Détermination d’une ligne de rivage de grande taille

à l’aide de la multirésolution hiérarchique sur une

image radar à synthèse d’ouverture ERS-1

Alain Akono* et Emmanuel Tonyé*,

*Laboratoire d’Electronique et de Traitement du Signal (LETS),

Ecole Nationale Supérieure Polytechnique (ENSP) de Yaoundé,

B.P. 8390 Yaoundé, Cameroun.

Tél. (237)22.45.47

Fax : (237)23.18.41

E-mails : aakono@yahoo.com / tonyee@hotmail.com

 2

Résumé

La première motivation de cette étude vient de la nécessité du suivi dynamique de l’évolution

du trait de côte sur la zone littorale camerounaise, où l’on a observé un recul et un

avancement de la côte par endroits depuis une dizaine d’année. L’analyse des images

spatiales, en particulier des images radar, seules disponibles dans cette zone, aide à mieux

suivre cette dynamique. Pour des zones littorales de très grande taille, ayant des centaines de

kilomètres de long, il est nécessaire de recourir à la multirésolution hiérarchique, ce qui

constitue la deuxième motivation de cette étude. La méthodologie présentée dans cette étude

consiste à évaluer la longueur de la ligne de rivage sur une série d’images réduites par la

technique de multirésolution hiérarchique, et extraites d’une image radar à synthèse

d’ouverture ERS-1 de très grande taille, en utilisant la détection des contours et la

morphologie mathématique. Les résultats obtenus sur les images réduites sont ensuite

extrapolés pour permettre d’obtenir la longueur de la ligne de rivage sur l’image originale. La

méthodologie présentée permet d’obtenir une bonne indication des longueurs de rivage à

partir d’images satellitaires de grande taille, et elle est notamment utile au suivi de la

dynamique de l’érosion côtière.

 3

1)Introduction

À cause de leur aptitude à acquérir des images en tout temps, les capteurs radar sont de plus

en plus utilisés pour des régions équatoriales. En effet, la couverture nuageuse quasi

permanente planant au-dessus de ces régions, rend l'acquisition d'informations difficile avec

les capteurs du visible et du proche infrarouge tels que ceux de LANDSAT ou de SPOT.

Depuis 1992, plusieurs travaux sont menés avec des images radar sur le Cameroun en vue

d’étudier l'écosystème de la zone littorale (Rudant et al., 1997 ; Tonye et al., 1994 ; Tonye et

al., 2000). L’extraction de la ligne de rivage sur la côte atlantique camerounaise est l’objet de

cette étude. Nous entendons par ligne de rivage la ligne de contact entre l’hydrosphère, la

lithosphère et l’atmosphère. Le littoral s’étend de part et d’autre de cette ligne et comprend

des étendues marines et estuariennes ainsi que des étendues émergées. Cette ligne, encore

appelée ligne de rivage instantanée, est une zone frontière, un lieu d’échanges, mobile, fragile,

particulièrement vulnérable et très convoité (Verger, 1996). Cette étude permettrait

d’actualiser l’information fournie par des cartes géographiques, généralement anciennes. L’un

des buts visés est la mise en œuvre d’une méthodologie permettant d’obtenir des frontières

suffisamment fines, de manière à pouvoir mesurer leur longueur. La détermination de la ligne

de rivage instantanée peut être faite à partir des données optiques ou radar et des études ont

déjà été menées dans ce sens (Robin, 1990; Descombes et al., 1996). Dans le cas des données

optiques, on procède le plus souvent par la méthode de l’histogramme. Celui-ci est bimodal

dans les régions littorales, présentant un mode pour les eaux et un autre, en général plus

complexe, pour les terres. Entre les deux populations de pixels correspondant à ces deux

modes, la ligne de rivage instantanée est située au sein d’une population intermédiaire de

pixels à cheval sur cette ligne. Une seconde méthode consiste à rechercher les forts gradients
 4

qui existent entre la réponse spectrale dans l’infrarouge proche des surfaces d’eau, d’une part,

et des surfaces terrestres, d’autre part (Verger, 1996). Descombes et al. (1996) ont proposé

une méthode d’extraction de la ligne de rivage par segmentation markovienne des images

RSO. La méthode proposée est une approche hiérarchique utilisant deux champs markoviens.

