Vous êtes sur la page 1sur 24

Traitement d’Images Satellitaires

S4

Mathieu Fauvel

Ecole Nationale Supérieure Agronomique de Toulouse


&
Institut National Polythechnique de Toulouse
TA B L E D E S M AT I È R E S

1 présentation 1
1.1 Me joindre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Organisation de l’UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Documents de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.4 Objectifs de l’UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.5 Fonctionnement durant les séances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 introduction à la télédétection - utilisation du logiciel envi-idl 3
2.1 Configuration de l’environnement IDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Création de variables utilisateurs dans l’environnement Window de son compte personnel 3
2.1.2 Création de nouvelles fonctions dans le menu ENVI . . . . . . . . . . . . . . . . . . . . . 4
2.2 Utilisation de l’aide d’ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Segmentation d’images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Prise en main du logiciel ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Colorisation et analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3.3 Analyse radiométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Arbre de décision et détection de changements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1 Néo-canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.3 Détection de changements : application à la gestion d’inondation . . . . . . . . . . . . . . 8
2.5 Classification supervisée d’images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.1 Prise en main . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.2 Classification d’une série temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 etudes de cas - application à la gestion de l’environnement 15
3.1 Détection d’objets dans les cartes anciennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Détection de la trame verte (haies) dans un paysage agricole . . . . . . . . . . . . . . . . . . . . . 15
4 exercices 17
4.1 Segmentation d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Néo-canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Série multitemporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.4 Classification supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

iii
1
P R É S E N TAT I O N

1.1 me joindre

mathieu.fauvel@ensat.fr
http://fauvel.mathieu.free.fr/
Bureau 1201
+33(0)5 34 32 39 22

1.2 organisation de l’ue

26h40 de cours/TD, avec une séance d’examen individuel de 1h40.


Date Lieu Durée Plage Horaire
21/02/2014 Info 4 7h20 08h00 - 17h50
25/02/2014 Info 3 7h20 08h00 - 17h50
26/02/2014 Info 3 4h00 13h30 - 17h50
03/03/2014 Info 2 4h00 13h30 - 17h50
04/03/2014 Info 2 4h00 13h30 - 17h50
15/03/2014 Info 1 3h20 (2*1h40) 13h30 - 17h00
Total 30h00

1.3 documents de cours

Les documents de cours et les données informatiques se trouvent ici :


http://fauvel.mathieu.free.fr/teaching.html

1.4 objectifs de l’ue

Le cours de traitement d’images satellitaires a pour objectif de présenter aux étudiants de l’ENSAT les
possibilités offertes par les images de télédétection pour la gestion de l’environnement et l’aménagement
du territoire. Une attention particulière est portée aux nouvelles techniques numériques d’analyse d’images
permettant le traitement, l’extraction et l’organisation de l’information spatiale et spectrale contenue dans ces
images.
L’unité est divisée en deux parties :

1. Introduction (chapitre 2). Les bases de la télédétection sont présentées : rayonnement électromagné-
tique, comportement spectral, acquisition d’images, composition colorée, photo-interpretation, recalage
d’images, segmentation et classification d’images. Dans cette partie, l’outil informatique est une aide à
la visualisation, à l’analyse, à l’interprétation des images ainsi qu’à l’extraction d’informations de haut
niveau pour son intégration éventuelle dans les SIG.
2. Approfondissement (chapitre 3). A travers des applications concrètes (extraction des forêts dans les
cartes anciennes) les outils et méthodes actuels de traitements numériques sont étudiés. Dans cette
partie, l’outil informatique est utilisé pour résoudre des problématiques de gestion de l’environnement.

