Teledetection Principesetapplications

Télédétection Satellitaire
LA TÉLÉDÉTECTION
PRINCIPES ET APPLICATIONS
Jean-Paul LACOMBE
& David SHEEREN
Département Agronomie & Environnement
École Nationale Supérieure Agronomique de Toulouse

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007
Plan du cours
1. Notion de té
télédétection
2. Utilité
Utilités et applications
3. Image numé
numérique et visualisation
4. Le rayonnement électromagné
lectromagnétique
Bases physiques
Signatures spectrales des objets
5. Les vecteurs et les capteurs
Les vecteurs
Les capteurs
6. Le traitement des images
7. Notion de couleurs

1. Notion de télédétection : une invention de la nature ?
Les plus anciens systèmes de télédétection sont des systèmes naturels
La vue
Le toucher
L’odorat
Le goût + autres
capteurs
L’ouie internes

1. Notion de télédétection : une invention de l’homme ?
L’homme a créé des systèmes de télédétection artificiels :
Sonar Appareil photo

RADIOMÈ
RADIOMÈTRE
scanner
magné
magnétophone
spectrophotomètre
Compteur Geiger radio

sismomètre téléphone GPS
Radar thermomètre
caméscope
Lidar
Tout système composé d’une source émettrice, d’un capteur et d’une mémoire
… est un système d’acquisition d’information à distance

1. Notion de télédétection : le principe physique
Stockage des
données
Réflexion
REM
Satellite
relais
Atmosphère
Atmosphère
Réflexion
REM filtré
Emission
Rectification
Le Produit
Absorption des images
Transmission
Antenne de
réception

2. Utilités et applications
Pourquoi observer la Terre ?

à quoi ça sert ?

La Terre fournit des ressources

aux êtres vivants
En retour, ils doivent

« gérer » ces ressources

Que peut-on appréhender, depuis l’espace,

du milieu naturel et agricole ?
l’occupation et l’utilisation du sol
le suivi des changements
les facteurs topographiques

identifier - localiser - mesurer

Occupation et Facteurs Suivi des
utilisation du sol topographiques changements
Forêt, biomasse, Pentes, Sécheresse Evolution des

Agriculture, Ensoleillement, Pollutions coupes,
Littoral, sols, Orientation, Inondations Urbanisation,
Eaux douces et marines, Altitudes, Incendies Industrialisation,
Zones urbaines, réseaux, ... Parasites, ...
Géologie, ...
... Contrôle des
indemnisations
couches d’information
Zones à risques, Aménagement de l'espace, Etudes d'impact, Mise à jour des cartes,
Statistiques agricoles, ...
utilisations
Gestion des forêts, aviation, agriculture, génie civil, géologie, architecture, cadastre,
assurances, immobilier, aménagement, gestion de l'environnement, archéologie, services
municipaux et départementaux, service public, CEE, etc.

3. Image numérique et visualisation
3.1 Description d’une image

C’est une matrice de valeurs (comptes numériques) comprises entre 0 et 255
Chaque pixel est codé par un numéro de colonne et de ligne
La taille mémoire = Nb colonnes x Nb lignes
Ex : taille du segment d’image ci-contre (les
colonnes valeurs sont codées sur 1 octet = 8 bits) :
1 30
30 colonnes x 27 lignes = 810 octets
1
Pixel (27, 4)
61 15 48
140 120 55
lignes
141 131
27
182
0 50 100 150 200 255

3.2 Notion de résolution spatiale
C’est l’aptitude du capteur à distinguer deux objets rapprochés

Elle s’exprimera en terme de taille du pixel (R)
Perception des objets
(Source : Systema
Terra 1995) R = 20 R = 10 R=5 R=1 R = 0,5
Détection Identification Analyse

3.2 Notion de résolution spatiale (suite)
Perception des objets
SPOT XS Quickbird MS Ikonos Panchromatique
R = 20 m R=4m R=1m
(Source : S. Labbé 2006) Palmiers

3.3 Notion de résolution spectrale
C’est la plus petite largeur de la bande spectrale enregistrée par le capteur

Elle est liée à la résolution spatiale
Mode panchromatique
Faible résolution spectrale
Panchromatique
0,40 0,70
Mode multispectral
Haute résolution spectrale
0,40 0,45 0,52 0,60 0,63 0,69

