SETIT 2005

3rd International Conference: Sciences of Electronic,

Technologies of Information and Telecommunications
March 27-31, 2005 – TUNISIA

Analyse Intelligente d’une Séquence d’Images

Satellitales pour le Suivi des Masses Nuageuses
K. Saheb Ettabaâ, I. R. Farah et M. B. Ahmed

Laboratoire de Recherche en Informatique Arabisée et Documentique Intégrée (R.I.AD.I),

Ecole Nationale des Sciences de l’Informatique.
Campus Universitaire de Manouba, 2010 Manouba, Tunis, Tunisie
Téléphone : 216 71 600 444, Télécopieur : 216 71 600 449

karim.sahebettabaa@riadi.rnu.tn
riadh.farah@ensi.rnu.tn
mohamed.benahmed@riadi.rnu.tn

Résumé: Le traitement d’images satellitales représentant des scènes naturelles introduit un volume très important
d’informations et exige une élaboration substantielle à tous les niveaux : Pré-traitement, Segmentation, Reconnaissance
et Interprétation. La prise en compte de toutes ces phases influe indéniablement sur la qualité des tâches de traitement et
sur le temps d’exécution. Or, la qualité et le temps sont souvent les seuls critères retenus par les applications,
notamment en temps réel. Dans ce papier, nous proposons une approche multi-agents basée sur le concept du traitement
parallèle pour l’analyse et la détection de changements sur une séquence d’images satellitales. Chaque agent possède
une compétence particulière et un sous-ensemble des connaissances du domaine qu'il utilise pour résoudre une partie du
problème global. Nous avons validé notre approche sur une séquence d’images satellitales METEOSAT acquises le 23
mai 1993 et traduisant le mouvement du cyclone Emily. Les résultats obtenus permettront d’analyser et de détecter les
changements issues de ces images possédant une dynamique suffisante pour l'observation des phénomènes
météorologiques telles que l'évolution des structures nuageuses. Il est donc tout a fait raisonnable d'utiliser ces données
pour estimer et prévoir le mouvement des masses nuageuses observées.
Mots clés : Analyse et détection de changements, séquence d’images satellitales, système multi-agents, traitement
d’images.
Le travail d'interprétation est complexe lors de
l'analyse des changements à partir d'une série d'images
1. Introduction espacées dans le temps, puisqu'il est nécessaire de
L'observation de la Terre à l'aide des satellites tenir compte de la nature du changement et de la
est aujourd'hui devenue indispensable aux résolution des contraintes inhérentes aux images et
météorologistes. Les satellites météo sont équipés de nécessaire à la comparaison de celles-ci. Comme tout
radiomètres qui permettent la mesure des radiations domaine faisant appel au savoir- faire et aux
émisent par la terre sur différents canaux comme le connaissances expertes, l'IA peut contribuer à la
visible et l’infra-rouge. Les données infrarouges résolution de ce problème et de nombreux travaux ont
mesurent des températures. Ces informations seront déjà été développés pour l'analyse d'images en
utiles pour les prévisions à courte échéance, pour le général.
suivi de masses nuageuses ou de phénomènes
localisés. Elles sont aussi utilisées pour alimenter les Dans ce papier nous présentons une approche
modèles de prévision à plusieurs jours d'échéance. semi-automatique pour l’analyse et la détection de
L'interprétation automatique de ces images est un changements sur une séquence d’images satellitales
problème difficile qui ne peut être simplement résolu basée sur un concept multi-agents. L'élément essentiel
par la seule performance des machines. Si de de notre approche est d’accélérer le traitement des
nombreux outils de traitements d'images ont simplifié tâches d'analyse d’images en exploitant le
l'extraction d'informations, le photo-interprète reste parallélisme.
encore, par son expérience des images et du type
d'application, seul juge pour l’enchaînement des De nos jours, les applications de traitement
traitements et l'évaluation de la qualité des résultats. d’images augmentent en complexité demandant de ce
fait des capacités de calcul toujours plus importantes.
SETIT2005
Cet aspect s'avère encore plus crucial, voire critique,
lorsque des contraintes temps réel sont imposées sur
l'exécution de l'application étudiée. Dès lors, une
solution se matérialise qui consiste à implanter ces
algorithmes sur des architectures permettant le
parallélisme des traitements. Le principal point fort de
ces architectures réside dans le partitionnement des
tâches d'une application [Luckenhaus & al, 1998].
2. Systèmes intelligents pour
l’interprétation d’images
Les systèmes intelligents en interprétation
d'images ont connu un essor considérable à la fin des
années 1980 et au début des années 1990. Différents
critères tels que la représentation des connaissances