Pour rappel, le cours de S2 peut être téléchargé à l’adresse suivante :


http://fauvel.mathieu.free.fr/data/s2_ensat.pdf.zip

1
1 présentation

1.5 fonctionnement durant les séances

Pour les séances d’introduction, l’organisation sera la suivante. Un rappel du cours de S2 sera donné en
début ou durant la séance. Ensuite, vous aurez la main pour manipuler et appréhender les connaissances et
les techniques. Il vous sera fourni un jeu d’images ainsi que les mots-clefs pour effectuer vos recherches dans
l’aide du logiciel.
Pour les séances d’application à l’agro-écologie, l’organisation sera légèrement différente. Après une pré-
sentation de la problématique, des données et des objectifs applicatifs, vous serez laissés en autonomie. A
vous de chercher à partir de vos connaissances comment résoudre le problème proposé. En fonction des
besoins, un rappel de cours et/ou l’introduction d’une nouvelle notion seront réalisés par l’enseignant.
Il n’y aura pas de compte rendu à restituer. A vous de construire votre bagage technique et théorique. Ainsi,
vous êtes fortement encouragés à rédiger au fur et à mesure votre document de cours : ce que vous estimez
nécessaires comme rappels théoriques, procédures de traitements . . . Ce sera le seul document autorisé durant
la séance d’examen. L’enseignant est bien entendu à votre disposition pour valider votre production. La durée
des séances est prévue pour vous laisser le temps de la réflexion et de la mise par écrit.
Durant les séances, en fonction de l’avancement de chaque groupe, vous serez amenés à présenter au reste
de la série la manière dont vous avez répondu à une question. De plus, des exercices vous seront proposés
entre les séances. Ils seront corrigés par un groupe au début de la séance suivante.

1.6 evaluation

Une séance d’évaluation individuelle de 1h40 est prévue à la fin du cycle. Vous n’aurez droit comme
document qu’à votre production ainsi qu’à l’aide du logiciel ENVI. L’examen portera sur les notions vues
en séances pour moitié. L’autre moitié concernera la résolution d’un problème pratique et évaluera votre
capacité à utiliser la télédétection pour la gestion de l’environnement.

2
2
I N T R O D U C T I O N À L A T É L É D É T E C T I O N - U T I L I S AT I O N D U L O G I C I E L E N V I - I D L

2.1 configuration de l’environnement idl

2.1.1 Création de variables utilisateurs dans l’environnement Window de son compte personnel

Les paramètres de votre compte informatique rendent cette étape nécessaire. Vous n’avez par défaut pas
les droits pour écrire sur le disque dur de la machine. Il vous faut donc définir des variables associées à votre
compte vous permettant d’éditer les fichiers de configuration nécessaires.
Procédure :

1. Copiez les fichiers envi.cfg, envi.men et e_locate.pro depuis le répertoire


C:\Program Files\Exelis\ENVI50\classic\menu vers un répertoire "utilisateur" pour lequel vous avez
les droits d’écriture (par exemple votre Z :).

2. Dans le panneau de configuration faites la recherche suivante “variable d’environnement”, cliquez sur
Modifier les variables d’environnemet système.

Créez une nouvelle variable puis entrez IDL_PATH comme nom et Z:\users_dir;<IDL_DEFAULT> comme
valeur avec Z:\users_dir le chemin vers le répertoire utilisateur. Sélectionner Ok pour fermer toutes
les fenêtres.

3
2 introduction à la télédétection - utilisation du logiciel envi-idl

3. Démarrez ENVI et ajoutez dans les préférences le chemin vers le fichier menu du répertoire utilisateur.
Fermez ENVI. Vous pouvez maintenant modifier votre fichier envi.men.

2.1.2 Création de nouvelles fonctions dans le menu ENVI

La première chose à faire pour créer ses propres fonctions utilisateurs est de rajouter un appel à celles-
ci dans le menu interactif ENVI. Il existe plusieurs manières de procéder. Nous allons voir dans ces TPs
une manière simple utilisant les fonctions prédéfinies d’IDL et d’ENVI. Pour cela, il suffit d’ouvrir le fichier
envi.men et de l’éditer :
1. Ouvrez le fichier avec n’importe quel éditeur. Pour plus de facilité, utilisez celui de l’environnement
de programmation d’IDL. Regardez comment il est structuré, il est aisé de comprendre comment on va
pouvoir ajouter un appel à nos fonctions.
2. Détails de la structure. Pour ajouter un premier niveau au menu :
0 {User Functions}.
On peut ainsi définir plusieurs niveaux. Dans notre application, on ne va définir qu’un seul niveau.

