Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009
Conception d’un système d’information géographique pour
la gestion du réseau routier urbain
M. Bendouda1 et N.E. Berrached1,
1
Laboratoire de Recherche en Systèmes Intelligents,
Dép. Electronique, Fac. Génie Electrique,USTO, Oran, Algérie
Email : VRF06BM@gmail.com, nasr1berrached@yahoo.fr
Résumé— Nous proposons un SIG pour la gestion du
réseau routier principalement urbain. Le SIG est constitué de
trois modules principaux :
1. UREDIT : ce module concerne la collecte
d’informations, Il inclus l’extraction du réseau rou-
tier urbain à partir des images satellites. Son but est
de construire la base de données géographiques et
d’assurer sa mise à jour.
2. URAMER : ce module consiste en la mise à jour de la
base de données par le biais d’un processus de reca-
lage entre le réseau routier extrait de l’image satellite
et celui extrait de la carte.
3. URASK : l’interrogation de la base de données géo-
graphique est rendue possible par les différentes re-
quêtes implémentées dans ce dernier module.
Afin de valider cette étude, nous avons appliqué le SIG au
réseau routier urbain de la ville d’Oran, en construisant la
base de données géographiques de ce réseau routier.
Mots clefs — SIG, extraction du réseau routier urbain,
image satellite, recalage.
I. INTRODUCTION
Le réseau routier est un élément clef pour le développe-
ment de la ville. Dans ce travail, nous avons réalisé un Sys-
tème d’Information Géographique pour mieux prendre en
charge ce réseau routier ainsi que son évolution.
Ce système offre aux experts, un moyen robuste de prise
de décisions, dans divers domaines tels que, la protection
civile, les interventions militaires, la gestion du trafique
routier ainsi que le développement économique.
Au sein du laboratoire LARESI, existe un projet de réali-
sation d’un système d’informations géographiques afin de
gérer les données spatiales, vu leurs importance dans la ges-
tion et le développement du territoire, dans ce cadre, nous
avons réalisé notre système UREGIS (Urban Road Extrac-
tion Geographical Information System).
UREGIS est un ensemble de modules, dédié à la gestion
du réseau routier urbain. Il a pour objectifs d’assurer la
création de la base de données géographiques urbaines, la
mise à jour, l’analyse et la visualisation de cette base, de
façon à faciliter la gestion et le contrôle du réseau routier
urbain.
II. ETAT DE L’ART SUR L’EXTRACTION DU RESEAU
ROUTIER
Nous utilisons les images de télédétection dans le but
d'extraire le réseau routier urbain. L’extraction de ce réseau
dans le milieu urbain est une tâche très ardue à cause de la
complexité de ce milieu, tels que la présence des voitures,
des arbres et des ombres portées des bâtiments [03], [05].
De ce fait, un grand nombre de travaux de recherche a été
publié à la fois dans le domaine géospatial et le domaine de
la vision par ordinateur ; et surtout avec l'arrivée des images
de télédétection de haute résolution la mise à jour des cartes
routières à grande échelle est devenue abordable.
Wang et son équipe ont appliqué des masques direction-
nels sur des images de télédétection à 10 m de résolution
spatiale, afin de détecter et d’extraire les rues représentées
par des lignes minces ou épaisses [03]. Haverkamp propose
une méthode pour extraire de manière semi automatique des
réseaux en grille à partir des images du satellite IKONOS. Il
utilise à la fois l’information contenue dans l’image multis-
pectrale et dans l’image panchromatique [03]. Les algo-
rithmes de recherche d’itinéraire optimal ont été largement
employés pour l’extraction des routes dont l'optimisation
peut être réalisée soit par la programmation dynamique
[06,02], soit par les contours actifs [03,09] ou par le filtrage
de Kalman [04]. D’autres travaux se dirigent vers les tech-
niques de fusion d’images provenant de plusieurs capteurs
telles que la fusion satellite/radar … [01], ou l’injection de
l’information d’une image multispectrale basse résolution
dans une image panchromatique haute résolution, comme
Y. Zhang [07]. Lee Sung Yiau utilise des images multispec-
trales MSI, afin de bien mettre en évidence le réseau routier
urbain, en considèrant la couleur comme la primitive dis-
criminante pour son système de reconnaissance de forme
[08].
Pour alimenter la base de données routière, nous avons
implémenté plusieurs algorithmes d’extraction du réseau
routier urbain à partir des images satellites, et cela à cause
de la complexité du milieu urbain et à la multiplicité de la
résolution des images satellites utilisées.
III. DESCRIPTION DU SYSTEME
Le noyau de notre système d’information géographique
est la partie « extraction du réseau routier urbain à partir des
images satellites ». Nous avons dû implémenter pour cela
plusieurs algorithmes du fait de la complexité du problème
d’extraction du réseau routier urbain à partir des images sa-
tellites, comme le montre le schéma synoptique Fig 1.
Ce module intègre trois méthodes d'extraction du réseau
routier urbain qui sont
- Algorithme F*
- Contours actifs géométriques
- Extraction multispectrale.
Nous décrivons sommairement ces algorithmes dans ce
qui suit.
 Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009

