1 les problèmes de traitement dimages en télédétection dr. nicholas m. short remote sensing is
TRANSCRIPT
1
les problèmes de traitement d’images en télédétection
http://www.fas.org/irp/imint/docs/rst/Front/overview.html
DR. NICHOLAS M. SHORT
REMOTE SENSING is the BACKBONE of the SPACE PROGRAM
2
remote sensing
télédétection
http://rst.gsfc.nasa.gov/Intro/Part2_4.html
3http://rst.gsfc.nasa.gov/Intro/Part2_4.html
4http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf
utilisation des informations dans différentes bandes de fréquences
5
6
http://rst.gsfc.nasa.gov/Intro/Part2_4.html
views of the nearby Crab Nebula, which is now in a state of chaotic expansion after a supernova explosion first sighted in 1054 A.D. by Chinese astronomers).
high energy x-ray region visual image
long wavelength radio telescope image
infrared region
8
Gaspard-Félix Tournachon, dit Nadar, 1820-1910
le précurseur dela photo aérienne ...
9
http://earth.esa.int/landtraining07/D2L4-Caetano.pdf
10
11
12
13
14
15
16
signaux aléatoires bidimensionnels
les définitions et les propriétés fondamentales sont des extensions directesde celles qui sont données en traitement du signal monodimensionnel
moyenne, variancecorrélation, densité spectralebruit blancstationnarité (locale)filtrage des signaux aléatoires
17
signaux aléatoires bidimensionnels
moyenne
variance, écart type dispersion autour de la moyenne
corrélation
densité spectrale
m = E(x)
E(x-m)2
histogramme, densité de probabilité
extensions des notions 1D
histogramme image
histogramme de la dérivéede l’image
18
La fonction d’autocorrélation
Filtrage linéaire des signaux aléatoires bidimensionnels
f(x,y)h(x,y)
g(x,y)
a pour transformée de Fourier la densité spectrale
Bruit blanc 2D
r(m,n)=2(m,n) (Impulsion à l’origine)
Densité spectrale constante 2
autocorrélation
19
bb 20 128
Bruit blanc
r(m,n)=2(m,n)
(Impulsion à l’origine)
Densité spectrale constante 2 autocorrélation
r B 2
Ici une seule réalisation :Fluctuations autourDe la valeur moyenne
20
med med2
MEDE MEDE2
analyse spectrale des différentesrégions (importance relative deshautes et des basses fréquences,direction privilégiée,
est ce que le spectred’un nouveau médaillonressemble plus à l’undes différents spectres « appris » pour chaque région ?
plus de basses fréquences
plus de hautes fréquences
est ce que le spectredu nouveau médaillon ressemble au spectredes médaillons voisins ?
21
classification grâce à une analyse spectrale plus fine
est ce qu’on trouve des pics significatifs dansla transformée de Fourier de l’image ?
Indication de directions privilégiées et de fluctuations assez périodiques dansces directions privilégiées(interprétation de la transformée de Fourieren termes de sinusoïdes)
22
analysefréquentiellebidimensionnelle
les composantes fréquentielles les plus énergétiques
23
un des problèmes couramment rencontrés : décomposer l’image en régions assez homogènes séparées par des contours
24
télédétection
caractériserles régions
séparer l’imageen régionschampsroutesbatiments
25
nearest neighbourmaximum likelyhood (gaussian)
26
in some sense, nearly all of the high-dimensional space is "far away" from the centre, or, to put it another way, the high-dimensional unit space can be said to consist almost entirely of the "corners" of the hypercube, with almost no "middle". (This is an important intuition for understanding the chi-squared distribution.)
Hughes phenomenon
27
How different the results from different classifiers can be?
