Introduction au traitement

d'images

Mathieu De Maeyer

Stage SIG

Facult des Sciences

Institut de Gestion de lEnvironnement et dAmnagement du Territoire
 Analyse dimages : introduction
Analyse dimages pour d'extraire de
l'information significative de l'imagerie.
Objectif = identifier et mesurer
diffrentes cibles dans une image pour
pouvoir en extraire l'information utile.
Cible = toute structure ou objet
observable dans une image.
points, lignes ou surfaces de formes
varies
contraste avec le voisinage
 Analyse dimages : introduction
Interprtation visuelle
par lhumain sous forme analogique ou + rcemment ou assiste par
ordinateur
Peu de matriel
Image NB ou composition colore
subjectivit
Interprtation numrique
Par traitements numriques dimages
Requiert ordinateur assez puissant + programme de traitements
dimages
Permet de traiter + que 3 bandes en mme temps
Traitements reproductibles
Mthodes complmentaires choix de lanalyste
 Analyse dimages : interprtation visuelle

Carte Photo arienne/images

lgende et symbolisation satellitaires
convention variable brut
comparaison difficile technique invariable
info vrifie comparaison possible
erreurs possibles interprtation vrifier
gnralisation aux petites recours aux donnes
chelles collatrales
 Analyse dimages : interprtation
visuelle
Interprtation visuelle performante si applique de faon rigoureuse !
Classer
classer des objets en catgories selon leur apparence sur limage
3 niveaux de confiance
dtection : prsence - absence (ex : prsence-absence dun vhicule)
reconnaissance : objet peut tre mis dans une catgorie gnrale (ex : dtection
des voitures)
identification : objet class dans une catgorie dtaille (ex : identification des
voitures)
Enumrer
compte des objets selon diffrentes catgories (dpend de capacit de
reconnaissance ou didentification)
Mesurer
mesure de distance, hauteur, surface et volume (= photogrammtrie)
mesure de la brillance dune photo-image (= photomtrie, ou radiomtrie si mesure
en dehors du spectre visible) en utilisant par ex un densitomtre
Dlimiter
dlimiter surface, ligne ou points
surface homogne % teinte et texture et dfinie par des limites avec les zones
5
voisines (problme des zones de transition ou des gradients cologiques)
gnralisation : dfinir taille de objet le plus petit cartographier
 Analyse dimages : lments
dinterprtation visuelle
Interprtation
en 2D sauf si 3D reconstitue laide de
stroscopie
+ facile sur une image dtaille
+ facile dans le visible
Par observation et comparaison de cibles
grce diffrents lments : ton, forme,
taille, patron, texture, ombre et association
ton
= clart relative ou couleur (teinte) des
objets
Permet diffrenciation des formes, textures
et patrons des objets.
 Analyse dimages : lments
dinterprtation visuelle
forme rfre
l'allure gnrale, la structure ou le
contour des objets pris
individuellement.
formes aux bordures rectilignes
gnralement dans les rgions
urbaines ou sont des champs
agricoles,
Formes + irrgulires correspondent
structures naturelles, telles que les
bordures des forts, sauf route,
plantations, coupe blanc
Formes circulaires des champs de
culture irrigus par des systmes
d'arrosage automatiques (pivot).

 Analyse dimages : lments

dinterprtation visuelle
taille d'un objet
fonction de l'chelle
Interprtation facilite par
valuer taille relative par comparaison aux autres objets
(Mesurer taille absolue)
Ex : en zone urbaine :
gds btiments = usines, entrepts
Pts btiments = maisons
texture
= arrangement et frquence des variations de teintes
dans une rgion de limage.
rugueuses si niveaux de gris changent brusquement (ex :
fort
lisses si peu ou pas de variations de tons, uniforme (ex :
champs, pavement, gazon)
Dpend de lchelle, de la rsolution spatiale
 Analyse dimages :
lments dinterprtation visuelle
patron
= agencement spatial des objets visiblement
discernables.
rptition ordonne de tons similaires et de textures
produit un patron distinctif et facilement reconnaissable.
Ex : vergers avec leurs arbres rgulirement disposs,
ou rues rgulirement bordes de maisons

ombres
Rvle profil et hauteur relative.
Mais cibles dans lombre peu ou pas visibles

association (contexte)
relation entre la cible d'intrt et d'autres objets ou
structures reconnaissables proximit
Ex.: un lac est associ des bateaux, une marina et
un parc rcratif tout prs.

 Analyse dimages : interprtation

visuelle
Interprtation visuelle dune image analogique
dfinit lgende et clefs dinterprtation
dfinition des classes telles quelles sont au sol et apparaissent sur limage
+ extraits dimage reprsentative de chaque classe
pour chaque classe, dfinit mode de reprsentation (point, ligne, surface)
degr de gnralisation fix par la surface cartographique minimale
cartographier
superpose calque ou transparent sur image corrige gomtriquement en
travaillant la table lumineuse ou
si image pas corrige gomtriquement, reporte tracs sur carte
topographique (chambre clair) pour liminer dformations gomtriques
utilise stroscope et/ loupe si ncessaire
utilise abaques pour estimer taille et taux de recouvrement
gabarit pour calibrer plus petite surface interprter
Interprtation visuelle dune image numrique
idem mais lcran chelle constante aprs correction gomtrique (cf.
plus loin)
utilise les outils de dessin (fonctions de snapping) pour digitaliser proprement
 Analyse dimages : Traitement numrique des
images
Rehaussement du contraste des images
Facilite l'interprtation visuelle et la
comprhension des images.
systmes de tldtection conus pour
traiter niveaux d'nergie sur toute la Terre
(glaces de lAntarctique et basaltes).
Images brutes peu contrastes (peu de
valeurs)
Rehaussement des contrastes pour
utiliser tous les niveaux dinformation
possibles
Bas sur lutilisation dun histogramme
En X : valeurs de limage
En Y : frquences des valeurs de limage
 Analyse dimages : Traitement numrique des images
Rehaussement des images : amlioration de contraste
linaire
identifie valeurs minimales et maximales de limage
tire ces valeurs sur l'ensemble des valeurs disponibles.
plissant davantage les rgions claires de l'image et en
assombrissant davantage les rgions plus fonces.
 Analyse dimages : Traitement numrique des
images
Rehaussement des images : amlioration de contraste pondre (galisation
dhistogramme)

