) et Teinte (T), Les descripteurs couleurs sont calculs sur les composantes
plusieurs travaux ont t raliss dans le but damliorer la qua- saturation (S ) et teinte (T ).
lit du produit fusionn [5, 6, 30]. Nous proposons dans ce
cadre une approche originale permettant de prendre en consid-
ration les spcificits et les particularits de les images fusion- 4.2 Descripteurs de texture
nes et ainsi de gnraliser les mthodes existantes. Nous utili-
sons pour cela lespace hybride I S T (transformation T H) La texture reprsente depuis longtemps un thme de recherche
avec notamment la composante I contenant le plus dinforma- actif. Son analyse est un sujet trs difficile et trs complexe sur
tion et donc la plus proche de limage P ANh . Nous pouvons lequel portent de nombreux travaux. La texture est un concept
remarquer que cette transformation hybride est inversible assez ou facile reconnatre mais difficile dfinir. Sa dfini-
(T H 1 ), condition ncessaire pour le processus de fusion par tion diffre selon les points de vue et les objectifs des applica-
les mthodes perceptuelles. tions [15]. De lensemble des dfinitions, il ressort que la textu-
Au cours de cette fusion, limage P ANhS est obtenue par une re reprsente une certaine homognit visuelle, en dehors de la
spcification dhistogramme entre limage P ANh et la compo- couleur, sur une rgion de limage. Classiquement on distingue
sante I pour restructurer lintensit et compenser les dtails deux types de textures : (i) les textures dterministes (appeles
manquant dans la composante I par ceux de limage P ANh . aussi priodiques), rattaches une rpartition spatiale rgu-
Ceci permet de rduire les diffrences dues des conditions lire dun motif gomtrique facile dcrire, (ii) les textures
dacquisition diffrentes. Pour raliser ceci, nous avons probabilistes (appeles aussi stochastiques ou alatoires), lies
employ des techniques bases sur une estimation de la densit une rpartition spatiale irrgulire et alatoire et constitues de
de probabilit des deux images (I et P ANh ). plusieurs motifs diffrents quil est impossible didentier ou
disoler.
Ces deux types de textures sont modliss diremment et nces-
sitent des mthodes danalyse spciques. On trouve le modle
4. Caractrisation micro-textures qui est caractris par une cohrence visuelle,
prsentant des motifs microscopiques distribus de manire
des couverts alatoire et le modle macro-textures qui prsente un aspect
rgulier (motif qui se rpte spatialement dans limage).
Les besoins de prcision imposs par la problmatique ont deux Parmi la multitude de mthodes dveloppes pour lanalyse de
consquences : (i) les bandes spectrales accessibles sont res- ces deux modles, on peut recenser quatre grandes approches :
treintes et pas ncessairement adaptes lanalyse de la vgta- lapproche statistique, lapproche gomtrique (fractal), lap-
tion (bandes R, V, B) (ii) la haute rsolution fait apparatre au proche frquentielle et lapproche stochastique. Dans cette
sein des diffrents couverts vgtaux des structures complexes. tude nous nous intressons uniquement aux trois premires
Pour ces raisons, une simple analyse radiomtrique ne suffit pas approches, que nous prsentons brivement et que nous illustre-
pour discriminer les vgtations entre elles. Nous allons donc rons laide dune mthode. Parmi les travaux que nous avons
intgrer le contexte des pixels en analysant la couleur et la tex- recens, [27, 2, 11, 10, 29] par exemple, beaucoup dentre eux
ture afin de calculer des descripteurs plus complexes [3, 19]. essayent de combiner des descripteurs de nature diffrente en
combinant par exemple linformation spectrale avec linforma-
tion spatiale et/ou gomtrique.