[Hudelot03], la gestion des informations, le type de
contrôle ou le type d'approche permettraient une
caractérisation topologique de ces systèmes
[Boucher98]. Deux grandes tendances se dégagent :
les systèmes experts et les systèmes multi-agents.
2.1. Systèmes experts
La structuration des connaissances en trois
niveaux est particulièrement explicite dans SIGMA
[Matsuyama85], un système d'interprétation d'images
aériennes dont la nouveauté a été de prédire, à partir
des connaissances du contexte, l'aspect des objets
attendus qui sont difficiles à analyser lors d'une
première segmentation de l'image. D'autres approches
se distinguent fondamentalement de ce système
expert à qui incombent la totalité du processus de
classification. Deux systèmes d'interprétation
d'images: ICARE [Desachy91] et KIBS [Wu et al.88]
qui proposent une représentation des connaissances
exogènes assez différentes mais dont les principes se
rapprochent. Les particularités de leurs objectifs par
rapport aux systèmes experts traditionnellement
utilisés sont résumées par les deux points suivants :
- Les connaissances du domaines sont exploitées dans
le but de compléter ou de corriger une première
classification appelée pré-classification.
- Le maximum d'information est conservé jusqu'à
la prise de décision finale.
2.2. Systèmes multi-agents
L'approche multi-agent est employée pour
résoudre des problèmes pour lesquels des agents
autonomes (sans que l'utilisateur ait besoin
d'intervenir) et décentralisés (l'expertise, les données
et le contrôle sont distribués) interagissent. Les
approches de type système multi-agent [Dalle & al,
2000] [Torino & al, 2003], employées pour
l'interprétation d'images, partent du constat que le
travail du photo-interprète est décomposé en une
succession d'étapes exploitant des connaissances de
différents types. Chaque agent possède une
compétence particulière et un sous-ensemble des
connaissances du domaine qu'il utilise pour résoudre
une partie du problème global. Deux types
d'approches peuvent être distinguées selon le mode de
communication entre les agents. Dans la première, les
agents partagent les informations dans un tableau noir.
C'est l'optique choisie par les systèmes AEROSOL
[Le ber93] et MESSIE [Sandakly95] consacrés
respectivement à l'interprétation de paysage agricole et
à la reconnaissance de scène. Dans la seconde
approche, les agents communiquent directement les
uns avec les autres afin de développer le
comportement le plus adapté à l'environnement étudié.
Le système présenté s'intéresse à l'interprétation et à la
segmentation d'images de cellules vivantes.
2.3. Etude comparative des différentes
approches
Afin de cerner les caractéristiques des différents
systèmes représentatifs de l’état de l’art, nous avons
réalisé une étude comparative selon des critères jugés
pertinents tels que leurs type de données, leurs
approches, leurs stratégies, leurs domaine
d’application et l’aspect ou le suivi temporel.
Cette étude, nous a permis de dégager les résultats
suivants : la plupart des systèmes nécessitent une
importante acquisition de connaissances, bien que
l’introduction des ces derniers sur le domaine ou sur
le contexte de l’image permet d’améliorer et de
compléter la classification. En effet, la série
temporelle est peu exploité pour traiter et prédire
l’évolution temporelle des objets. Cependant les
approches multi-agent tels que Aerosol, Messie ainsi
que les approches D’Alain Boucher et celles issues du
projet Vista, semblent très intéressantes du moment où
elles sont employées pour résoudre des problèmes
alignant la décentralisation des données et la
distribution du contrôle sans recours à l’intervention
de l'utilisateur. Ces approches, employées pour
l'interprétation d'images, partent du constat que le
travail du photo-interprète est décomposé en une
succession d'étapes exploitant des connaissances de
différents types. Chaque agent possède une
compétence particulière et un sous-ensemble des
connaissances du domaine qu'il utilise pour résoudre
une partie du problème. Ainsi elles contribuent à la
réduction du problème global.
3. Approche Proposée
Les justifications du choix d’une architecture
distribuée au sein de notre système sont nombreuses,
elles s’articulent d’abord autour d’un souci
d’intégration, de coopération et de coordination.
3.1. L’intégration
Notre approche est régie par un besoin de
traitement temps réel d’un volume assez important
d’informations issues de la séquence d’images en
question. Cependant un besoin de d’intégration, de
flexibilité, de robustesse et de distribution s’avère une
nécessité afin de préserver la modularité et l’ouverture
tout en agrandissant la capacité et d’améliorer ou
SETIT2005