Bleu Vert Rouge

3.4 Rappels sur la couleur - Cas du système additif (RVB)
Comment compose-t-on une couleur RVB ?

ROUGE
L'échelle des tons varie de 0 à 255
0 50 100 150 180 200 220 240 255
R
V
VERT BLEU B
Réalisons une combinaison RVB avec chaque couleur primaire …
R V J
R 240
Par exemple V 200 … on obtient
R B M B 100 Jaune-orangé
R 180
Ou encore V 180 … on obtient

B V C
B 180 gris clair

3.5 Visualisation des données spectrales

… à partir des couleurs primaires RVB
Bandes spectrales Couleurs primaires
Bande PROCHE INFRA-ROUGE R
Bande ROUGE V
Bande VERTE B

3.6 Les données générées par chaque bande spectrale
Canal 1 Canal 2 Canal 3
Elles vont générer simultanément 3 matrices de données
Bande verte Bande rouge Bande proche IR
Soient
3 bandes
spectrales du
satellite
0.50 - 0.59 µ 0.61 - 0.69 µ 0.79 - 0.89 µ

3.7 La composition trichromique : superposition de trois couches monochromes RVB
COMPOSITION TRICHROMIQUE
Canaux monochromes associés

Canaux monochromes Couleurs primaires aux couleurs primaires

3.8 Lecture d’une image brute : légende chromatique
Eau - humidité
surfaces
végétation
minérales
chlorophylienne
sécheresse
surfaces lisses,
surfaces claires,
nuages, neige, glace

4. Le rayonnement électromagnétique (REM)
4.1 Bases physiques

Le spectre électromagnétique
Définitions
Propriétés du REM
4.2 Les signatures spectrales des objets
Objets statiques : minéraux, roches et sols
Objets dynamiques : végétation, faune
L'eau : liquide, gazeuse, solide
Autres Objets : artificiels, urbains

4.1 Bases physiques

4.1.1 Le spectre électromagnétique
TV
Ampoule Corps GSM
Radio X Radar FM Radio Amateur
Humain
Eléments
Radioactifs Synchrotron Four
10-13 10-11 10-9 10-7 10-5 10-3 10-1 101 103 105
PIR MIR IRT
Rγ RX UV INFRAROUGE MICRO ONDES ONDES radio
VISIBLE
BANDES UTILISÉES EN TÉLÉDÉTECTION
Systèmes optiques
Systèmes radiofréquences

4.1 Bases physiques

4.1.2 Définitions : luminance, émittance, éclairement
Source
Zénith
R.E.M.
capteur
Hémisphère
θ
N
θ
ds φ
E Surface terrestre
objet
S
LUMINANCE ÉMITTANCE ÉCLAIREMENT
Puissance émise, par unité Puissance émise, par unité Puissance reçue, par unité de
d’angle solide et par unité de par unité de surface d’une surface en provenance de
surface apparente d’une source étendue dans toutes toutes les directions
source étendue dans une les directions (hémisphère) (hémisphère)
direction donnée

4.1 Bases physiques

4.1.2 Définitions (suite)
SOURCE CAPTEUR
LUMINANCE ÉMITTANCE
ÉCLAIREMENT
ÉMITTANCE
ÉCLAIREMENT LUMINANCE
OBJET

4.1 Bases physiques

4.1.3 Propriétés du REM : la réflexion
réflexion spéculaire réflexion diffuse
θi θr θi
Surface lisse Surface rugueuse

4.1 Bases physiques

4.1.4 Propriétés du REM : la réflectance
Elle mesure la capacité d’une surface à réfléchir l’énergie incidente
Elle dépend de 2 directions (celle du soleil et celle du capteur)

On parle de réflectance bidirectionnelle
Elle doit être indépendante de l’éclairement solaire reçu par

l’objet (en effet, la luminance dépend de la saison).
C’est pourquoi on la quantifie en divisant la luminance de
l’objet par son éclairement. On conserve ainsi l’information
inhérente à l’objet.