part est automatique. Nous avons implémenté un processus

Urban Road Extraction Geographical Informa-
tion System
UREDIT
1 L'algorithme F*
2 Les contours actifs géométriques
3 Extraction multispectrale
URASK URAMER
- Analyse de don- -Géo referencement
nées. des cartes et des
images.
- Interrogation de la - Mosaicage
BDD routière. d'images.
Fig.1 Synoptique général de notre SIG.
A. L'algorithme F*
La complexité des scènes pré-urbaines et urbaines (pré-
sence d’arbres aux bords de la route, l'ombre porté des bâ-
timents et des arbres…) rend la tâche d’extraction du réseau
routier très difficile. Une extraction globale dans toute
l’image n’est pas préférable car le résultat peut être complè-
tement incohérent, aussi avons-nous appliqué une méthode
d’extraction locale afin de faire face à ce problème. En plus
de leurs robustesses, les méthodes de suivi de route ou
« Road tracking », telles que les algorithmes de programma-
tion dynamique permettent d’extraire localement des seg-
ments appartenant à la route.
L'algorithme F* est un algorithme de programmation dy-
namique. Son principe est qu’ à partir d'une amorce, il dé-
tecte les segments qui appartiennent à la route en optimisant
certains critères. Vue la complexité du milieu urbain nous
avons amélioré l’algorithme F* classique, afin de pouvoir
détecter les routes dans chaque direction dans la fenêtre de
recherche, comme l'illustre la figure suivante :
Partie horizontale supérieure
qui recherche et valide par la suite les amorces trouvées. Le
point d’arrivée est choisi parmi les différents points candi-
dats en sélectionnant le chemin optimal parmi l’ensemble
des chemins trouvés.
Les différentes étapes de l'algorithme F* sont décrites
par l'organigramme suivant:
1. Sélection automatique d'une amorce route.
2. Construction de la fenêtre de recherche.
3. Calcul des tableaux C des coûts et P des poids.
4. Calcul de tous les chemins allant des points candidats
(qui se trouvent sur la dernière colonne de la fenêtre de re-
cherche) jusqu'au point de départ, et ce dans les trois parties
de la fenêtre de recherche.
5. Évaluation des deux notes relatives aux deux critères
d'optimisation.
5.1 N1 évalue le critère de l'homogénéité de radiomé-
trie.
5.2 N2 évalue le critère du profil transversal.
5.3 N et la moyenne des notes N1 et N2.
6. Sélection du chemin optimal, celui qui possède une
note N élevée.
7. Définir le nouveau point de départ le long du chemin
optimal sélectionné.
8. Refaire les étapes de 2 à 7 jusqu'à ce qu'il ne reste plus
de place pour dessiner la fenêtre de recherche.
Nous avons appliqué l'algorithme F* sur des images sa-
tellites de basse résolution. Nous avons réussi à extraire
jusqu'à 85,58% des routes principales (autoroute, route na-
tionales) vu leur visibilité, et nous avons eu un taux de
40,08% pour les routes secondaire. Ceci confirme que les
images de basse résolution ne permettent pas d'extraire la
structure fine du réseau routier urbain, d'où la nécessité de
travailler avec les images satellites de haute résolution.