4
2.2 Utilisation de l’aide d’ENVI

Ensuite il faut définir la fonction/procédure ENVI/IDL que l’on veut utiliser :


1 {---} {---} {---}.
Dans les premières accolades, on retrouve le nom de la fonction telle qu’elle apparaîtra dans le menu.
Dans les secondes accolades, on définit une variable qui servira notamment à vérifier au début de la
fonction appelée que l’on est bien dans la bonne fonction/procédure. Dans les dernières accolades, on
retrouve le nom de la fonction que l’on veut appeler (sans le .pro).
3. Editez votre fichier pour ajouter un appel à votre fonction. Les noms des champs à compléter seront
donnés en début de séance lorsque nécessaire.

2.2 utilisation de l’aide d’envi

Dans la barre des menus, déroulez le menu Help et cliquez sur Start ENVI Help. Vous devez obtenir la
fenêtre suivante :

Plusieurs possibilités :
• Table of contents : Pour obtenir de l’aide basique sur ENVI pour un menu par exemple.
• Index : Pour obtenir de l’aide sur une fonction particulière.
• Search : Pour obtenir de l’aide à partir de mots clefs.
Dans la suite, vous trouverez indiquée la partie de l’aide à consulter.

2.3 segmentation d’images satellitaires

Connaissances et compétences à acquérir


• Ouvrir et visualiser des images satellitaires,
• Utiliser les outils de visualisation d’ENVI,
• Caractériser spectralement/radiométriquement des zones d’une image,
• Créer des masques binaires.

2.3.1 Prise en main du logiciel ENVI

1. En vous aidant de la documentation fournie avec le logiciel, ouvrez l’image « fabas » (Voir opening and
displaying dans Using ENVI Classic.).
Pour information, les fichiers *.hdr contiennent les informations nécessaires à l’ouverture de l’image : nombre de lignes, nombre
de colonnes, nombre de bandes spectrales, système de codage numérique, type d’entrelacement et des informations sur le géo-
référencement. Ces fichiers s’ouvrent avec un simple éditeur de texte. Voir les détails dans le tableau 1.

5
2 introduction à la télédétection - utilisation du logiciel envi-idl

Figure 1: Composition « vraies couleurs » de l’image « fabas ».

2. Récupérez les informations principales sur l’image : nombre de lignes, de colonnes, de bandes, de
résolution spatiale (ENVI Header format).
Il y a plusieurs manières de récupérer ces informations. . .
3. Affichez, dans des « visualisateurs » différents, les images correspondantes aux quatre bandes spectrales
(Voir opening and displaying dans Using ENVI Classic).
4. Liez deux (ou plus) affichages de votre choix. Faites une analyse visuelle (Dans search : Linking Display).
5. Affichez le compte numérique des pixels. Faites bien attention à ce que retourne le logiciel ! (Dans search :
cursor location value).
6. Visualisez la zone couverte par l’image sous Google Map ou Google Earth (Dans search : google earth
bridge).

2.3.2 Colorisation et analyse spectrale

1. Affichez une composition colorée « vraies couleurs » et « fausses couleurs », voir Figure 1. En liant les
affichages, comparez les colorisations.
2. Affichez simultanément les spectres de plusieurs pixels correspondants aux matériaux suivants : eau,
végétation arborée, végétation basse et sols nus (Dans search : extract spectral profile). Commentez cet
affichage. Un exemple de signaure est donnée à la figure 2.
3. Affichez simultanément les spectres de plusieurs pixels correspondants à un même matériau. Faites de
même pour différents matériaux. Que peut-on en conclure ?