4.1 Bases physiques

4.1.5 Propriétés du REM : absorption, réflexion, transmission
RÉFLECTANCE
REM énergie réfléchie
REM R = ----------------------
réfléchi énergie reçue
incident
REM absorbé A+R+T=1

REM
transmis
ABSORPTANCE
énergie absorbée TRANSMITTANCE
A = ---------------------- énergie transmise
énergie reçue T = ----------------------
énergie reçue

4.2 Signature spectrale

4.2.1 objets statiques : réflectance des minéraux et roches (en laboratoire)
Réflectance (%) Réflectance (%)
Calcite
90 90
80 80
70 Dolomite 70
60 60
50 50
Granite pourpre
40 40 Calcaire Z
Quartz
30 30 Grano-diorite
20 20
Chlorite Schiste Y
10 10
Grès X
0 Biotite 0
400 600 800 1000 400 600 800 1000 λ (nm)
λ (nm)
Minéraux Roches


4.2.1 objets statiques : les sols
Courbe de réflectance d’un sol
% Réflectance
Longueur
d'onde
visible proche infra moyen infra

rouge rouge


4.2.1 objets statiques : facteurs modifiant la réflectance des sols
%Réflectance %Réflectance
RÉFLECTANCE / TENEUR EN FER RÉFLECTANCE / COULEUR DU SOL
60 60
50 50
40 40 sombre
3.30% moyen
30 1.30% 30 clair
20
0.60%
20
10 10
0 (nm) 0 (nm)
400 600 800 1000 1200 1400 400 600 800 1000 1200 1400
%Réflectance %Réflectance RÉFLECTANCE / PIERROSITÉ

60 RÉFLECTANCE / HUMIDITÉ 30
50 25
20 %
40 10 % 20
2%
30 15
galets
20 10 graviers
sables
10 5
0 (nm) 0 (nm)
400 600 800 1000 1200 1400 400 600 800 1000 1200 1400


4.2.1 objets statiques : les sols
Autres facteurs modifiant la réflectance des sols

la rugosité
la teneur en matière organique
La réflectance est une mesure de surface
Sol humide en Sol sec en profondeur

profondeur
croûte plus humide en
croûte plus sèche en surface
surface


4.2.2 objets dynamiques : les végétaux chlorophylliens
Courbe de réflectance d’un végétal chlorophyllien
% Réflectance
Longueur
d'onde
rouge rouge
PIGMENTS STRUCTURE CELLULAIRE EAU LIBRE


Discrimination de 3 espèces végétales
Réflectance %
100
90
80
70
60
50
40
espèce 1
30
espèce 2
20
espèce 3
10
0 longueur d'onde
0,40 0,60 0,80 1,00 1,20 1,40 1,60
Bande Bande Bande

Verte Rouge PIR


Facteurs modifiant la réflectance des végétaux
• l’épaisseur des feuilles

• la face des feuilles : face inférieure plus réfléchissante
• l’âge des feuilles
• la teneur en eau
• les déficiences minérales
• les pathologies
• les autres organes
• le port des feuilles
• l’orientation des rangs
• le stade de développement de la culture


4.2.3 l’eau : Courbe de réflectance de l’eau liquide
% Réflectance
Longueur
d'onde
rouge rouge


4.2.3 l’eau : propriétés des eaux
EAUX CLAIRES EAUX TROUBLES
DANS LE
VISIBLE
EFFET DE PHYTOPLANCTON SUBSTANCE JAUNE

DIFFUSION DÉTRITUS BIOGÈNES SÉDIMENTS, ALLUVIONS
MOLÉCULAIRE ALGUES ÉLÉMENTS EN SUSPENSION
Mer Méditerranée Océan Atlantique Mer Baltique

eaux de source Fleuves Fleuve Jaune
lacs de montagne Lacs Canal du Midi
... ... Embouchures et côtes
...
DANS L'eau absorbe la quasi totalité du REM. La présence

L'INFRAROUGE d'éléments dissous ou en suspension peut élever la
valeur de réflectance


4.2.4 autres objets : artificiels, urbain
Revêtements naturels = réflectance proche des sols

Revêtements artificiels = réflectance variable suivant la matière,
l’inclinaison, l’exposition…
Grande hétérogénéité spectrale dans les images THRS

5. Vecteurs et capteurs
5.1 Les vecteurs

généralités
avion
ballon
navette spatiale
satellite
5.2 Les capteurs

les familles de capteurs
principe de détection
principe d’acquisition des données
les bandes spectrales
le radar
le capteur hyperspectral
comment choisir ses données ?