Maximum likelihood Artificial Neural Networks Decision tree
28
mise en œuvre élémentaire des champs de markov(ici pour décomposer une image en régions)
http://www.tsi.enst.fr/tsi/enseignement/ressources/mti/markov/index.html
Rôle des champs de Markov pour régulariser une classification par k-means Martin DE LA GORCE - Mohamed TRIGUI Décembre 2004
principe : (issu des simulations en physique)
l’affectation d’un pixel à une région est influencée parl’affectation des pixels voisins
une approche fondée sur les probabilités (rechercheau hasard, avec des itérations
29
affecter un numéro de classe i à chaque échantillon au hasard
calculer la moyenne sur les valeurs des échantillons
(centre ci) de chacune des classes
chaque échantillon (x,y) a une valeur f (x,y)
pour chaque échantillon, affecter maintenant
le numéro de la classe dont le centre ci
est le plus proche de cet échantillon ;
réitérer ce processus jusqu’à stabilisation
initialisation
première classification par les k-means
boucle
test d’arrêt
la distance de chaque échantillon à chacun des centres de classe ci est calculée
d (x,y, ci)
30
il faut essayer d’améliorer ce résultat qui ne tient pas compte dufait qu’un pixel doit appartenir à la même classe que ses voisins
31
chaque pixel a une probabilité d’appartenir à une classe
on commence par assigner aléatoirement la classe à laquelle appartient le pixelen fonction de cette probabilité
),,( iyxp
1/6
1/3
1/2
géné
ratio
n
d’une
valeu
r aléa
toire
équir
épar
tie
1 2 3
probad’appartenance
classe
0
1
1/6
1/3+1/6=1/2
1/2+1/2=1
assignationà une classeen fonction durésultat du tirage
1
2
3
champs de markov
au départ, cette probabilité est fonction de la distance au centre de la classe(la somme sur l’indice i des probabilités doit valoir 1)
0 50 100 150 200 2500
1
2
p1x
p2x
p3x
x
Probabilité initiale d'appartenance à une classe fonction de la distance au centre de la classe
Champs de Markov (plus élaboré et plus souple que la morphologie mathématiquemais sur des bases similaires : on souhaite qu’un pixel ait la plupart du temps les mêmes caractéristiques que ses voisins …)
0 50 100 150 200 2500
0.2
0.4
0.6
0.8
1
1.2
p1x
p1x p2x p3x
p2x
p1x p2x p3x
p3x
p1x p2x p3x
xprobabilité d'appartenance après normalisation
1. initialisation
33
0 50 100 150 200 2500
0.2
0.4
0.6
0.8
1
1.2
p1x
p1x p2x p3x
p2x
p1x p2x p3x
p3x
p1x p2x p3x
xprobabilité d'appartenance après normalisation
2. Modification de la probabilité d’appartenance(ou plutôt du degré de sûreté ou de confiance)
x
Si le pixel d’intensité x est bleu et la majorité de ses voisins aussi, la probabilitéd’appartenance à la classe « bleu » est augmentée (et par conséquent les autressont diminuées
3. Processus itératif : augmentation du facteur de correction (inverse de la« température ») de sorte que les probabilités se rapprochent de zéro ou de un
Analogue à un lissage (filtrage passe bas) suivi d’une décision de classement
34
on modifie la probabilité d’appartenance du pixel à chacune des classes : si un des voisins appartient à la classe i les voisins
(cas le plussimple) (x-1,y) (x+1,y)
(x,y+1)
(x,y-1)
(x,y)
T
iyxiyxiyxiyxcyxdgiyxp i ))1,()1,(),1(),1((),,(exp.),,(
distance de l’intensité du pixelau centre de la clase
facteur de pondération positif décroissantvers zéro en fonction du numéro d’itération(« température »)
termes de pénalisation liés à l’appartenance des voisins
signe négatif
facteur de normalisation
d’après la théorie il faut que les probabilités soient de la forme g.exp (u)
),,( iyxp
35
effectuer à nouveau un tirage aléatoire en réduisantlégèrement la « température » T
une fois que les probabilités ont été calculées (à un coefficient g près), il faut les normaliser (somme des probabilités égale à 1)
quand la température est très basse : une seuledes probabilités se rapproche de 1, car les autres probabilitéss’amenuisent (après la normalisation
j
jyxp
iyxpiyxp
),,(
),,(),,(
décroissance de T
les probabilités décroissentsauf la plus grande
36
rôle du coefficient
0.31
choix des voisins
4 8
37
réglage de la sensibilité
38
fonction Gibbs : calcule une réalisation de la loi de Gibbs
U(c) = energie_cliques
pour chaque classe c
pour chaque pixel
calcul de U(c) et de exp(-U(c)/T(proba de chacune des classes)
choix aléatoire d’une classe en fonction de ces probabilités
distance du pixel à la classe c
rajout de 1 à 4 termes beta si
yxyx
yxyx
yxyx
yxyx
cX
cX
cX
cX
,1,
,1,
,,1
,,1
Energy : calcul de l’énergie totale
SA : itérations température décroissante
nouvelle réalisation aléatoire Gibbsévaluation de l’énergie totale (vérification)
39
première approche
commencer par analyser l’histogramme de l’imagequi peut donner de bonnes indications surle nombre de classes, les seuils pertinents etc ...