À une faible résolution, un premier champ markovien, défini par une topologie à trous, réduit

les inconvénients des approches classiques (sursegmentations). Ensuite, la segmentation

initiale est projetée sur l’image à pleine résolution et une seconde classification est effectuée

par un modèle d’Ising (Descombes et al., 1996). Dans cette étude, la morphologie

mathématique et la détection des contours sont utilisées pour l’extraction de la ligne de rivage

sur une image RSO de la côte atlantique camerounaise. L’image originale étant de très grande

taille (32 726 400 octets), il a été impossible de la traiter dans un délai de temps raisonnable,

avec l’ordinateur disponible (Pentium 500 Mhz, 64 Mo de mémoire vive, 8 Go de disque dur).

Au fait, le traitement de cette image aurait nécessité plusieurs heures sur cette machine. Nous

avons donc fait recours à la multirésolution hiérarchique en traitant une série d’images

réduites, extraites de l’image originale. Les résultats obtenus sur les images réduites ont

ensuite été extrapolés, ce qui a permis d’obtenir une estimation de la longueur de la ligne de

rivage sur l’image originale.

Les résultats donnés par une carte géographique montrent que la méthode présentée donne

une bonne indication pour la détermination de la longueur d’une ligne de rivage sur une image

RSO de grande taille. Nous présentons donc successivement : les caractéristiques de l’image

utilisée, le site d’étude, la méthodologie utilisée, les résultats obtenus, un commentaire sur ces

résultats et une conclusion.

 5

2) Caractéristiques de l’image utilisée

L’image utilisée dans cette étude est une image radar à synthèse d’ouverture du satellite ERS-

1 (European Remote Sensing satellite), acquise en bande C et en polarisation verticale VV,

sur la côte atlantique camerounaise, en 1994. La résolution spatiale initiale de cette image est

de 25 m x 25 m, mais les images traitées dans cette étude ont subi des réductions pyramidales

de premier, de deuxième, de troisième, de quatrième et de cinquième niveau (voir §4.4 :

analyse multirésolution), ce qui a amené la taille d’un pixel à 50 m x 50 m, et à 100 m x 100

m, 200 m x 200 m, 400 m x 400 m, et 800 m x 800 m, respectivement.

3) Le site d’étude

Le site d’étude est la côte atlantique camerounaise, s’étendant entre les longitudes 9°11’ Est –

10°7’ Est, et les latitudes 2°16’ Nord – 4°4’ Nord (Figure 1). Cette région, débouchant sur

l’océan atlantique, est caractérisée par un couvert forestier dense, et particulièrement par

plusieurs espèces de mangroves. Elle a déjà fait et elle continue à faire l’objet de plusieurs

études intéressant des organismes gouvernementaux camerounais. L’on s’y intéresse

généralement à l’étude du couvert forestier et à l’évolution de la ligne de rivage au fil des

années. L’image traitée dans cette étude couvre aussi une partie de la Guinée Equatoriale,

pays voisin au sud du Cameroun.

 6

Figure 1. Carte géographique de la côte atlantique camerounaise (Source : Encyclopédie

cartographique Encarta de Microsoft, édition 1997)

 7

4) Méthodologie

4.1) La morphologie mathématique appliquée aux images

La morphologie mathématique est une technique d’analyse de l’image basée sur la notion des

ensembles. Il va s’agir de faire des mesures sur une image, afin d’en faire une quantification.

Pour cela, il faudrait construire l’ensemble dans lequel portera la mesure. Cette construction

s’effectue par des transformations successives qui, partant de l’image brute, vont peu à peu

mettre en évidence l’ensemble à mesurer. Les opérations de morphologie mathématique

s’appliquent aux images binaires, mais elles peuvent aussi être appliquées aux images en

niveaux de gris (Serra, 1982). La morphologie mathématique comporte plusieurs opérateurs,

chacun servant à atteindre un but précis. Dans le cadre de cette étude, la fermeture a été

utilisée pour la production d’un masque binaire servant à distinguer l’eau de la terre sur

l’image radar traitée. La squelettisation a aussi été utilisée pour l’affinement des lignes de

contour afin de permettre une mesure précise de la longueur de la ligne de rivage.