Rpartition la plus quiprobable possible des frquences des valeurs de

l'image
assigne un intervalle de valeurs plus grand dans les portions de
l'histogramme pour lesquelles les valeurs d'intensit ont une frquence plus
leve.
Dtails mieux rehausss dans valeurs frquentes que quand valeurs peu
frquentes.
 Analyse dimages : Traitement numrique des
images

Rehaussement des images : amlioration de contraste

spcifique
Rehaussement dans une portion spcifique de
l'histogramme.
Si tudie lembouchure dune rivire, eau a valeurs de 40
76.
Peut tirer cette petite portion de l'histogramme reprsentant
l'eau (40 76) sur l'ensemble des valeurs disponibles (0
255).
Valeurs > 76 255
Valeurs < 40 0
 Analyse dimages : la fusion

Objectif = amliorer visualisation

Mthode = fusionner images de rsolution spatiale et spectrale diffrentes
(ex : bande panchromatique et bandes multispectrales d'un capteur)
Rsultat = production image avec rsolution spatiale de l'image
panchromatique et les couleurs de l'image multispectrale

Fonctionnement : changement dans la codification des couleurs (RGB - HIS

Systme RGB :
Couleurs peuvent tre exprimes selon
quantit de R, V et B (synthse additive).
Reprsentation dans systme 3 axes,
avec la diagonale qui reprsente l'intensit
gale des 3 couleurs
(= tous les niveaux de gris, du noir au blanc)
Systme HIS :
Couleurs exprimes en fonction de leur intensit (= brillance), leur teinte (=
longueur d'onde ou teinte dominante) et saturation (=puret de la couleur).
Transformation RGB-HIS : reprojeter les couleurs RGB sur une srie de plans
perpendiculaires la diagonale des gris (modle hexagonal).
Le modle hexagonal illustre
cette srie de plans d'intensit
croissante, depuis un point noir
jusqu'au plan des couleurs
d'intensit maximale.

Dans chaque plan, la teinte

varie selon la position angulaire
et la saturation selon
l'loignement au centre.
Technique :
Transformation RGB-HIS (donne nouvelle image 3 canaux, H, I
et S
Remplacement de l'intensit par le panchromatique (meilleure
rsolution spatiale).
Transformation inverse HIS-RGB.
 Classification
2 types :
Non-supervise
Ne repose sur aucune connaissance a priori
Se base sur la seule exploitation de la
rpartition des valeurs de rflectance
Intrt : lors d'une visite de terrain
impossible ou pour explorer la structure
avant une visite de terrain
Supervise
Slection de zones d'entranement, sur
lesquelles les signatures spectrales seront
 Classification non-supervise
Algorithmes itratifs, le plus courant est celui des
moyennes mobiles, dont le principe est :
choix du nombre de classes initiales par l'utilisateur
Localisation alatoire des centres de classes dans le nuage
des valeurs spectrales
Chaque pixel est affect au centre de classe le + proche
Pour chaque classe : moyennes et carts-types calculs
Classes trop proches fusionnes et classes trop
htrognes divises
Certains pixels changent alors de classe et commence
l'itration suivante
Fin aprs n itrations ou lorsque point de convergence
atteint
 Classification supervise
Collecte et choix de zones d'entranement (idalement sur
le terrain)
Critre = zone de quelques pixels, le + homogne possible
mais reprenant aussi la diversit de la classe
Ensemble des pixels classs suivant algorithme choisi, qui
extrapole les caractristiques spectrales des zones
d'entranement au reste de l'image
 Classification supervise :
algorithmes
Classification par :
Bote
Minimum distance
Maximum de vraisemblance (couramment utilis car plus performant
que les autres)

Classification par bote

Classification par minimum
distance
Maximum de vraissemblance
Suppose une distribution normale des valeurs de rflectance des zones
d'entranement.
Probabilit d'appartenance aux diffrentes classes calcules sur base
de : vecteurs moyens et matrice des variances/covariances
Pixel affect la classe la plus vraisemblable
Rsultat = image classe + image rejet (permet de voir si certaines
classes ont t mal cernes par les zones d'entranement)
 Validation
Comparaison de la classification avec des donnes de rfrences (source
indpendante, relev de terrain, ...)
Confrontation des valeurs classes celle du terrain dans tableau double
entre = matrice de confusion
En lignes = appartenance l'image classe
En colonnes = vrit-terrain
Zones bien classes = diagonales
Erreur = en-dehors ==> estimation de la prcision ?
% correct = somme ds observations sur la diagonale divis par le nombre d'observations
Coeff. Kappa = suit une distribution statistique connue et permet de tester des galits entre coeff.

Toutes ces mesures = rsums statistiques, ne tenant pas compte de la

rpartition des erreurs, ni du nombre de classes, ni de l'importance de chaque
erreur