d’ajouter des nouveaux agents, sans dégrader la

performance du reste du système.

4.2. La coopération

L’architecture logicielle de notre système doit Séquence d’images

permettre une mise en œuvre naturelle et efficace de
mécanisme de coopération entre les agents.
L’identification de ces articulations dans lesquelles
intervient une coopération entre agents permet de Base de Connaissances
définir l’organisation structurant les rôles des
différents agents. Il est donc nécessaire de dégager la
nature des différentes coopérations pour intervenir,
afin de trouver une architecture adaptée à leur mise en Moteur multi-agents
œuvre. Trois types de coopérations se
présentent suivant le type de coopération à savoir la Planification Exécution
coopération confrontive, la coopération augmentive, la
coopération intégrative.

4.3. La coordination Correction Evaluation

Lorsque des agents ont décidé de coopérer

(coopération intentionnelle), la coordination vise à
organise l'activité des agents. Cette étape correspond Base de Modèles Base d’opérateurs
au contrôle social ou collectif du système. On procède
en deux étapes : le choix d'un plan d'exécution
centralisé ou distribué, puis le suivi par
synchronisation des agents de ce plan. Cette
Requête utilisateur Interface Expert
coordination peut prendre essentiellement deux
formes: la coordination centralisée et la coordination
distribuée.

Le système que nous proposons[Saheb Ettabaâ et Sortie

al.04], permet de manipuler des opérateurs traitant des
algorithmes de bas niveau tels que des calculs Figure 1. Arcitecture Multi-Agent
d’histogramme, des seuillages des chaînages et des
traitements de haut niveau d’abstraction tels que la L’architecture ainsi proposé est constiruée d’agents,
détection d’objets et le suivi. Ce système est un moteur multi-agents, une base de connaissance
également prévu pour s’intégrer à d’autres systèmes [Marini & al, 1996], une base de modèles et une base
de vision. Une autre de ses caractéristiques est qu’il d’opérateurs.
permet l’utilisation de plusieurs bibliothèques dans un
seul système même si celles-ci sont codées dans des 5.1 Les agents
langages de programmation différents. Nous avons Chaque agent (Figure2) est associé à un opérateur
mis l’accent sur l’automatisation du traitement localisé dans la base de l'opérateur et fourni par le
d’images c’est à dire nous avons fourni des moteur multi-agent.
mécanismes permettant l’évaluation des résultats ainsi
que l’ajustement des valeurs de paramètres de façon Le modèle d’agent [Torino & al, 2003]est défini
automatique Nous avons toutefois laissé la possibilité par une classe générique encapsulant des mécanismes
de faire appel à l’utilisateur dans le cas où l’expert ne de communications afin d’autoriser les échanges
sait pas exprimer les critères de jugement. d’informations au sein d’une population. Le protocole
de communication est basé sur l’échange de
5. Architecture du système proposé messages[Valk & al,2002]. Dans la conception du
système tout agent hérite de ce modèle générique
Le principal objectif de notre Système Multi- incluant les mécanismes de communication.
Agent est de lier, combiner et contrôler les opérateurs
se trouvant dans une base d’opérateurs noté : BO.
Chaque opérateur remplit une fonction de traitement
d'images dans différents niveaux de complexité
(Figure1) et d’abstraction. Chaque agent encapsule un
opérateur de traitement ou d’analyse comme
l’identification, la segmentation, la classification,
effectuer des mesures, etc.,.
SETIT2005