5.1 Les vecteurs : généralités

800
Altitude (Km) Satellite à
défilement
800 km
700
600
500
400
300
200 Ballon
50 km
Hélicoptère
Tracteur ULM Avion
100 agricole 5 km 20 km
50 cm-2 m
fauchée

5.1 Les vecteurs : l’avion
AVANTAGES INCONVÉNIENTS
Choix de la date et de l'heure Perturbations de trajectoire

Choix de la trajectoire et du lieu Limitation d'altitude
Adaptation des capteurs à la mission Fonctionnement coûteux
Haute répétitivité et haute résolution

5.1 Les vecteurs : le ballon
Bonne résolution spatiale Trajectoire incertaine

Trace au sol plus importante
Fonctionnement peu coûteux

5.1 Les vecteurs : la navette
Grande couverture spatiale Faible répétitivité

Adaptation des capteurs à la mission Fonctionnement coûteux
Haute résolution spatiale Prix de revient coûteux

5.1 Les vecteurs : le satellite
Bonne couverture spatiale Résolution spatiale plus faible

Bonne répétitivité Nombreux paramètres correctifs
Peu coûteux

5.1 Les vecteurs

5.1.1 les satellites : les orbites
Orbite à
défilement
36000 km
Orbite
géostationnaire
800 km

5.1 Les vecteurs

5.1.2 les satellites : caractéristiques des orbites
Orbites Orbites à défilement

géostationnaires et héliosynchrones
Altitude : 36 000 km Altitude : 600 à 1000 km

Vitesse de rotation angulaire Vitesse de rotation rapide (ex :
identique à celle de la terre Spot, 1 tour en 101 mn)
Orbite équatoriale et quasi Orbite quasi polaire et quasi
circulaire circulaire
Faible résolution spatiale Haute résolution spatiale
Très haute répétitivité Bonne répétitivité
Orbite phasée et héliosynchrone
Très bonne couverture

5.2 Les capteurs PASSIFS ACTIFS

5.2.1 les familles de capteurs n
atio
s erv e ou on
Ob iurn sel
d rne e &
n
octu mai tres s
n do nê e
le s fe ériqu
le sph
o
a tm
Imageurs Lidars u res
s s
Me r tou
& pa mps
Sondeurs te
atmosphériques
Radars
E Imageurs
I QU Altimètres
T
OP &
Sondeurs
RF
O
ADI NCE
R UE
R ÉQ
F

5.2 Les capteurs

5.2.2 le principe de détection
Exemple d’un système optique-passif : le spectromètre à balayage
Amplificateurs
Prisme
Parabole
Miroir
tournant
Module enregistreurs
de
éclateur Détecteurs contrôle
spectral
Télescope

5.2 Les capteurs

5.2.3 le principe d’acquisition des données
Lignes déjà
enregistrées
Ligne en cours
d'enregistrement
Le scanneur Système Les
à balayage d’acquisition détecteurs
ex : Landsat optique
à barrettes
Ex : Spot
Sens de Sens de
déplacement déplacement
du satellite du satellite
Acquisition des données d’une ligne Acquisition des données LIGNE par LIGNE
PIXEL par PIXEL

5.2 Les capteurs

5.2.4 Bandes de quelques satellites d’observation de la Terre
NOAA
LANDSAT TM
SPOT
QUICK BIRD 2
Visible Proche Moyen Infrarouge

infrarouge infrarouge thermique

5.2 Les capteurs

5.2.4 intérêt des bandes spectrales pour l’observation de la terre
Exemple : LANDSAT TM
0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 . . . . . . . . . . . 10.0 10.5 11.0 11.5 12.0 12.5
BLEU discrimination minéral / végétal – eaux et milieu littoral : bathymétrie et cartographie côtière
0,45 - 0,52 – Identification des caractères ruraux et urbains
VERT cartographie de la végétation chlorophyllienne (mesure le sommet de réflectance) -
0,52 - 0,60 Identification des caractères ruraux et urbains
ROUGE discrimination plantes feuillées et plantes à feuilles caduques (absorption de chlorophylle) -
0,63 - 0,69 Identification des caractères ruraux et urbains
PIR discrimination entre plantes et entre couverts végétaux – état sanitaire et identification de la
0,76 - 0,90 biomasse – contour des surfaces en eau (étangs, lacs, fleuves …) - humidité du sol
MIR1 sensible à l'humidité du sol et des plantes - discrimination entre eau solide (neige) et eau
1,55 - 1,75 gazeuse (nuages)
MIR2 discrimination entre minéraux et roches - sensibilité au taux d'humidité dans la végétation
2,08 – 2,35
IRT identification du stress de la végétation et de l'humidité dans le sol en relation avec l’IRT -
10,4 – 12,5 cartographie des températures du sol et de la végétation.