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 179


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Mthodes statistiques locales et offrant ainsi une caractrisation multi-chelles de la


texture [4]. Nous testons ici la mthode de Laws [16] pour une
Il sagit des mthodes les plus utilises pour lanalyse de textures description spatiale et le filtre de Gabor [4] pour une caractri-
sur des images mono-composante. Lide principale est base sation frquentielle.
sur lvaluation quantitative de larrangement spatial et la dis- Les descripteurs de textures sont calculs sur limage inten-
tribution statistique des niveaux de gris des pixels de limage. sit (I ).
Dans la littrature beaucoup dapproches essayent de modliser
cette ide. Par exemple les mthodes bases sur les matrices de
co-occurrence (MC) et ses variantes [12] et les mthodes utili-
sant la fonction dauto-corrlation [31]. Dans la suite nous
avons choisi dappliquer la mthode de co-occurrence car de
5. Classification
nombreux travaux ont montr son intrt en traitement dimages La classification est la dernire tape de notre chane de traite-
et particulirement sur les images satellites [28, 2, 29]. En pra- ment. Les tapes prcdentes ont permi dobtenir des descrip-
tique, les attributs de texture issus de cette mthode sont cal- teurs relativement discriminant rendant ainsi moins dterminant
culs sur des fentres glissantes. le choix de la mthode de classification.
En effet, il existe de nombreuses techniques de classification
Mthodes gomtriques dans la littrature : k-means, mthode EM, Fuzzy c-means,
mthode baysienne, SVM, ISODATA, etc.
Les mthodes appartenant cette approche permettent de carac-
Nous avons fait le choix dutiliser des mthodes ayant des
triser linformation structurelle, contextuelle, et la forme gn-
caractristiques diffrentes. titre dexemple les k-means pour
rale de lobjet sous lhypothse quune texture est forme dun
leur convergence rapide et leur mode non supervis, les
ou plusieurs motifs se rptant de faon rgulire. Nous nous
mlanges de gaussiennes pour leur adaptation aux descripteurs
intressons ici aux approches bases sur ltude des formes. Ces
ayant une densit de probabilit proche dune gausienne, la
dernires essayent de dterminer une caractristique gom-
mthode SVM pour son adaptation aux problmes de grande
trique pour dcrire un profil afin de reconnatre les objets. Dans
taille.
la littrature, on peut trouver les descripteurs bass sur les
Dans le cadre de cet article nous prsentons des rsultats obte-
contours qui sont gnralement obtenus par lapplication de la
nus avec les k-means [14] et avec un critre de distance eucli-
transforme de Fourier [9] ou les descripteurs bass sur les
dienne minimale dans le cas supervis.
rgions qui sont dtermins partir de divers moments inva-
Dans ce dernier cas, nous avons minimis la distance euclidien-
riants [23]. Ces derniers sont robustes et invariants par transla-
neE kP entre un pixel P (reprsent par son vecteur dattributs VP
tion, rotation et changements dchelles. Pour ces raisons nous
de dimension D) et le centre de chaque classe Ck (reprsent
avons choisi de les utiliser dans le cadre de cette tude.
par le vecteur moyenne V ) calcul partir des chantillons
Par ailleurs, la multitude dobjets qui peuvent apparatre et la
dapprentissage. Le pixel P est assign la classe Cl associe
complexit de linformation contenue dans les images satellites,
la distance la plus proche.
nous pousse faire une analyse fractale. Lide principale est de
coupler une analyse locale de la rgularit des donnes avec une
analyse globale. Il existe plusieurs techniques et mthodes qui
permettent de quantifier ces deux proprits, nous nous limite-
rons ici tudier la dimension fractale (locale et globale) en
6. Rsultats
appliquant la mthodes SDBC (Shifting Differential Box-
Counting) [7].
6.1 Images utilises

Mthodes frquentielles
Nous prsentons des images composes des deux types de cou-
Linformation frquentielle est aussi importante que linforma- verts vgtaux. Les deux premiers extraits (figure 3 et 4) sont
tion structurelle ou spatiale. Les mthodes frquentielles per- constitus dune image multispectrale M Sb et dune image pan-
mettent danalyser les diffrentes frquences prsentes dans chromatique P ANh de rsolutions spatiales respectives
limage. Parmi ces mthodes, les mthodes de filtrage prennent 4m/pixel et 1m/pixel acquises par le satellite IKONOS ; les deux
leur origine dans le domaine du traitement du signal en sinspi- derniers extraits (figure 5 et 6) comportent eux aussi deux
rant de la perception visuelle humaine. Appliques dans le images M Sb et P ANh de resolutions spatiales respectives
domaine du traitement dimages, ces mthodes permettent de 0,7m/pixel et 2,8m/pixel acquises par le satellite QuickBird.
caractriser aussi bien les macro-textures que les micro- Cette tude est base sur une dizaine dextraits de chaque satel-
textures. Nous distinguons les mthodes de filtrage spatial intro- lite. Les extraits des figures 3 et 5 ont t slectionns car nous
duites pour dcrire les micro-textures [16] et frquentiel per- estimons quils sont les plus reprsentatifs de la diversit vg-
mettant de prserver la fois les informations globales et tale et de la complexit des images que nous traitons. Nous