La fermeture est une opération qui ferme les golfes et les petits trous sur une image binaire.

Pour faire une fermeture, on applique d’abord une dilatation et ensuite une érosion (Serra,

1982). La dilatation a pour effet d’augmenter la taille des entités sur l’image. Pour cela, on

fait parcourir un élément structurant (masque) à l’extérieur de l’entité. Le centre de l’élément

structurant donne le contour de l’entité agrandie. L’érosion consiste à réduire les entités. Pour

cela, on fait promener un élément structurant sur le pourtour des entités. Comme pour la

dilatation, le centre de l’élément structurant donne le contour de l’entité réduite.

Toutes les opérations morphologiques précédemment mentionnées peuvent être répétées

plusieurs fois sur une même image. On parle alors d’érosion d’ordre n, de dilatation d’ordre n,
 8

ou de fermeture d’ordre n. Les algorithmes de ces opérateurs sont décrits en détail dans

(Toumazet, 1990).

Le but visé étant l’obtention du nombre de pixels appartenant aux frontières, il a été

nécessaire de réduire les dimensions des contours de manière à obtenir des contours

d’épaisseur égale à 1 pixel. Cela a été rendu possible par la squelettisation (Serra, 1982). Cette

dernière s’effectue par une succession d’opérations appelées amincissement, jusqu’à

l’obtention d’une structure stable ne pouvant plus être amincie. Ceci peut être réalisé en

balayant l’image avec une série de huit masques obtenus à partir d’un masque B1 par rotation

de 45° (éq. 1a et 1b) :

0 0 0 0 0 0 1 0 0 1 1 0
       
B1 = 0 1 0 B 2 = 1 1 0 B3 = 1 1 0 B 4 = 1 1 0 (1a)
1 1 1 1 1 0 1 0 0 0 0 0

 1 1 1 0 1 1 0 0 1 0 0 0
       
B5 =  0 1 0 B6 = 0 1 1 B 7 = 0 1 1 B8 = 0 1 1 (1b)
 0 0 0 0 0 0 0 0 1 0 1 1

L’algorithme détaillé de la squelettisation se trouve aussi dans (Toumazet, 1990).

 9

4.2) La détection des contours

Les techniques d’extraction des contours sont nombreuses. Nous nous sommes intéressés aux

opérateurs de type gradient utilisant une paire de masques de convolution qui mesurent

l’amplitude du gradient dans deux directions perpendiculaires. Un point contour correspond à

une forte valeur du module du gradient. Les masques utilisés sont ceux de Sobel (Collorec,

1995) (équation 2) :

 − 1 0 1  − 1 − 2 − 1
   
Wx =  − 2 0 2 et Wy =  0 0 0 (2)
 − 1 0 1  1 2 1 

Des détails sur les techniques de détection de contours peuvent être trouvés dans (Collorec,

1995) et (Toumazet, 1990).

 10

4.3) Le calcul de la longueur de la ligne de rivage

Une fois que l’image est squelettisée, les contours apparaissent nettement et on peut procéder

au calcul de la longueur d’une frontière particulière. Pour cela, on isole la frontière ciblée de

manière à obtenir une image binaire ayant deux classes distinctes : la classe des pixels

appartenant à la frontière et la classe des pixels ne faisant pas partie de la frontière.

L’histogramme de cette image binaire permet de connaître le nombre de pixels appartenant à

la frontière. Des longueurs minimale et maximale sont ensuite évaluées en considérant les

positions extrêmes possibles d’un point de l’image sur une cellule de résolution, selon le

schéma présenté à la figure 2.

 11

Figure 2. Méthode de calcul de la longueur de la ligne de rivage.

 12

4.4) La multirésolution hiérarchique

La multirésolution hiérarchique permet de représenter une image sous un format réduit.

L’ensemble des images aux différentes résolutions a l’aspect d’une pyramide (Figure 3), d’où

le nom souvent utilisé d’"approche pyramidale". Ceci présente un grand avantage en

traitement d’images du fait que l’image réduite occupe moins d’espace en mémoire, ce qui

permet d’accélérer les traitements. Une pyramide est une "pile" d’images dont l’image de

base est l’image de pleine résolution (image originale). Les images d’une pyramide sont

couramment désignés par IN ou "image de niveau N". I0 est l’image de la base, et l’image d’un

niveau N a des dimensions moitié en largeur et en hauteur par rapport aux dimensions de

l’image du niveau précédent (N-1). Des détails sur l’approche pyramidale peuvent être

trouvés dans (Jolion and Rosenfeld, 1994). Présentons maintenant la mise en œuvre de la

multirésolution hiérarchique.