2.3.3 Analyse radiométrique

1. Tracez les histogrammes des valeurs des pixels pour les quatre bandes spectrales (Dans search : compu-
ting statistics). Comparez les.
Il est possible de visualiser sur un même graphique les différents histogrammes
2. Pour les quatre histogrammes, essayez d’identifier pour chaque maximum local les matériaux corres-
pondant. Analysez l’apport de chaque bande pour la caractérisation des différents matériaux.
3. A partir des informations extraites, segmentez les bandes spectrales correspondant au « rouge » et au
« proche infra-rouge » (Dans search : Interactive density slicing).
4. Reprenez les questions 1 et 2 avec un histogramme 2D (Dans search : scatter plots)
5. Construisez des masques binaires correspondant aux couches « végétation », « eau » et « sols nus » (Dans
search : creating masks). Un exemple est donné à la figure 3.

6
2.3 Segmentation d’images satellitaires

Table 1: ENVI header format (http://geol.hu/data/online_help/ENVI_Header_Format.html)


Description Character string describing the image or processing performed.
Samples Number of samples (pixels) per image line for each band.
Lines Number of lines per image for each band.
Bands Number of bands
Header offset Refers to the number of bytes of embedded header information present in the file (for example
128 bytes for ERDAS 7.5 .lan files). These bytes are skipped when the ENVI file is read.
Data type Parameter identifying the type of data representation, where 1=8 bit unsigned integer ; 2=16-bit
signed integer ; 3=32-bit signed long integer ; 4=32-bit floating point ; 5=64-bit double precision
floating point ; 6=2x32-bit complex, real-imaginary pair of double precision ; 9=2x64-bit double
precision complex, real-imaginary pair of double precision ; 12=16-bit unsigned integer ; 13=32-bit
unsigned long integer ; 14=64-bit signed long integer ; and 15=64-bit unsigned long integer.
Interleave Refers to whether the data are band sequential (BSQ), band interleaved by pixel (BIP), or band
interleaved by line (BIL).
Byte order Describes the order of the bytes in integer, long integer, 64-bit integer, unsigned 64-bit integer,
floating point, double precision, and complex data types ; Byte order=0 is Least Significant Byte
First (LSF) data (DEC and MS-DOS systems) and byte order=1 is Most Significant Byte First (MSF)
data (all others - SUN, SGI, IBM, HP, DG).
Map info Lists geographic coordinates information in the order of projection name (UTM), reference pixel
x location in file coordinates, pixel y, pixel easting, pixel northing, x pixel size, y pixel size,
Projection Zone, North or South for UTM only.

1,000
Végétation arborée Sol nu
Eau Végétation Basse
800
Compte numérique

600

400

200

0
B V R IR
Bandes spectrales

Figure 2: Exemple de signature spectrale

Figure 3: Masque binaire de l’eau pour l’image de fabas, figure 1.

7
2 introduction à la télédétection - utilisation du logiciel envi-idl

Figure 4: Segmentation en quatres classes l’image de fabas, figure 1.

2.4 arbre de décision et détection de changements

Connaissances et compétences à acquérir


• Construire et utiliser des néo-canaux,
• Construire et utiliser des arbres de décision binaire,
• Segmenter une image en plusieurs classes et détecter des changements sur des
données multi-dates.

2.4.1 Néo-canaux

1. Construisez à partir de l’image « fabas » les néo-canaux correspondant aux NDVI (Dans serach : mathe-
matical expression).

2. A partir du NDVI, faites une analyse de l’activité photosynthétique de la zone couverte par l’image.
Isolez la végétation du reste du paysage et caractérisez les deux types de végétation.

3. Proposez une segmentation en quatre classes de l’image.

2.4.2 Arbre de décision

Créez un arbre de décision pour segmenter l’image NDVI (Voir Using ENVI Classic → Classification →
Decision Tree classifier ). La figure 4 donne un exemple de segmentation. Pour vous entraîner, vous pouvez faire une
segmentation en quatre classes à partir de l’image multispectrale originale. Vous devez obtenir le même résultat.