5.2 Les capteurs

5.2.5 Un système actif à radio fréquences : le radar
RAdio Detection And Ranging SATELLITE
la signature spectrale dépend de la longueur
d’onde du signal émis et de la réponse de l’objet
Exemples de satellites radar :
Ers 1 et 2 : altimétrie, diffusiomètre, radar imageur

Jason 1 : altimétrie - océanographie
Seasat : altimétrie, radar imageur, température de
surface, radiomètre visible et infrarouge
Radarsat : radar imageur Faisceau
émis
Envisat : radar imageur- étude de l’environnement
Faisceau
réfléchi
objet
Objet
Copyright ESA

5.2 Les capteurs

5.2.6 Un autre système optique passif : le capteur hyperspectral
La signature spectrale est quasi continue

Deux exemples de capteurs :
AVIRIS (Airborne Visible InfraRed Imaging Spectrometer)

224 bandes spectrales (400 à 2500 nm),
largeur moyenne d’une bande : 10nm
CASI (Compact Airborne Spectrographic Imager).
système spectro-imageur à barrette CCD (Charge Coupled
Device)
288 bandes spectrales ( 430 et 870 nm)
largeur moyenne d'une bande : 1.8 nm.
100 à 600 bandes
La résolution spatiale est variable selon l’altitude du capteur (de 0,30m à quelques mètres).
Ces types de capteurs sont aéroportés.
CASI-ITRES – Pipe line (Alberta, Canada)

5.2 Les capteurs

5.2.7 Comment choisir ses données / couverture et taille du pixel ?
fauchée (km)
3000 Noaa17
Couvertures 2400 Spot Végétation

continentales Modis
Landsat7
150
Couvertures
régionales
100
IRS 1D
Spot 4 Spot 5
50
Formosat2
Petites Pléïades QuickBird2
surfaces Ikonos
Orbview5
Orbview3
1100 250 30 25 20 15 10 5 pixel (m)
Basse résolution Haute résolution Très haute

résolution

5.2 Les capteurs

5.2.7 Comment choisir ses données / répétitivité et taille mémoire de l’image ?
Taille du pixel Répétitivité Taille de la scène Taille mémoire

Satellite Fauchée (km) couleur (m) (jours) (km²) par canal (Mo)
NOAA 17 USA 3000,0 1100,0 tous les jours 9 000 000,00 7,44
Spot Végétation FR 2400,0 1000,0 tous les jours 5 760 000,00 5,76
Modis USA 2330,0 250,0 tous les jours 5 428 900,00 86,86
Landsat 7 USA 185,0 30,0 16 34 225,00 38,03
IRS 1-D INDE 70,0 24,0 24 4 900,00 8,51
Spot 4 FR 60,0 20,0 26 3 600,00 9,00
Spot 5 FR 60,0 10,0 26 3 600,00 36,00
Ikonos 2 USA 11,0 4,0 1,5 à 3 121,00 7,56
Orbview 3 USA 8,0 4,0 3 64,00 4,00
Formosat 2 Taiwan 24,0 2,8 1 576,00 73,47
Pléïades FR 20,0 2,8 1à3 400,00 51,02
QuickBird 2 USA 16,5 2,4 1à5 272,25 47,27
Orbview 5 USA 15,2 1,6 7 231,04 90,25

6. Le traitement des images satellitales
6.1 histogramme d'un canal monochrome

6.2 étalement de dynamique (stretching)
6.3 gé
génération de masques
6.4 corrections gé
géomé
ométriques
6.5 cré
création de né
néocanaux : indices, ACP
6.6 le filtrage spatial des images
6.7 Classifications
6.8 Rendu cartographique
6.9 Habillage cartographique
6.10 Analyse 3 D

6.1 Histogramme d’un canal monochrome
Représentation statistique des données
Histogramme du canal 1
Nb Pixels
1600
1400
1200
1000
800
600
400
200
1 51 101 151 201 251

Comptes Numériques
A chaque pixel est affecté un ton de gris

Chaque ton de gris prend une valeur
comprise entre 0 (noir) et 255 (blanc)