Soit une image I de taille 2N x 2N. Nous voulons sous-échantillonner cette image par un

facteur de 2. Le sous-échantillonnage de ce signal bidimensionnel doit être accompagné d’un

processus de lissage afin d’ôter les hautes fréquences (bruit). Ceci est effectué par une

convolution discrète (équation 3).

M M
G [ I ]( i, j) = ∑ ∑ w ( m, n ) ⋅ I (2i + m − z,2 j + n − z ) (3)
m=1 n = 1

Dans l’expression (14), M représente la largeur du masque de convolution, z est une constante

( z = ( M + 1) / 2 ), et (i , j) ∈[ 0,2 N− 1 − 1] × [ 0,2 N −1 − 1] .

Nous dénommons l’opérateur de filtrage et d’échantillonnage G, en référence à l’opérateur

Gaussien introduit par Burt (1981), quoique la fonction de pondération n’ait pas
 13

nécessairement une allure Gaussienne. Un masque non symétrique aurait pu être utilisé, mais

pour la simplicité nous supposons un masque symétrique. Il est à remarquer que le nombre de

pixels a été réduit de moitié à chaque dimension, résultant en une nouvelle image G[I] quatre

fois plus petite que l’image originale I. Des applications successives du même processus de

filtrage aboutissent en une représentation multirésolution de l’image, consistant en une série

d’images de tailles décroissantes (équation 4).

{I , I ,⋅⋅ ⋅, I },
0 1 N I 0 = I, [ ]
I k +1 = G I k (4)

Le masque de convolution peut être pair ou impair. Les propriétés de ces masques ont

largement été étudiées par Burt (1981) et Meer et al. (1987). Cette technique a aussi été

largement étudiée par Akono (1994), pour le recalage des images multisource de

télédétection. Le masque utilisé dans le cadre de cette étude est un masque Gaussien dont

l’expression est présentée en l’équation (5).

  B2 AB AB B2 
  
 AB A 2 A 2 AB
W=
 AB A 2 A 2 AB
  2 
 B AB AB B2 
 (5)
 avec


 A = 0.37 et B = 0.13


 14

Figure 3. Exemple de pyramide d’images. Ce genre de pyramide est souvent appelé pyramide

quaternaire (Jolion et Rosenfeld, 1994), parce que chaque pixel d’une image de niveau N est

engendré par 4 pixels de l’image du niveau précédent N-1.

La méthodologie générale de traitement utilisée dans cette étude est présentée sur la figure 4

ci-après.
 15

Figure 4. Méthodologie générale de traitement.

 16

5) Résultats

La figure 5 montre la représentation en multirésolution hiérarchique de l’image originale. De

gauche à droite figurent les images des niveaux 3, 4 et 5 de la pyramide. Les résolutions et les

tailles de ces images sont présentées sur le tableau 1. Les tailles gigantesques des images de

niveaux 0, 1, et 2 n’ont pas permis de les afficher sur cet article. La figure 6 présente

l’interface logicielle réalisée dans le cadre de nos travaux de recherche. Ce logiciel, dénommé

VOIR (Vision par Ordinateur des Images Radar) a été développé dans l’environnement

Delphi de BORLAND.

La figure 7 présente le résultat de la fermeture appliquée aux images des niveaux 3, 4 et 5 de

la pyramide de multirésolution. Les images résultant de la fermeture ont permis de construire

les masques binaires présentés sur la figure 8. Ces masques montrent une nette séparation

entre la terre et la mer. La figure 9 présente le résultat de la détection des contours par

masques de Sobel appliqués aux images des niveaux 3, 4 et 5 de la pyramide de

multirésolution. Les images des contours ainsi obtenues subissent ensuite une opération de

squelettisation pour produire les contours fins apparaissant sur les images de la figure 10. Sur

la figure 11 on présente les mêmes contours fins en excluant les embouchures des fleuves,

afin de pouvoir mesurer la ligne de rivage réelle dont la frontière est le contact entre la terre et

la mer.