180 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 3. Extraits dimages acquises par le satellite IKONOS. (a) Image P ANh (1024 1024)
et (b) image M Sb (256 256 ).

Figure 4. Extraits dimages acquises par le satellite IKONOS. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

signalons galement quaucun pr-traitement na t ffectu 6.2 Rsultats de la classification


sur les images.
Les extraits prsentent des zones forestires et agricoles entre- Les deux figures suivantes donnent un aperu des rsultats obte-
mles. Dautres zones (ombre, eau) apparaissent dans les nus en calculant les descripteurs de textures partir de la mtho-
images. Ces zones, bien que ne nous interessant pas, ne sont pas de des matrices de co-occurrences (7 et 8), des moments de Hu
masques dans limage et aucun apprentissage nest ralis des- (7) et des filtres de Laws (8). Ces descripteurs sont combins
sus. Elles gnrent donc certaines erreurs sur la classification. avec les descripteurs couleurs. Le nombre de classes a t esti-
Les experts sont intervenus en amont de la phase de classifica- m 2, 3 ou 4 classes selon limage. On remarque que lanaly-
tion pour dterminer le nombre de classes et les zones repr- se en utilisant la mthode des matrices de co-occurrences four-
sentatives de chaque classe pour lapprentissage mais galement nit des rsultats similaires ceux des mthodes bases sur lana-
pour la validation des rsultats en labsence de vrit terrain. lyse gomtrique (moments de Hu) et frquentielle (filtres de

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 181


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 5. Extraits dimages acquises par le satellite QuickBird. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

Figure 6. Extraits dimages acquises par le satellite QuickBird. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

Laws), que ce soit en terme de dtection ou de spartion entre On peut constater dans la figure 10 b) que la sparation entre la
les diffrentes classes. fort et lagriculture est relativement bien respecte. Le rsultat
Les deux figures (9 et 10), prsentent les rsultats obtenus par est dautant plus acceptable pour notre application que les zones
lanalyse gomtrique base sur les descripteurs calculs en uti- agricoles sont reprsentes par plusieurs textures et non une
lisant les moments de Hu et combins avec les descripteurs cou- seule (zones 2, 3 et 4 sur la figure 10 a) ). Une troisime classe
leurs. (zone marque 1) apparat, elle localise correctement les par-
La figure 9 montre une bonne classification des forts (zones en celles de terre sans cultures.
jaune) dans les images b) et c). Les parcelles agricoles et les Sur lensemble des rsultats (prsents ou non ici), nous retien-
prairies sont illustres avec les zones marques 1 et 2 dans drons que le rsultat des diffrentes approches dpend partielle-
limage a). On peut remarquer que larbre isol (marqu 3 dans ment des images. Nanmoins, la mthode des matrices de
limage a) ) est bien dtect et localis dans les images b) et c). co-occurrence semble la plus stable et bien adapte la dtec-
Nanmoins quelques zones mal classes subsistent (marques tion des textures non orientes et non priodiques caractrises
4) lies principalement lombre ou des parcelles non homo- par des formes alatoires et chaotiques. Ce type de textures est
gnes. caractristique des zones tudies (forts). Les mthodes dana-

182 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 8. Classification non supervise


dune image QuickBird.

Figure 7. Classification non supervise


dune image IKONOS.

Figure 9. Classification supervise dune image IKONOS.