2.4.3 Détection de changements : application à la gestion d’inondation

Pour cette partie, vous travaillerez sur les images « tsunami_before » et « tsunami_after ». Ce sont deux
images, prises avant et après le tsunami de décembre 2004 en Asie, qui correspondent à la zone de Lhonga
Leupung en Indonésie, voir Figure 5. L’objectif est de réaliser automatiquement une carte mettant en valeur
les zones inondées.
Pour cela, nous utiliserons deux images et analyserons les zones de l’image qui ont « changé » à cause de
l’inondation : qui sont passées de séches à humides.
La méthode mise en œuvre doit être la plus simple possible, ce n’est pas la peine de multiplier les traite-
ments.

8
2.4 Arbre de décision et détection de changements

(a) (b)

Figure 5: Image « fausses couleurs » de la zone de Lhonga Leupung avant (a) et après (b) le tsunami.

Figure 6: Google bridge de la zone observée sur la figure 5.

9
2 introduction à la télédétection - utilisation du logiciel envi-idl

Figure 7: Image vrais couleurs de la zone à traiter.

2.5 classification supervisée d’images satellitaires

Connaissances et compétences à acquérir


• Manipuler des zones d’intérêts,
• Réaliser une classification supervisée,
• Régulariser spatialement une carte de classification,
• Calculer des indices de précision pour les cartes de classification.

2.5.1 Prise en main

L’objectif de cette partie est de comprendre comment réaliser une classifiaction supervisé avec ENVI. Vous
travaillerez sur l’image « objet », voir Figure 7. C’est une image Worldview-2, possédant 8 bandes spectrales.

1. Construisez des zones d’intérêts correspondantes aux classes définies dans le tableau 2. Selectionner
environ au moins un millier de pixels pour chaque classe, mais pas plus de 2500, cela pour des raisons
de temps de calculs (Dans search : managing ROIs files).

1 2 3 4 5 6 7
Arboré Cultures Prairie Sols nus Route Bâtiment Ombre

Table 2: Détails des classes. Attention, bien respecter l’ordre de définition des classes !

2. Calculez les caractéristiques statistiques (moyenne et variance) des classes définies (Dans search : ROIs
satistics). Représenter les pixels sélectionnés à l’aide de l’outil 2D Scatter Plots. Que pouvez déjà en
déduire ?
3. Faites une classification supervisée de type : distance minimale, maximum de vraisemblance Gaussien et
SVM avec noyau linéaire (Dans search : minimum distance et maximum likelihood). Pour chaque méthodes,
choisir de classifier tout les pixels.
4. Calculez les matrices de confusion pour les deux cartes de classification obtenues précédemment (Dans
search : confusion matrix).
5. Comparez-les : accord global, Kappa, précision utilisateur/producteur.
6. Réalisez une régularisation de type « analyse majoritaire » sur la carte de classification la plus précise
(Dans search : majority analysis). Testez plusieurs tailles de fenêtre.

10
2.5 Classification supervisée d’images satellitaires

1 2 3 4 5 6 7 8
Chêne pubescent Chêne pédonculé Chêne sessile Chêne rouge Bouleau Charme Chataîgner Robinier
9 10 11 12 13 14 15 16
Peuplier Platane Eucalyptus Pin Maritime Epicéa Hêtre Alisier Noistier
17 18 19 20 21 22 23 24
Pin Silvestre Frêne Sapin rouge Cèdre Saule blanc Chêne du Caucase Sapin de douglas Pin Laricio

Table 3: Correspondance des essences avec leur numéro de ROIs

2.5.2 Classification d’une série temporelle

Dans cette partie, l’objectif est de classifier les espèces arborés à l’aide d’une série d’images multidate (ou
multitemporelle).
La série multitemporelle consiste en une série d’images du NDVI prises en différentes dates obtenues dans
le cadre du programme Kalidéos OSR MiPy 1 . 9 dates ont été retenues pour l’année 2013.
Ces images ont été acquises par le satellite FORMOSAT. La résolution spatiale est de 8 métres par pixel. 4
bandes spectrales (B, V, R et IR) sont disponibles pour chaque date. Les vérités terrain ont été construites pas
les étudiants AGREST de la promo ENSAT 2013. 24 classes ont été recensées lors d’une prospection terrain.
Le tableau 3 présente les différences essences relevées sur le terrain.