6.2 Étalement de dynamique d’un canal monochrome
Histogramme brut du canal 1 Histogramme étalé du canal 1
Nombre de pixels
16000 16000
Nombre de pixels
14000 14000
12000 12000
10000 10000
8000 8000
6000 6000
4000 4000
2000 2000
0 CN 0 CN
0 50 100 150 200 250 0 50 100 150 200 250
44 119 0 44 119 255
Sans étalement des données de Etalement linéaire des données

l’histogramme comprises entre 44 et 119
Image sombre, peu Image claire, contrastée

contrastée

6.2 Étalement de dynamique d’une composition colorée
sans étalement de après étalement de

dynamique dynamique

6.3 Génération de masques
A partir d’une image on sélectionne

1
une région géographique
0
... on construit un masque binaire ... que l’on applique sur l’image
0
un espace radiométrique 1
Composition colorée Masque thématique de Composition colorée

brute la végétation de la végétation

6.4 Corrections géométriques : origines des déformations
déformations liées à l’instrument
- étalonnage du capteur,
- dysfonctionnement de détecteurs, Exemple : effet de
- défaut d’égalisation entre barrettes, l’angle de visée
- angle de visée (si dépointage)
- vitesse de balayage des miroirs rotatifs …
Déformations liées à l’environnement
- rotation de la terre l’image = parallélogramme
- relief …
Déformations liées au vecteur
- variation d’altitude du satellite,
- variation de la vitesse de déplacement,
- attitude (tangage, roulis, lacet) …
Objets identiques
Visée oblique
Images différentes
Visée verticale

6.4 Corrections géométriques : calage d’une image par rapport
à une image de référence
Superposition Superposition
image de MAI-AOUT MAI-AOUT
référence SANS APRES
correction correction
MAI 1990
Visée verticale
image à
recaler
AOUT 1990
Visée oblique (2°26)

6.4 Corrections géométriques : calage d’une image par rapport
à une carte (= géoréférencement)
carte de
géoréférence
image à
géoréférencer
Image géoréférencée
On peut lui superposer un carroyage

exprimé dans un système de projection
choisi

6.5 création de néocanaux : rapports de canaux et combinaisons linéaires
Effectuer des opérations arithmétiques entre canaux de manière à accentuer les

différences de réponses spectrales caractérisant certains thèmes.
Un indice de
Un indice de
végétation :
Brillance
le NDVI
IB
PIR - R
PIR² + R²
PIR + R
COMBINAISONS TRICHROMIQUES
PIR - R - V PIR - NDVI - R NDVI - IB - R

6.5 création de néocanaux : Analyse en Composantes Principales (ACP)
Objectifs
Créer des néocanaux indépendants (non corrélés)
… pour éliminer l’information redondante
Réduire l'espace de l'information

… en diminuant le nombre de canaux informatifs
Extraire une information détaillée

… en maximisant la variance des données
Éliminer le « bruit » dans l’image

… en éliminant les canaux concentrant le bruit
Sélectionner des canaux pertinents

… en analysant le contenu informatif

6.5 création de néocanaux : Analyse en Composantes Principales (ACP)
Composition colorée Bande Bleue : 33,33% Bande Rouge : 33.33% Bande PIR : 33.33%
Scène Spot brute
Composition colorée Composante 1 : 90.75% Composante 2 : 7.16% Composante 3 : 2.08%

ACP Facteur d’opposition Facteur d’opposition Facteur
sols lisses / sols rugueux végétation / sols Éclairement solaire latéral et
défaut des détecteurs

6.6 le filtrage spatial des images
• Permet d'extraire des informations de fond, de structure et de texture.

• Permet d'homogénéiser, de lisser, d’éliminer du bruit, de contourer et de contraster.
• Le filtre (ou noyau) sera matérialisé par une fenêtre carrée (ou rectangulaire) de taille variable dont
les éléments seront affectés d'un poids. Cette fenêtre se déplace ligne par ligne, colonne par colonne
(= par convolution) et calculera la nouvelle valeur du pixel central
Le filtre L'image à traiter Le calcul L'image résultat
0 -1 0 118 120 101 63 110 0

118 -1 0
120 101 63 110 118 120 101 63 110
-1 4 -1 98 115 105 74 21 -1 4
98 115 -1
105 74 21 98 63 48 49 21
0 -1 0 14 74 82 58 15 014 -1
74 082 58 15 14 39 26 16 15
11 46 65 45 23 11 46 65 45 23 11 21 72 25 23
25 13 15 9 204 25 13 15 9 204 25 13 15 9 204
Exemple : +118 x 0 + 120 x -1 + 101 x 0 0 -120 0