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 183


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 10. Classification supervise dune image Quickbird.

lyse gomtriques ou frquentielles tudies sparent correcte- blmatique est plus complexe aborder du fait de la forte res-
ment les zones forestires des zones agricoles. Cependant, elles semblance des textures et des couleurs. Une tude plus pousse
ont quelques difficults distinguer deux zones agricoles entre sur cette problmatique serait raliser mais ne concerne pas le
elles. projet actuel.

7. Conclusion Rfrences
Nous avons prsent dans cet article une application de la tl- [1] ABADI M., Couleur et texture pour la reprsentation et la classifica-
tion dimages satellite multi-rsolution. These, Universite des Antilles
dtection la protection de lenvironnement. Cette protection
et de la Guyane, 2008.
est permise par le dveloppement dun outil, destin aux autori- [2] TONY E., AKONO A. and RUDANT J-P., Classification texturale
ts de gestion des forts (Onf, Parcs Nationaux), de localisation dune image radar synthse douverture dans une rgion volca-
des frontires entre les forts et les zones agricoles. La localisa- nique : le cas de la rgion du Mont Cameroun, volume 3.
Tldetection, 2003.
tion des frontires est possible aprs reconnaissance des diff-
[3] DEBAIN C., BERDUCAT M., ARVIS V. and BENASSI A.,
rents couverts vgtaux (fort, agriculture, prairies, etc) extraits Generalization of the Co-occurrence matrix for colour images :
dimages satellite trs haute rsolution spatiale. La reconnais- Application to colour texture classification, volume 23. Image Anal
sance est ralise par un processus de classification bas sur une Stereol, 2004.
[4] MANJUNATH B.S. and MA X.Y., Texture features for browsing and
description des textures prsentes dans limage. Ces textures
retrieval of image data, volume 18. IEEE Transactions on Pattern
sont reprsentatives des types de couverts et une bonne caract- Analysis and Machine Intelligence, 1996.
risation de celles-ci permet de les disciminer. [5] LILLESAND T.M., CARPER W.J. and KIEFER R.W., The use of
Lextraction des attributs des textures est ralise aprs un pro- Intensity-Hue-Saturation transformation for merging SPOT panchro-
matic and multispectral image data, volume 56. Photogrammetric
cessus de fusion permettant de combiner la rsolution spatiale et
Engineering and Remote Sensing, 1990.
la rsolution spectrale des images satellites. Une approche ori- [6] SIDES S.C., CHAVEZ P.S. and ANDERSON J.A., Comparison of
ginale de fusion, base sur la construction dun espace couleur three different methods to merge multiresolution and multispectral
hybride est prsente. data : Landsat TM and SPOT Panchromatic, volume 57.
Photogrammetric Engineering and Remote Sensing, 1991.
Les rsultats obtenus sont satisfaisants compte tenu de la natu-
[7] YUAN S-Y., CHEN W-S. and HSIEH C-M., Two algorithms to esti-
re des images traites (textures complexes). Cette tude montre mate fractal dimension of gray-level images, volume 42. SPIE Optical
que le choix de lespace de reprsentation est important avant Engineering, 2003.
mme de choisir les descripteurs utiliss pour la classification. [8] COCQUEREZ J. P. and PHILIPP S., Analyse dimages : Filtrage et
segmentation. S. Masson, 1995.
Ces rsultats de classification sont particulirement intressants
[9] ZAHN C.T. and ROSKIES R.Z., Fourier descriptors for plane closed
dans le cadre du projet CESAR. En effet, la sparation entre les curves. IEEE Trans. On Computers, 1972.
deux grandes zones a t valide par nos experts pour les [10] WEMMERT C., DERIVAUX S., LEFVRE S. and KORCZAK J.J.,
images testes. Les critiques mises concernent la distinction Segmentation par ligne de partage des eaux base sur des connais-
entre deux zones agricoles ou deux zones forestires. Cette pro- sances texturales. Colloque GRETSI sur le Traitement du Signal et
des Images, 2007.