Classification supervisée
1. Restaurez le fichier roi (pour Region Of Interest sur une image de la série temporelle (Dans search :
managing ROIs files). Voir le tableau 3 pour le type de cultures.
2. Calculer les NDVI pour chaque dates et construisez une série temporelle basée sur le NDVI. Tracer les
spectres moyens du NDVI pour chaque classes. Pour simplifier la visualisation, tracer les à l’aide d’un
tableur. Observer en particulier les spectres moyens relatifs aux chênes et aux sapins.
3. Faites un premier regroupement des classes pour simplifier le problème : (19+23), (12+17+24) et (1+2+3+22).
4. Faites une classification supervisée de type : distance minimale et maximum de vraisemblance Gaussien
sur les données brutes et NDVI. Utiliser le masque fournit pour ne traiter que les pixels correspondants
à la végétation arborées.
5. Faites une analyse des résultats de classification.
6. Appliquez un filtrage majoritaire en choisissant la taille du gabarit qui vous semble la plus adaptée.
7. Calculer la surface totale au sol pour la classe arborées la plus représentée.

1. Programme Kalidéos OSR MiPy : ce programme Kalideos du CNES met gratuitement à disposition de la communauté scientifique
des bases de données de télédétection de référence. Dynafor en tant que membre fondateur de l’Observatoire Spatial Régional peut donc
en bénéficier pour son site d’études LTER Vallées et Coteaux de Gascogne situé en région Midi- Pyrénées

11
2 introduction à la télédétection - utilisation du logiciel envi-idl

(a) Image originale

(b) Masque

Figure 8: Zone d’étude des essences arborés.

12
2.6 Recalage d’images

(a) (b)

Figure 9: (a) Image à corriger et (b) image de référence.

2.6 recalage d’images

Connaissances et compétences à acquérir


• Création de points de contrôle au sol (Ground Control Points) ou points d’amer,
• Recalage image à image,
• Evaluation des résultats du recalage.

1. Ouvrez et affichez les images westconcordaerial.png et westconcordorthophoto.png voir Figure 9.


2. En prenant comme référence l’image panchromatique, saisissez une vingtaine de GCP de manière ho-
mogène dans l’image (registration).
3. Réalisez un recalage polynomial d’ordre 1 et 2 avec comme méthode de ré-échantillonage « plus proche
voisin ». Pour les deux méthodes, faites une analyse de l’erreur moyenne et comparez à ce que vous
obtenez visuellement.

13
3
E T U D E S D E C A S - A P P L I C AT I O N À L A G E S T I O N D E L’ E N V I R O N N E M E N T

3.1 détection d’objets dans les cartes anciennes

Connaissances et compétences à acquérir


• Algorithme de traitements dans le domaine spatial,

Les cartes anciennes contiennent des informations spécifiques qui permettent de reconstruire des trajec-
toires d’occupation des sols dans le temps et dans l’espace. Actuellement, l’extraction d’information sur ces
cartes recourt principalement à l’intervention de l’utilisateur (digitalisation manuelle). Cette approche est coû-
teuse en temps et difficilement applicable sur de larges zones. Il a été proposé dans “Automatic extraction of
forests from historical maps based on unsupervised classification in the CIELab color space” une méthode gé-
nérique pour automatiser l’extraction des forêts sur des cartes d’états majors du 19ieme siècle. Cette méthode
repose sur trois étapes :
1. Suppression des lignes de reliefs et du texte par des filtres à gabarit,
2. Passage du l’espace RGB à l’espace colorimétrique LAB,
3. Classification non supervisé des objets en fonction de leur couleur dans l’espace LAB.
La figure 10 présente le résultat de l’extraction de la forêt en utilisant cette méthode.
Dans ce TP, nous allons utiliser l’implémentation IDL/ENVI développé par P. Loussert et K. Gouerec de
la promotion SIGMA-AGROGEOMATIQUE ENSAT 2014. Vous trouverez les codes à cette adresse http:
//fauvel.mathieu.free.fr/softwares.html. Télécharger l’ensemble des codes dans un répertoire sur votre
compte. Suivez la procédure d’installation fournis avec les codes pour installer l’ensemble des fonctionnalités.