Après obtention des images squelettisées on a procédé au calcul de la longueur de la ligne de

rivage par le processus illustré sur la figure 2. Les résultats des calculs apparaissent sur le

tableau 2. Ces résultats montrent la dégradation introduite par la réduction pyramidale. Au fur

et à mesure qu’on augmente de niveau sur la pyramide, en s’éloignant de l’image originale,

les résultats se dégradent progressivement. Ainsi, on obtient des dégradations de –8.50%, -

 17

14.70%, –17.00%, et –22.00% par rapport au niveau 1, lorsqu’on passe du niveau 1 au niveau

2, du niveau 2 au niveau 3, du niveau 3 au niveau 4, et du niveau 4 au niveau 5,

respectivement. La dégradation devient de plus en plus accentuée quand on s’éloigne de la

base de la pyramide. Le tableau 3 présente les longueurs de ligne de rivage obtenues

lorsqu’on exclue les longueurs des embouchures des fleuves. La dégradation introduite par la

réduction pyramidale a la même cadence que dans le cas précédent.

Le tableau 4 présente une estimation de la longueur de la ligne de rivage pour l’image du

niveau 0 (base) de la pyramide de multirésolution, pour le cas où les embouchures des fleuves

ne sont pas pris en compte et pour le cas où elles sont prises en compte. Ces résultats ont été

obtenus par le calcul d’une fonction de tendance des longueurs moyennes de la ligne de

rivage, en fonction des aires normalisées des cellules de résolution, pour les niveaux 1, 2, 3, 4

et 5 de la pyramide de multirésolution (figures 13 et 14). Les équations des courbes de

tendance ont permis d’extrapoler les résultats au niveau 0 de la pyramide, ce niveau

correspondant à une aire normalisée de résolution 1 m2 .

Pour vérifier la validité des résultats obtenus, la longueur de la ligne de rivage étudiée a été

mesurée avec l’encyclopédie cartographique de Microsoft (figure 12), à la fois sans tenir

compte de la longueur des embouchures des fleuves et en tenant compte de cette longueur. On

obtient une longueur de 559 km lorsqu’on ne tient pas compte de la longueur des

embouchures des fleuves et une longueur de 525.50 km lorsqu’on tient compte de cette

longueur. Les longueurs trouvées se situent bien dans les intervalles prévus par la

méthodologie mise en œuvre.

 18

Figure 5. Représentation en multirésolution hiérarchique de l’image originale. De gauche à

droite figurent les images des niveaux 3, 4 et 5 de la pyramide. Les résolutions et les tailles de

ces images sont présentées sur le tableau 1.

 19

Figure 6. Interface logicielle réalisée, faisant apparaître le module de détection des contours

sur une image.

 20

Figure 7. Résultat de la fermeture appliquée aux images des niveaux 3, 4 et 5 de la pyramide

de multirésolution.
 21

Figure 8. Masques binaires obtenus pour les images des niveaux 3, 4 et 5 de la pyramide de

multirésolution.

Figure 9. Résultat de la détection des contours par masques de Sobel appliqués aux images

des niveaux 3, 4 et 5 de la pyramide de multirésolution.

 22

Figure 10. Résultat de la squelettisation appliquée aux images des contours des niveaux 3, 4

et 5 de la pyramide de multirésolution.

Figure 11. Résultat de la squelettisation en tenant compte des embouchures des fleuves.
 23

Figure 12. Carte géographique montrant la longueur de la ligne de rivage étudiée (source :

encyclopédie cartographique Encarta, édition de 1997).

 24

TAILLE ET RESOLUTION DES IMAGES

Niveau de pyramide Taille de Taille du fichier Résolution réelle de Aire normalisée

l’image (largeur correspondant l’image d’une cellule de

x hauteur, en (en octets) résolution

pixels)

Niveau 0 (Base) 3861 x 8164 32 726 400 25 m x 25 m 1 m2

Niveau 1 1930 x 4082 8 181 406 50 m x 50 m 4 m2

Niveau 2 965 x 2041 2 050 242 100 m x 100 m 16 m2

Niveau 3 482 x 1020 511 078 200 m x 200 m 64 m2

Niveau 4 241 x 510 129 598 400 m x 400 m 256 m2

Niveau 5 120 x 255 31 678 800 m x 800 m 1024 m2

Tableau 1. Taille et résolution de l’image originale à différents niveaux de la pyramide de

multirésolution.