5.3. Base de connaissance

La base de connaissance [Blosh & al, 1994] est
Agent interface Agent interface Agent interface
constituée de différentes entités structurées et
(Requête 1) (Requête i) (Requête n)
interconnectées :
But : but 1 But : but i But : but n
Données : Données : Données : 5.3.1. But : un but représente une fonctionnalité de
Contraintes : … Contraintes : … Contraintes : … traitement d’image. Celle ci pourra être fournie par un
algorithme ou un traitement complexe. Par exemple :
calculer histogramme, comptage d’objets, etc.
Agent(But 1) Agent(But i) Agent(But n)
5.3.2. Opérateur : un opérateur contient une
Données entrées : Données entrées : Données entrées : connaissance spécifique pour résoudre un but donné.
Données sortie : Données sortie : Données sortie : Par exemple, l’opérateur histogramme pourra décrire
paramètres : … paramètres : … paramètres : … un programme et l’opérateur compter-objets sera un
Règles de choix Règles de choix Règles de choix enchaînement de différents traitements.

Règles Règles Règles 5.3.3. Contexte : Le contexte fournit une description

d’évaluation d’évaluation d’évaluation
symbolique concernant l’image, telle que les
conditions d’acquisition, le domaine d’application et
même des informations sémantique sur le contenu de
Contexte la scène.

5.3.4. Règles de choix : elles contiennent les

Agent1 Agent1 Agent1
connaissances pour un but donné, de choisir
(Opérateur 1) (Opérateur i) (Opérateur n)
l’opérateur approprié au cas particulier de données
parmi tous les opérateurs sachant résoudre le
Données entrées : Données entrées : Données entrées : problème. Leurs prémisses [Farah & al, 2002] testent
Données sortie : Données sortie : Données sortie : les valeurs des arguments d’entrée de la requête te la
paramètres : … paramètres : … paramètres : … valeur du champs du contexte. Leurs actions
Syntaxe : Syntaxe : Syntaxe : choisissent certains opérateurs et /ou refusent d’autres.
opérateur 1 opérateur i opérateur n Les deux prédicats spécifiques de ces actions sont :
Règles Règles Règles utiliser-opérateur et refuser opérateur. Tout opérateur
d’initialisation d’initialisation d’initialisation auquel on aura appliqué le prédicat refuser-opérateur
Règles Règles Règles sera définitivement éliminé(Figure3).
d’ajustement d’ajustement d’ajustement
-Si détection de changements alors utiliser
Figure 2. Model d’Agent agent(classificateur) et agent(filtre1) et
5.2. Moteur Muli-Agents agent(detection_changement).
A l’aide d’une méthode de planification
hiérarchique, le moteur choisit entre ces différents - Si sites d’apprentissage validés alors utiliser
opérateurs(traitements) et décide de l’ordre agent (classification supervisée).
d’exécution de ces opérateurs pour atteindre un certain
but dans un contexte défini. Le résultat dépend du - Si classification non supervisée alors utiliser
contexte, du but donné et du cas particulier à traiter. agent(kmeans) ou agent(Fcm) ou agent(Isodata)
Le moteur construit un plan sous forme
d’opérateurs à appliquer, il choisit à tout moment le Figure3. : Exemples de règles de choix.
meilleur opérateur (selon les règles de choix de
l’expert), il initialise les paramètres (à l’aide de régles 5.3.5 Règles d’évaluation : elles permettent de juger
d’initialisation), vérifie les résultat et, si besoin, ajuste le résultat obtenu par les opérateurs exécutés
les paramètres (à l’aide de règles d’évaluation et précédemment. Elles contiennent les connaissances
d’ajustement). Il peut abandonner un opérateur qui a [Farah, 2002] pour évaluer les résultats de l’exécution
échoué pour essayer un autre. Le travail du moteur d’une requête(Figure4).
peut se décomposer en quatre phases : planification,
exécution, évaluation des résultats et réparation.
Si (valeur ‘V2’) =0 alors (détection ambiguë)
La planification construit un ou une partie du
plan, l’exécution exécute ce plan en faisant appel à des
Si (valeur ‘V3’) =0 alors (echec)
opérateurs de la base d’opérateurs et produit des
résultats, ces résultats sont transmis à l’évaluation, qui
retourne un jugement. Si le jugement est positif, la
planification peut continuer. Si des erreurs ont été Figure4. : Exemples de règles d’évaluation.
détectés , la réparation décide des actions de
correction appropriés. 5.4 Base de modèles
Cette base de modèle contient les différents modèles
SETIT2005