Point de
depart
(a) (b)
Partie Fig.3 (a) Image originale résolution de 10m, (b) Réseau routier extrait.
verticale
B. Les contours actifs géométriques (GAC)
Les modèles classiques des contours actifs 'snake' se
Chemins concentrent sur l’extraction d’objets aux formes particuliè-
trouvés rement remarquables. De ce fait les contours actifs géomé-
Partie horizontale inférieure Points
candidats triques ont été introduits, afin de permettre :
1. L’incorporation d’une information géométrique dans
Fig.2 Principe de recherche dans la fenêtre de recherche de l’algorithme
la fonction d’énergie du snake,
F*.
2. Utilisation des courbes de niveaux afin d’assurer le
L’algorithme F* recherche un chemin optimal entre un changement de topologie (détection de plusieurs objets à la
point de départ et un point d’arrivée en optimisant une fonc- fois) [09].
tion coût [02]. Dans notre cas, la sélection du point de dé-
 Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009

Soit la fonction d’énergie à minimiser :

1 1 1
Début
E ( C ) = α ∫ C ( p ) dp + ∫ β C ( p ) dp − λ ∫ ∇I ( C ( p ) ) dp (01)
0 0 0
Image originale
telle que :
C : le contour initial,
P : point de ce contour,
Segmentation de l’image
α : facteur d'élasticité,
λ: une constante réelle, dont le signe permet de créer lo-
calement un mouvement de contraction ou de dilatation. Elimination de la végétation

Le principe des GAC est le suivant : Extraction couleur

1. Annuler le facteur de rigidité ( β=0),
2. Remplacer le détecteur de contour ∇I par une fonction
Image binaire
g plus générale dépendant du gradient de I [09].
Alors la fonction d’énergie à minimiser devient :
Image contour
( )
1 1
E ( C ) = α ∫ C ( p ) dp + λ ∫ g ∇ I ( C ( p ) ) dp (02)
0 0

Pour minimiser l’équation précédente, nous devons cher- Segmentation basée contour
cher dans la direction du gradient le chemin qui minimise C
[10]. L’évolution de la courbe est donnée par : Segmentation basée forme
∂C r r r
∂t
(
= g ( ∇ I ) κ N − ∇ g . N N (0 3) )
Réseau routier final
Le changement de topologie est rendu possible par le
biais de l'utilisation des courbes de niveaux ‘levelset’ de
Osher et Sethian. C'est ce qui fait l'intérêt de ce modèle par
Fig.5 Organigramme général.
rapport aux contours actifs classiques. En changeant la re-
présentation de la courbe paramétrée C implicitement avec
une courbe de niveau ψ [10], qui est une fonction distance
signée, on obtient l'équation suivante :
∂ψ
= g ( I ) ∇ ψ κ + ∇ g ( I ) .∇ ψ ( 0 4 )
∂t

Fig.6 Extraction du réseau routier urbain de la ville de Paris.

Nous avons calculé quatre facteurs afin de déterminer

Fig.4 Application des contours actifs géométriques sur une image satellite
haute et basse résolution.
C. L’extraction multispectrale
Avec l’émergence des images satellites à haute résolu-
tion l’extraction surfacique du réseau routier devient abor-
dable. Cette méthode s’inscrit dans les techniques de classi-
fication. Son but est de classer la scène imagée en deux
classes principales, la première est la classe de l’objet
d’intérêt à savoir les routes et la seconde est celle des objets
non route [08]. Son principe est schématisé par
l’organigramme suivant :
l'exactitude de l'extraction [11] :
1. Correctness : est le ratio entre la longueur d’extraction
correcte du réseau routier extrait et la longueur totale du ré-
seau routier extrait. La valeur optimale est également à 1.
2. Completeness : cette mesure nous donne la précision
de l’extraction, elle représente le ratio de la longueur cor-
recte du réseau routier extrait avec la longueur totale du ré-
seau routier dans l’image de référence. La valeur maximale
est également à 1.
3. Omission : le taux des pixels omis, qui représente les
pixels appartenant à la route que nous n’avons pas pu ex-
traire,
4. Commission : le taux des pixels commis, qui repré-
sente les pixels n’appartenant pas à la route que nous avons
extrait comme lui appartenant. Ces quatre paramètres sont
calculés respectivement par les formules suivantes :
 Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009