3.2 détection de la trame verte (haies) dans un paysage agricole

Connaissances et compétences à acquérir


• Visualisation de données altimétriques,
• Couplage information radiométrique et altimétrique.

Les haies jouent un rôle important dans la conservation des sols, la productivité des écosystèmes, la pro-
tection des cultures et la limitation des pollutions d’origine agricole. Ainsi, la cartographie de ces formations
arborées secondaires ou « arbres hors forêt » constitue un enjeu majeur pour les différents acteurs chargés de
préparer la mise en place de la future « Trame Verte et Bleue » qui fait suite au Grenelle de l’Environnement.
De par leur faible superficie, ces éléments du paysage ne sont pas représentés dans les bases de données
destinées aux échelles régionales comme CORINE Land Cover dont la taille minimale de saisie des objets
est fixée à 25 ha. En revanche, ces éléments existent dans la BDTopo de l’IGN qui contient une description
détaillée du territoire pour une gamme d’échelle allant du 1 :5000 au 1 :50 000. Toutefois, cette base répond à
des spécifications bien définies et par conséquent elle n’intègre pas forcément tous les objets. Elle adopte par
ailleurs un choix de modélisation parmi d’autres possibles, ce qui n’est pas toujours adapté à l’application
envisagée. Par exemple, dans la BDTopoV2, la haie est définie comme étant une « clôture naturelle composée
d’arbres, d’arbustes, d’épines ou de branchages et servant à limiter ou à protéger un champ. Alignement
d’arbres ou plantation d’arbres fruitiers dont la largeur est inférieure à 25m » (IGN, 2009). Pour que la haie
soit saisie dans la BDTopo, sa longueur doit être supérieure ou égale à 100m. L’espace minimum entre deux
haies parallèles doit également être supérieure ou égale à 50m pour les distinguer dans la base. Enfin, la haie
est représentée par un objet surfacique et est modélisée par son contour extérieur.

15
3 etudes de cas - application à la gestion de l’environnement

(a) (b)

Figure 10: (a) Carte anciennes et (b) masque de la forêt.

Dans cette partie, nous allons voir que la télédétection offre un moyen simple pour la cartographie du
réseau des haies. Nous allons utiliser une méthode basée sur Maire, E. ; Marais-Sicre, C. ; Guillerme, S. ; Rhoné,
F. ; Dejoux, J.-F. & Dedieu, G. (2012), ’Télédétection de la trame verte arborée en haute résolution par morphologie
mathématique.’, Revue Internationale de Géomatique 22 (4) , 519-538. Cette méthode permet de détecter les arbres
hors forêts à l’aide d’opérateur de morphologie mathématique.
1. Effectuer une analyse en composante principale de l’image multispectrale initiale. Sélectionner la com-
posante principale pour laquelle les haies sont des maxima locaux en termes d’intensité.
2. Effectuer un filtrage top-hat sur la composante principale sélectionnée. Choisir le paramètre en fonction
des propriétés spatiale des haies.
3. Faites un seuillage sur la sortie du filtre pour récupérer les haies et les arbres isolés.
4. Exporter les résultats en vecteurs.

16
4
EXERCICES

4.1 segmentation d’images

1. Télécharger l’image “flc1.bil” à l’adresse suivante : http://fauvel.mathieu.free.fr/teaching.html.


Le fichier hdr n’est pas renseigné. A vous de le construire avec les informations suivantes. L’image a
220 pixels de large, 949 pixels de hauteur. Le capteur échantillone le spectre des longueurs d’ondes en
12 points. Les données sont codés en 8 bits non signés, et l’image est enregistrée ligne par ligne.

2. Calculez les histogrammes de la bande 1 et de la bande 2 de la Figure 11 (vous pouvez vous servir de
la Figure 12). Segmentez-les en choisissant le nombre de classes qui vous semble pertinent.