+ 98 x -1 + 150 x 4 + 105 x -1 = -98 +600 -105 = 63
+ 14 x 0 + 74 x -1 + 80 x 0 0 -74 0

6.6 le filtrage spatial des images : exemples de filtres
Érosion Dilatation
On affecte à chaque pixel On affecte à chaque pixel
la valeur la plus faible des la valeur la plus forte des
pixels de voisinage pixels de voisinage
Image brute
Filtre Médian Filtre Passe Bas

= filtre de lissage. Élimine Élimine le bruit de fond et
les pics d’intensité isolés adoucit l’image

6.6 le filtrage spatial des images : exemples de filtres
Filtre Roberts Filtre passe haut

Filtre de rehaussement des Élimine les basses fréquences.
contours Rehausse les contours
Image brute
Directionnel Filtre Local Sigma

Accentue les contours dans Transforme les pixels par une
une direction donnée moyenne des pixels non liés au bruit

6.7 Les classifications

6.7.1 objectif et méthodes
Extraire d’une image des classes thématiques (cultures, urbain, forêts, routes, lacs, etc.)
deux types de méthodes
Classifications non dirigées Classifications dirigées
La méthode, dite objective, est basée La méthode, dite subjective, est basée
sur la segmentation du nuage de pixels sur l'affiliation des pixels à des classes
en groupes homogènes (proximité thématiques définies et reconnues par
spectrale), sans recours à la l'opérateur à partir de la connaissance
connaissance de terrain. de terrain.
La légende est élaborée a posteriori La légende est élaborée a priori par
par l'opérateur (à partir de la l'opérateur (à partir de la connaissance de
connaissance de terrain). terrain).
Ce type de classification est souvent Ce type de classification est souvent
utilisé pour générer un document utilisé pour produire un document
cartographique d'appui à une mission thématique final.
de terrain.


6.7.2 principe d’une classification non dirigée
image brute image classée
0 Non classés 427 0.2 %

1. L’utilisateur fixe, a priori, un nombre de classes à
1 eau courante 76346 42.2 %
extraire, 2 eau stagnante 5153 2.9 %
2. Un algorithme de classification, basé sur la 3 Mangrove 34529 19.1 %
4 Forêt 19243 10.6 %
proximité spectrale des pixels, va regrouper les
5 Sables 1584 0.9 %
pixels en sous-ensembles homogènes (clusters), 6 Zones humides 29676 16.4 %
3. On interprète, a posteriori, la signification de ces 7 Sol nu 10603 5.9 %
sous-ensembles que l’on définit alors en classes
thématiques.


6.7.3 principe d’une classification dirigée
image brute image classée
0 Non classés 7698 4.3 %

1. On élabore, a priori, une légende
1 eau courante 75034 41.5 %
2. On crée des groupes de pixels (noyaux) 2 eau stagnante 5150 2.8 %
appartenant à une classe thématique reconnue sur le 3 Mangrove 41457 22.9 %
terrain (même étendue spectrale) 4 Forêt 33265 18.4 %
5 Sables 851 0.5 %
3. On compare les autres pixels aux noyaux de 6 Zones humides 9933 5.5 %
référence. Les pixels ayant une étendue spectrale 7 Sol nu 1 2163 1.2 %
proche de celle d’un noyau de référence seront 8 Sol nu 2 5249 2.9 %
affectés à la classe correspondante.


6.7.4 comparaison des deux classifications
classification dirigée classification non dirigée
0 Non classés 7698 4.3 % 0 Non classés 427 0.2 %

1 eau courante 75034 41.5 % 1 eau courante 76346 42.2 %
2 eau stagnante 5150 2.8 % 2 eau stagnante 5153 2.9 %
3 Mangrove 41457 22.9 % 3 Mangrove 34529 19.1 %
4 Forêt 33265 18.4 % 4 Forêt 19243 10.6 %
5 Sables 851 0.5 % 5 Sables 1584 0.9 %
6 Zones humides 9933 5.5 % 6 Zones humides 29676 16.4 %
7 Sol nu 1 2163 1.2 % 7 Sol nu 10603 5.9 %
8 Sol nu 2 5249 2.9 %