Completness = Nb _ correct / Nb _ ref (05) A. Le module URAMER

Correctness = Nb _ correct / Nb _ extract (06) Afin de mettre à jour la base de données routière, nous
Omission = Nb _ VN / Nb _ ref (07) avons implémenté un processus de recalage pour mettre en
Commission = Nb _ FP / Nb _ ref (08) correspondance le réseau routier extrait de l’image satellite
avec celui extrait de la carte routière.
Le tableau suivant contient les résultats de l’évaluation
de l’algorithme de l’extraction multispectrale de la route. Détection des points Extraction des
Nous avons obtenu un taux moyen d’extraction allant jus- d’intérêts. primitives
qu’à 84,216% pour les scènes semi urbaines et jusqu’à
66,275% pour les scènes urbaines.
Appariement des points Mises en
Image Completness Correctness Omission Commission d’intérêts. correspondance
Image1 66,05 61,05 5,06 7,47
Image2 94,84 53,12 7,14 10,36
Image3 84,11 50,56 4,75 14,69 Calculs des coefficients de
Estimation du modèle
translation, rotation et
Image4 90,1 22,19 8,55 33,55 de transformation
homothétie.
Image5 85,98 85,5 4,76 2,59
Image6 61,19 17,42 8,32 32,46
Recalage des réseaux et Transformation des
Image7 57,32 33,88 5,31 19
fusion des images. images
Image8 52,15 36,33 6 14
Image9 94,44 46,65 2,62 31,84
Moyenne 76,242 45,188 5,834 18,44 Fig.9 Schéma descriptif de l’approche de recalage proposée.
Fig.7 Evaluation des résultats de l’extraction multispectrale.
Nous utilisons le détecteur de coin Harris afin de détecter
IV. MODELISATION DU SYSTEME les points d’intérêt dans les deux images. Son principe est
décrit par l’organigramme suivant [13] :
Après l’extraction du réseau routier nous avons conçu la
Lisser l’image
base de données routières. Une base de données est l'asso-
ciation entre une schématisation de la réalité et les objets
décrivant cette réalité. Afin de réaliser cette schématisation, Calculer le gradient de l’ image

nous avons utilisé la méthode de conception MODUL_R

basée sur la démarche Merise qui est bien adaptée à la con- Calculer la matrice M de Harris
ception des SIG [12], dont la principale caractéristique est
la modélisation relationnelle de la réalité, permettant ainsi Calculer la réponse R
de représenter les objets et leurs comportements ou leurs
relations dans le monde réel. La figure suivante illustre le
modèle conceptuel de données, qui est constitué de neuf en- R>0
tités, tel que route, tronçon et intersection qui représentent
Mettre à jour la liste des coins

Affichage des coins

Fig.10 Principe du détecteur de coins Harris.

La matrice M et la réponse R sont calculées par les for-

mules suivantes :
⎡ 2 ⎤
Ix IxIy ⎥
M = ⎢⎢ ⎥ (09)
⎢⎣ I x I y I y ⎥⎦
2

R = D et (M )− kT ra ce (M )
2
(1 0 )
Tel que :
Det ( M ) = I x2 I y2 − ( I x I y ) et Trace ( M ) = I x2 + I y2
2