d’objets instanciès. Elle trouve joue un rôle important
dans la reconnaissance des ces objets.
6. Implémentation
atteint à deux reprises l'intensité d'un ouragan. Pendant
un certain temps, elle a été classifiée ouragan de
catégorie 3 sur l'échelle de Saffir/Simpson. Emily s'est
accompagnée de vents d'une vitesse maximale de 185
kilomètres à l'heure (100 nœuds).

Le système multi-agent [Saheb Ettabaa & al, 2004]

implanté (Figure5) associe chaque agent à un
opérateur fourni par la base d’opérateurs et mentionné
par le moteur multi-agent. Le système a comme
entrée : les images satellitales Infrarouges (Figure 6).
Les premiers agents, sont des agents de classification
utilisant un classificateur non supervisé. Chaque agent
utilise les connaissances spécifiées dans la base de
connaissance pour réaliser son but. Un agent de
supervision contrôle le bon déroulement de la
classification ainsi que les images résultats obtenus
(Figure 7). Les images ainsi classifiées et contrôlées Figure 6 : Séquence d’images du cyclone Emily
seront desservi à un agent de détection de issues du satellite Météosat
changements comme entrées. Suite à cette séquence
d’images, les images résultats seront obtenus (Figure
8-9-10).
Images Satellitales
METEOSAT(Canal
Image t1 Infrarouge)
Image t2

……… Image tn

Figure 7 : Séquence d’images segmentés

SMA Classifiée par l’agent(classificateur Kmeans)

Agent Classificateur

BO BM BC

Agent Evaluation

Ict1
Ict1 Ict2 Ictn

Figure 8 : Suivi du cyclone dans la séquence

Agent Détection de Changement d’images par filtre de Kalman

Ir D3(t3,t4) D2(t2,t3)
D5(t5,t6)

Figure 5. Système multi-agents pour la détection des

changements. D4(t4,t5) D1(t1,t2)