Niveau Aire Nombre de Longueur Longueur Longueur Différence

pyramidal normalisée pixels de la minimale de maximale de moyenne de relative par

d’une cellule ligne de la ligne la ligne la ligne rapport au

de résolution rivage niveau 1

Niveau 1 4 m2 10 178 508.90 km 719.60 km 614.25 km 0%

Niveau 2 16 m2 4 657 465.70 km 658.50 km 562.10 km -8.50%

Niveau 3 64 m2 2 170 434.00 km 613.70 km 523.85 km -14.70%

Niveau 4 256 m2 1 056 422.40 km 597.30 km 509.85 km -17.00%

Niveau 5 1024 m2 496 396.80 km 561.00 km 478.90 km -22.00%

Tableau 2. Comparaison des longueurs de ligne de rivage trouvées pour les images des

niveaux 1, 2, 3, 4 et 5 de la pyramide de multirésolution.

 25

Niveau Aire Nombre de Longueur Longueur Longueur Différence

pyramidal normalisée pixels de la minimale de maximale de moyenne de relative par

d’une cellule ligne de la ligne la ligne la ligne rapport au

de résolution rivage niveau 1

Niveau 1 4 m2 8 467 423.35 km 598.60 km 511.00 km 0%

Niveau 2 16 m2 3 875 387.50 km 547.90 km 467.70 km -8.50%

Niveau 3 64 m2 1 805 361.00 km 510.50 km 435.75 km -14.70%

Niveau 4 256 m2 879 351.60 km 497.20 km 424.40 km -17.00%

Niveau 5 1024 m2 412 329.60 km 466.00 km 397.80 km -22.00%

Tableau 3. Comparaison des longueurs de ligne de rivage en tenant compte des embouchures

des fleuves, pour les niveaux 1, 2, 3, 4 et 5 de la pyramide de multirésolution.

Cas considéré Equation de la courbe de Estimation de la longueur de la ligne de rivage

tendance pour les pour le niveau 0 de la pyramide de

longueurs moyennes multirésolution

(Figures 12 et 13) Minimum Maximum Moyenne Valeur

Terrain

Ligne de rivage sans prise en

compte des embouchures des . Ln ( x) + 634.68

y = −23296 525.80 km 743.55 km 634.68 km 559 km

fleuves

Ligne de rivage avec prise en

compte des embouchures des y = −19.455 Ln( x) + 52824

. 437.70 km 618.80 km 528.24 km 525.50 km

fleuves

Tableau 4. Estimation de la longueur de la ligne de rivage pour l’image du niveau 0 (base) de

la pyramide de multirésolution.
 26

700
Longueur moyenne de la ligne de rivage (km)

600

500

y = -23,296Ln(x) + 634,68
400

300

200

100

0
0 200 400 600 800 1000 1200
Aire normalisée de la cellule de résolution pyramidale (m x m)

Figure 13. Représentation graphique des longueurs moyennes de lignes de rivage en fonction

des différents niveaux de la pyramide, et courbe de tendance.

600
Longueur moyenne de la ligne de rivage (km)

500

400
y = -19,455Ln(x) + 528,24

300

200

100

0
0 200 400 600 800 1000 1200
Aire normalisée de la cellule de résolution pyramidale (m x m)

Figure 14. Représentation graphique des longueurs moyennes de lignes de rivage avec prise

en compte des embouchures des fleuves, et courbe de tendance.

 27

Conclusion

Le but de cette étude consistait à évaluer la longueur d’une ligne de rivage de grande taille à

l’aide de la réduction pyramidale par la multirésolution hiérarchique. Les résultats obtenus

sont conformes à la réalité de terrain et montrent l’utilité de la multirésolution hiérarchique

pour des images RSO de très grande taille, et pour lesquelles les ordinateurs usuels ne sont

pas efficaces, à cause des limites de leurs performances. Il a été possible, grâce à la détection

des contours et à la morphologie mathématique, d’extraire des lignes de rivage sur une zone

complexe où le contact terre-mer est souvent sujet à de nombreuses perturbations. La

méthodologie présentée permet d’obtenir une bonne indication des longueurs de rivage et elle

est alors notamment utile au suivi de la dynamique de l’érosion côtière et de la pollution par

nappes d’hydrocarbures.