Afin de correspondre l’ensemble des points d’intérêts

le réseau routier urbain. dans les deux images, nous avons utilisé la corrélation
Fig.8 Modèle conceptuel de donnée MCD.
comme mesure de similarité.
Le principe de la mise en correspondance est le suivant :
 Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009
- Dessiner une fenêtre de corrélation centrée en un point
d’intérêt P1 dans l’image 1.
- Dessiner une fenêtre de corrélation centrée en chaque
point d’intérêt de l’image 2 susceptible de lui correspondre.
- Calculer le score de corrélation entre ces fenêtres.
- Choisir le correspondant de P1 le point P2 qui possède
un score élevé.
(a) (b)
(c)
Fig.11 (a) : réseau extrait de la carte, (b) : réseau extrait de l’image sa-
tellite, (c) : résultat de la mise en correspondance des deux réseaux.
Mais avant d’appliquer ce processus de recalage,
l’image satellite et la carte routière doivent être géor eferen-
cées, afin de permettre de faire des opérations de calcul
d’itinéraire et de surface. Le même principe du recalage est
appliqué, sauf que les points d’intérêts proviennent soit de
la carte soit en utilisant un GPS.
Les points
d’amers né-
cessaires
pour le calage
de la carte
Coordonnées
réelles
Fig.12 Interface de géoreferencement.
B. Le module URASK
Le rôle de ce module et d’interroger la base de données
routière, où nous avons programmé un ensemble de re-
quêtes permettant ainsi l’affichage de la BDD selon
quelques critères, comme l’illustre la figure suivante.
Raccourcis des
modules L’échelle de la
d’UREGIS A barre d’outils base
Zone d’analyse
de la BDD
Zone de Espace de
zoom visualisation
La barre
d’état
Fig.13 Interface d’interrogation de la base de données géographiques.
V. CONCLUSION
Nous avons mis en œuvre UREGIS, un SIG pour la ges-
tion et la manipulation de base de données du réseau rou-
tier. Ce SIG contient plusieurs modules allant du module
d’acquisition de données jusqu'au module de création de
carte, passant par d’autres modules intermédiaires.
L’étape clé de tout système d’informations, est
l’acquisition et la collecte d’informations. Dans notre SIG,
le module d’acquisition s’appuie sur l’extraction du réseau
routier à partir des images satellite. Cette extraction a fait
l’objet d’une étude approfondie, qui a exigé d’appliquer
plusieurs méthodes et cela du fait de la complexité de la
tâche à réaliser, qui est en fait liée à la structure complexe
du milieu urbain.
VI. REFERENCES
[01] Y. Hu, “Automated extraction of digital terrain models, roads and
buildings using airborne lidar data”, PhD dissertation, Department of Geo-
matics Engineering, University of Calgary, 2003.
[02] R. Bonnefon & P. Dhérété, J. Desachy, “Automatic tracking of linear
features on SPOT images using dynamic programming”, Proc. Image and
Signal Processing for Remote Sensing V, Italie, 1999.
[03] R.Péteri, “Extraction de réseaux de rues en milieu urbain à partir
d'images satellites à très haute résolution spatiale”, Ecole des Mines de Pa-
ris, 2003.
[04] R.Ruskoné, “Extraction automatique du réseau routier par interpréta-
tion locale du contexte : application à la production de données cartogra-
phiques”, Université de Marne-La-Vallée, 1996.
[05] C. Lacoste, “Extraction de réseaux linéiques à partir d'images satelli-
taires et aériennes par processus ponctuels marqués”, INRIA Sophia Antipo-
lis, 2004.
[06] R. Bonnefon, P. Dhérété & J. Desachy, “Automatic tracking of linear
features on SPOT images using dynamic programming”, Proc. Image and
Signal Processing for Remote Sensing V, 1999.
 Journées d’Animation Scientifique (JAS09) de l’AUF Alger Novembre 2009

[07] Y. Zhang & R. Wang, “Multi-resolution and multi-spectral image fu-

sion for urban object extraction”, Department of Geodesy and Geomatics
Engineering, University of New Brunswick, 2003

[08] L.S Yiau, “Extracting Road Networks from High-Resolution Satellite

Images”, School of Computer Engineering, Nanyang technological univer-
sity, 2003/04.

[09] M.Rochery, “Contours actifs d’ordre supérieur et leur application à la

détection de linéiques dans des images de télédétection”, Université de
Nice - Sophia Antipolis, 2005.

[10] F. Barbaresco, S. Bonney, J. Lambert & B. Monnier, “Contours actifs

geodesiques et a modeles contraints pour le suivi des orages dans un con-
texte multisenseur : radar, interferometre VHF, satellite IR”, Seizième col-
loque GRETSI, 1997.

[11] C. Heipke, H. Mayer & C. Wiedemann, “Evaluation of automatic

road extraction”, Technische Universit at Munchen.1997.

[12] F.Pinet, A.Lbath, F.Vigier & M.Schneider, “Conception de Systèmes

d’Information à Référence Spatiale (SIRS) communicants pour les agrosys-
tèmes”, Académie d’Agriculture de France, 2005.

[13] N. Bruce & P. Kornprobst, “Harris Corners in the Real World: A prin-
cipled selection criterion for interest points based on ecological statistics“,
Institut National de Recherche en Informatique et en Automatique INRIA,
2008.