6.8 Le rendu cartographique

6.9 L’habillage cartographique
Exemple : extraction de contours de classes
La classe EAU La classe VEGETATION

eau stagnante mangrove
eau courante forêt

6.10 L’analyse 3 D : Modèle Numérique de Terrain et NAPPAGE 3D
Image MNT 2D Composition colorée 2D
Image MNT 3D Composition colorée 3D

6.10 L’analyse 3 D : extraction de paramètres topographiques
Plages d’altitude
pentes
Angle d’exposition Ombres

6.10 L’analyse 3 D : exemples
Forêt de
Lilhac
pentes
0-2 degrés
2-4 degrés
4-6 degrés
6-8 degrés
Forêt de
Mauboussin >8 degrés
Zone inondable de la vallée de la Nère Cartographie des pentes en vue de

(Canton d’Aurignac, Haute-Garonne) créer des voies de communication
(Canton d’Aurignac, Haute-Garonne)

7. La représentation des couleurs
7.1 Vision d’un objet
la rétine
cônes
cônes
cônes
Cellules à bâtonnets

7.2 La représentation des couleurs : le système RVB
Couleurs primaires
0.4 0.7µ
µm
R Coordonnées trichromiques
ri
Ci
bi
vi
B V
Une couleur sera la résultante de la combinaison

des trois couleurs primaires R, V et B
Ci = ri R + bi B + vi V

Addition des couleurs Soustraction des couleurs
ROUGE VERT JAUNE MAGENTA
BLEU CYAN
ROUGE + VERT = JAUNE - JAUNE - CYAN = VERT

ROUGE + VERT + BLEU = BLANC - JAUNE - CYAN - MAGENTA = NOIR

Addition des couleurs Soustraction des couleurs
Filtre Magenta
Photographie
Télévision
Imprimerie
Images numériques lasers
Peinture

R V B
240
200 220
160
120
110
80
40 38
SYNTHÈSE ADDITIVE
0
SYNTHÈSE SOUSTRACTIVE
217
145
35
C M J

7.3 La représentation des couleurs : le système ITS
Intensité Teinte Saturation
0% 100%
255
0°
COULEUR 360°
TON
DEGRÉ DE PURETÉ
Intensité
0
LUMINOSITÉ
Teinte
ENERGIE
Saturation

Langue

Teledetection Principesetapplications

Transféré par

Informations du document

Description :

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Teledetection Principesetapplications

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Télédétection Satellitaire

École Nationale Supérieure Agronomique de Toulouse

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

Les plus anciens systèmes de télédétection sont des systèmes naturels

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

L’homme a créé des systèmes de télédétection artificiels :

Sonar Appareil photo

Compteur Geiger radio

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

Pourquoi observer la Terre ?

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

La Terre fournit des ressources

En retour, ils doivent

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

Que peut-on appréhender, depuis l’espace,

l’occupation et l’utilisation du sol

le suivi des changements

les facteurs topographiques

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

identifier - localiser - mesurer

Forêt, biomasse, Pentes, Sécheresse Evolution des

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.1 Description d’une image

0 50 100 150 200 255

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.2 Notion de résolution spatiale

C’est l’aptitude du capteur à distinguer deux objets rapprochés

Perception des objets

Détection Identification Analyse

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.2 Notion de résolution spatiale (suite)

Perception des objets

SPOT XS Quickbird MS Ikonos Panchromatique

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.3 Notion de résolution spectrale

C’est la plus petite largeur de la bande spectrale enregistrée par le capteur

0,40 0,45 0,52 0,60 0,63 0,69

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.4 Rappels sur la couleur - Cas du système additif (RVB)

Comment compose-t-on une couleur RVB ?

0 50 100 150 180 200 220 240 255

Réalisons une combinaison RVB avec chaque couleur primaire …

Par exemple V 200 … on obtient

Ou encore V 180 … on obtient

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.5 Visualisation des données spectrales

Bandes spectrales Couleurs primaires

Bande PROCHE INFRA-ROUGE R

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.6 Les données générées par chaque bande spectrale

Canal 1 Canal 2 Canal 3

Elles vont générer simultanément 3 matrices de données

Bande verte Bande rouge Bande proche IR

0.50 - 0.59 µ 0.61 - 0.69 µ 0.79 - 0.89 µ

Cours de télédétection aérospatiale – Jean-Paul Lacombe & David Sheeren - 2007

3.7 La composition trichromique : superposition de trois couches monochromes RVB

Canaux monochromes associés