Cette étude a aussi permis d’apprécier la dégradation introduite par la multirésolution

hiérarchique lors du traitement d’une image RSO. On a observé que la dégradation des

résultats devient importante quand on s’éloigne de l’image de la base de la pyramide, qui est

en fait l’image originale. La même étude peut être appliquée pour toute autre méthode de

réduction pyramidale utilisée. Nous prévoyons appliquer cette étude sur une image de la

même région, acquise beaucoup plus récemment, dans le but de détecter un éventuel recul ou

un avancement de la ligne de rivage sur la côte atlantique camerounaise.

 28

Références

Akono, A. (1994). Approche Orientée Objet et Pyramidale pour le Recalage des Images

Multisource de Télédétection. Thèse de Doctorat en Sciences de l’Ingénieur, Ecole Nationale

Supérieure Polytechnique de Yaoundé, 173 p.

Burt, P.J. (1981). Fast filter transforms for image processing. Computer Graphics and Image

Processing, vol. 16, pp. 20 – 51.

Collorec, R. (1995). Images numériques – Segmentation. LTSI Campus de Beaulieu,

Université de Rennes I, France.

Descombes, X., Moctezuma, M., Maître, H. and Rudant, J.-P. (1996). Coastline detection by a

Markovian Segmentation on SAR images. Signal Processing, vol. 55, pp. 123-132.

Jolion, J.M. and Rosenfeld, A. (1994). A pyramid framework for early vision.

Multiresolutional Computer Vision. Kluwer Academic Publishers.

Meer, P., Baugher, S. and Rosenfeld, A. (1987). Optimal image pyramid generating kernels.

IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 9, pp. 512 – 522.

Robin, M. (1990). Cinématique d’un littoral par squelettisation de formes. Photo-

interprétation, n° 90-2, p. 65-70.

 29

Rudant, J.P., Baltzer, F., Tupin, F. and Tonyé, E. (1997). Distinction entre formations

végétales littorales et continentales dans leur rapport avec la géomorphologie : intérêt des

images ERS-1. Symposium ERS-1, Florence, 14-21 mars 1997, Publications ESA, p. 1069-

1073.

Serra, J. (1982). Image analysis and mathematical morphology. Academic Press, London, 628

p.

Tonyé, E., Akono, A. et Ndi Nyoungui, A., (2000). Le Traitement des images de télédétection

par l’exemple. Gordon and Breach Science Publishers, ISSN 1026-8677, ISBN 90-5699-330-

5, Paris, 179 p.

Tonye, E., Akono, A., Tricot, P. et Awono, O. (1994) La didactique de l’image. International

Journal of Remote Sensing, vol. 15, n° 10, p. 1957-1980.

Toumazet, J.J. (1990). Traitement de l’image par l’exemple. Editions Sybex.

Verger, F. (1996). La télédétection des domaines littoraux. Chap. 9, in Bonn, F. (réd.) Précis

de télédétection, Volume 2, Applications thématiques. Presses de l’Université du Québec /

AUPELF, Sainte-Foy, p. 325-337.

 30

Remerciements

Ce travail a bénéficié du soutien financier des organismes suivants :

- l’Agence Universitaire de la Francophonie (AUF) à travers le projet d’Action de Recherche

Partagée (ARP) #1.10.04.01.1/00.26.1.

- l’Agence Spatiale Européenne (ESA) à travers la fourniture d’images radar à synthèse

d’ouverture ERS, dans le cadre du projet AO3-402.

Nous les en remercions. Nous remercions également les professeurs Jean-Paul Rudant de

l’Université de Marne-La-Vallée (France), Goze Bertin Bénié et Jean-Marie Dubois de

l’Université de Sherbrooke (Canada), et le docteur André Ndi Nyoungui de l’Université de

Ngaoundéré, pour leur coopération à nos projets.