3. Calculez l’histogramme 2D.

4. Sur la Figure 13, placez les dimensions. Quel spectre correspond à la réflexion d’une surface type
végétation ?

4.2 néo-canaux

Sur la Figure 14, retrouvez l’histogramme du NDVI correspondant à l’image sur laquelle il a été calculé.

4.3 série multitemporelle

Sur la figure 15, associez chaque surface à un type de cultures : hiver, été ou non-cultivé.

4.4 classification supervisée

Sur l’image « Fabas », après calcul du NDVI, un photo-interprète a identifié 4 classes. A l’aide d’une vérité
terrain, il a ensuite calculé des paramètres statistiques pour chaque classe.
• A partir des paramètres reportés dans la Table 4, construisez les règles de décision gi pour les quatre
classes pour les méthodes distance à la moyenne et mélange de gaussiennes (p(wi ) = πi ).
• Calculez les seuils optimaux, i. e., x tel que geau (x) = gsols nus (x) pour les deux méthodes.
• A partir des images de classification de la Figure 16, calculez la matrice de confusion. Puis, calculez
la précision producteur et utilisateur pour la classe Forêt ainsi que le pourcentage total de pixels bien
classifiés.

1 0 1 2 3 4 4 2
2 2 5 6 3 3 1 0
1 6 6 4 5 1 2 2
2 5 4 6 3 0 0 1
(a) (b)

Figure 11: Image synthétique, bande 1 (a) et bande 2 (b).

17
4 exercices

7 7 6
6 6 5
5 5 4
4 4 3
3 3 2
2 2 1
1 1 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6
b1 b2 (b1 , b2 )

Figure 12: Histogrammes

Figure 13: Spectre de longueurs d’ondes

(a) (b) (c)

-1 0 1 -1 0 1 -1 0 1
(1) (2) (3)

Figure 14: Images originales et histogrammes des NDVIs.

Table 4: Paramètres des classes


µi σi πi
Eau -0.224 0.032 0.04
Sols nus 0.137 0.014 0.09
Champs 0.323 0.044 0.32
Arborés 0.693 0.039 0.55

18
4.4 Classification supervisée

1 1

0.5 0.5
NDVI

NDVI
0 0

−0.5 −0.5

−1 −1
éc re

éc re
Fé er

in

Fé er

in
pt et

pt let
r

s
ai

ai
e

e
ril

ril
ie

ie
ar

ar
br

br
l
b

b
i

Ju

Ju
M

M
Av

Av
Se Juil

Se Juil
nv

nv
vr

vr
em

em
M

M
em

em
Ja

Ja
D

D
(a) (b)
1

0.5
NDVI

−0.5

−1
éc re
Fé er

in

pt let
r

ai

e
ril
ie
ar

br
b
i

Ju
M
Av

Se Juil
nv

vr

em
M

em
Ja

(c)

Figure 15: Spectre temporel du NDVI moyen + écart type pour trois types de surfaces.

F F F V E F F
F F V V E F V E
V V V R R F R
F V R F F V R R
Classification Vérité terrain

Figure 16: Construction d’une matrice de confusion.

19
4 exercices

Table 5: GCPs
xr x y
p1 127.25 122.25 51.25
p2 148.25 143.75 123.50
p3 451.50 450.25 404.25
p4 394.00 392.00 195.50
p5 299.25 296.75 321.75

4.5 recalage d’images

On suppose un modèle de recalage de type « RST » :


0
xh = α1 x v + α2 x h + α3
xv 0 = α10 x v + α20 x h + α30

où p est un pixel de coordonnées spatiales ( x h , x v ) de l’image à rectifier et p0 un pixel de l’image de référence.


Pour rectifier l’image, on cherche les coefficients αi , αi0 tels que l’erreur quadratique moyenne de prédiction
soit minimale. Dans la suite, on ne considérera que les coefficients αi .
1. En considérant le GCPs de la Table 5, calculez les coefficients α.
2. Calculez l’erreur de prédiction pour chaque pixel.

20