184 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

[11] KAYITAKIRE F., Forest stand characterisation using very high reso- [21] MACAIRE L., Exploitation de la couleur pour la segmentation et
lutions satellite remote sensing/Caractrisation des peuplements lanalyse dimages. PhD thesis, Universit des science et technologie
forestiers par tldtection trs hautes rsolutions. AGRO/MILA - de Lille 1, 2004.
Dpartement des sciences du milieu et de lamnagement du terri- [22] SWAIN M.J. and BALLARD D.H., Color indexing, volume 7.
toire, Thse, 2006. International Journal of Computer Vision, 1991.
[12] SHANMUGAM K., HARALICK R.M. and DINSTEIN I., Textural [23] HU M.K., Visual pattern recognition by moment invariants. IRE
features for image classification, volume 3. IEEE Transaction on Trans. On information Theory, IT-8, 1962.
Systems, Man, and Cybernetics, 1996. [24] VANDENBROUCKE N., Segmentation dmages couleurs par classi-
[13] MITRA M., ZHU W., JAND ZABIH R., HUANG J., KUMAR S.R., fication de pixels dans des espaces dattributs colorimtriques adap-
Image indexing using color correlograms. International Conference ts. Application lanalyse dimage de football. Thse de Doctorat,
on Computer Vision and Pattern Recognition, 1997. Universit de Lille 1, 2000.
[14] MACQUEEN J.B., Some Methods for classification and Analysis of [25] KANADE T., OHTA Y.I. and SAKAI T., Color information for region
Multivariate Observations, volume 1. Proceedings of 5th Berkeley segmentation. Computer Graphics and Image Processing, 1980.
Symposium on Mathematical Statistics and Probability, 1967. [26] GONZALEZ R.C. and WOODS R.E., Digital Image Processing.
[15] COGGINS J.M., A framework for texture analysis based on spatial Addison-Wesley, Reading, MA, 1992.
filtering. PhD thesis, Computer Science Department, Michigan State [27] CHAPUIS R., ROUQUET C., CHAUSSE F. and BONTON P.,
University, 1982. Segmentation non supervise dimages de scnes routires Une
[16] LAWS K.I., Rapid texture identification, volume 238. SPIE Image approche multi-critre, volume 13. Traitement du Signal, 1996.
Processing for Missile Guidance, 1980. [28] ARZANDEH S. and WANG J., Texture evaluation of RADARSAT
[17] WALD L., Quality of high resolution synthesised images : Is there a imagery for wetland mapping, volume 28. SPIE Optical Engineering,
simple criterion ? In Proceeding of the 3th conference : Fusion of 2002.
Earth data : merging point measurements, raster maps and remotely [29] HAINDL M. SCARPA G. and ZERUBIA J., Hierarchical finite-state
sensed images. Nice, France, 2000. modeling for texture segmentation with application to forest classifi-
[18] LAFORGE H., Analyse multivarie : en sciences sociales et biolo- cation. INRIA, France, 2006.
giques : prsentation matricielle et usage des programmes dordina- [30] SHYU H.C., TU T.M., SU S.C. and HUANG P.S., A new look at IHS-
teur BMD, BMDP et SPSS. Presses de lUniversit Laval, 1979. like image fusion methods, volume 2. Information Fusion, 2001.
[19] ABADI M. and GRANDCHAMP E., Colour Image Texture [31] LEE J.Y., WARNER T.A. and MCGRAW J.B., Delineation and iden-
Characterizing : Caribbean Forest Classification by IKONOS Images. tification of individual trees in the eastern deciduous forest. In
International Journal of Remote Sensing, 2007. Natural ressources Canada, editor, Automated interpretation of high
[20] STRICKER M.A. and ORENGO. M., Similarity of color images. spatial resolution digital imagery for forestry, International Forum,
SPIE, Storage and Retrieval for Imaging Video Databases, 1995. Pacic Forestry Center, Victoria, British Columbia, 1998.

Mohamed Abadi Enguerran Grandchamp

Docteur en Informatique depuis juin 2008 sa thmatique de recherche porte sur Matre de Confrences l'Universit des Antilles et de la Guyane au laboratoire
la classification de forts par analyse de textures et de couleur en utilisant notam- GRIMAAG. Il travaille sur la tldtection et la classification de forts partir
ment l'approche fractale. d'images satellites trs haute rsolution spatiale.

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 185