Notre validation porte sur le suivi du cyclone

Emily sur une séquence d’images satellitales issue de Di(tj,tj+1) déplacement i durant tj et tj+1
Meteosat. Dépression tropicale le 22 août 1993, Emily
(Figure4.15) est devenue, le 25, une tempête tropicale. Figure 9 : Déplacement du cyclone
C'est une tempête qui, du 22 août au 6 septembre, a élaboré par l’agent(Filtre de Kalman)
SETIT2005
Figure 10 : Suivi du déplacement du cyclone
élaboré par l’agent(flot optique)
7. CONCLUSION
Le travail d'interprétation est complexe lors de
l'analyse des changements à partir d'une série d'images
satellitales espacées dans le temps, puisqu'il est
nécessaire de tenir compte de la nature du changement
et de la résolution des contraintes inhérentes aux
images et nécessaires à la comparaison de celles-ci.
Comme tout domaine faisant appel au savoir- faire et
aux connaissances expertes, les systèmes multi-agent
contribuent à la résolution de ce problème.
Par le biais du suivi des masses nuageuses, notre
système s’adapte en alignant une chaîne de traitement
issue des connaissances introduites dans une même
base. Cette chaîne de traitement consiste à configurer
l’utilisation des opérateurs les mieux adéquats en
fonction du contexte. Cette configuration résulte de
l’auto organisation composée par des populations
d’agents, associés à des opérateurs ayant une attitude
sociale et coopérative. Ce système s’organise et se
stabilise suite aux réactions survenues sur leurs
environnements.
Références
[Boucher, 1999] “ Une approche décentralisée et adaptative
de la gestion d’informations en vision ” , Thèse de Doctorat
en Informatique, Université Joseph Fourier, France, 18
janvier 1999, pp. 68-102.
[Boucher & al, 1998] “ Des agents spécialisés pour la
compréhension de séquences d'images”. 10éme Congrés
Reconnaissance des Formes et Intelligence Artificielle, pp.
275-284. Clermont-Ferrand, Janvier 1998.
[Bloch & al, 1994] “Fusion de données en traitement
d'images: modèles d'information et décisions”, Traitement
du Signal, Vol 11, n°6., 1994.
[Dalle & al, 2000] “Agents de Médiation pour la Conception
de Systèmes de Traitement d’images”, Colloque ALCAA
(Agents Logiciels, Coopération, Apprentissage & Activité
humaine), Biarritz, France, 6-8 octobre 2000, pp. 08-20.
[Farah & al, 2002] “Satellite image analysis based on the
method of Blind separation of sources for the extraction of
information”, The 2002 IEEE International Geoscience and
Remote Sensing Symposium and the 24 th Canadian
Symposium on Remote Sensing, Toronto,Canada. June 24-
28, 2002, pp. 919-921.
[Farah & al, 2002] “Multispectral satellite image analysis
based on the method of blind separation and fusion of
sources”, IGARSS 2003, The 2003 IEEE International
Geoscience and Remote Sensing Symposium, Toulouse,
France, July 23-27, 2002, pp. 36-38.
[Le Ber, 1995] “A Prototype Model-Based Expert System
for Agricultural Landscape Analysis”. AI Applications, pp.
91-101. 1995.
[Le Ber & al, 2000] “ Un système de reconnaissance
d'organisations spatiales agricoles sur images satellitaires”,
in proceedings of international Conference RFIA'2000.
Paris, janvier 2000.
[Luckenhaus & al, 1997] “A mulit-agent based system for
parrallel image processing”, in proceedings of international
Conference on Parrallel and Distributed Methods for Image
Processing at SPIE, july 1997, pp21-30.
[Luckenhaus, 1998] “A multi_agent system for parallelizing
image analysis tasks”, in Proceedings of the International
Conference on Intelligent Autonomous Systems5
(IAS5),Y.Kakazu, M.Wada and T.Sato, (Sapporo, Japan), Jun
1998, pp. 579-589.
[Marini & al, 1996] “A knowledge-based system for the
computation of land cover mixing and the classification of
multi-spectral imagery”, in proceedings of International
Journal of remote Sensing, 1996.
[Nuzillard & al, 2000] “Blind source separation and analysis
of multispectral astronomical images”, Astronomy and
Astrophysics, Supp. Ser. 147, 2000, pp. 1-10.
[Papin, 1999] Analyse spatio-temporelle d'images
satellitaires météorologiques : détection et suivi de structures
nuageuses critiques, Thèse, Université de Rennes 1, Irisa, no
2299, décembre 1999.
[Sandakly & al, 1995] “Contribution à la mise en oeuvre
d'une architecture à base de connaissances pour
l'interprétation de scènes 2D et 3D”. Thése de PhD,
Université de Nice Sophia Antipolis, 1995.
[Saheb Ettabaa & al, 2004] “Mulit-agent system for
detecting changes on satellite image sequence”.
International Conference on Industrial Technologies,
Hammamet, December 2004, IEEE Catalogue
Number: 04TH8771c.
[Tonino & al, 2003] “Plan Coordination by Revision in
Collective Agent Based Systems”, Artificial Intelligence,
142/2, Elsevier, Amsterdam, 2003, pp. 121-145.
[Valk & al, 2002] “Multi-agent Coordination in planning”,
in: M. Ishizuka, A. Sattar (eds), Trends in Artificial
Intelligence, LNAI 2427, Springer, 2002, pp. 335-344.
[Vincent & al, 1994] “Learning as a means to refine a
knowledge based system”, in proceeding of the Third
Japanese Knowledge Acquisition for Knowledge-based
Systems Workshop, Hatoyana, Japan, novembre 1994.