évaluer si les méthodes sophistiquées proposéespar les chercheurs améliorent nettement les résultatsdans le cas du problème étudié ...
40
quelques problèmes de télédétection
comptage
41
lignes a( ) 161 cols a( ) 158x 1 lignes a( ) 2
y 1 cols a( ) 2
bx y a
x y ax 1 y a
x y ax y 1 a
x y ax y 1 a
x y ax 1 y a
x y 200
x y
bx y 799
a b 200
exemple élémentaire de télédétection
42
obse
rvat
ion
rens
eign
emen
t
43De l’importance du contexte dans l’interprétation d’une image
44
analyse de l’extension d’un feu de forêt
projet ariana inria
45
http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf
Introduction à laTélédétectionMichaël TONONIGN France International
paramètres de surfaceUtilisation du sol, végétation,état de surface ...structures linéaires visibles sur l’imageinfrastructures, réseau hydrographique ...
Les images detélédétectionsont une sourceimportante dedonnées pour lamise à jour dedonnéesgéographiques
46
Rouge (R) Proche Infra-Rouge (PIR)
nécessité de traiter un pixel comme un vecteur (chaque composanteest l’intensité dans une bande de fréquence, p.ex. image couleur RVB)
47
Principal Components Analysis
48
Compensation de la distorsionpour la mise en correspondance
l’image satellite est vue sous un angle variableil y a déformation
49http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf
(recherche de points caractéristiques)
mise en correspondance d’images (voir aussi stéréo vision)
50http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf
)..,..(),( ydxcybxafyxg
51
- Recherche des coordonnées de points caractéristiques (angles) - Appariement de ces points sur les deux images modèle (carte) et photo- Identification des paramètres de la transformation
(par exemple déformation quadratiques)
fxx y x y 0.1 y
20.01 fy
x y y x 0.02 x20.008 x y 0.005
5 0 5 10 15 20 25 305
0
5
10
15
20
25
fyx y
fxx y
.
52
5 0 5 10 15 20 25 305
0
5
10
15
20
25
fyx y
y
fxx y x 2
.
Régénérer une image : ré-échantillonnage ; interpolation
53
détection de batimentsréalisation d’une représentationtridimensionnelle (abscisse, ordonnéeet altitude)
interprétation de l’éclairageet des ombres (voir lescours de synthèse d’images)
si possible stéréovision
54
recherche de lignes p ex routes
transformée de Hough
+ variations rapides cf détection de contours+ tenir compte d’informations connues a priori
55
SUIVI DIACHRONIQUE PAR TÉLÉDÉTECTION SPATIALE DE LA COUVERTURE LIGNEUSE EN MILIEU DE SAVANE SOUDANIENNE EN CÔTE D’IVOIREMoussa KONÉ, Angora AMAN, Constant Yves ADOU YAO, Lacina COULIBALY etKouakou Édouard N’GUESSAN
RésuméLa région de Korhogo, au nord de la Côte d’Ivoire est caractérisée par une végétation savanicole de type soudanien. La forêt classée du mont Korhogo, située à proximité de la ville de Korhogo, est soumise à une forte pression anthropique. Dans cette étude, on vise à déterminer l’impact des actions de l’humain sur la transformation de la couverture ligneuse naturelle et cultivée entre 1986 et 2000. La méthode de classification dirigée à l’aide de l’algorithme du maximum de vraisemblance a permis de réaliser les cartes de la végétation à partir d’images TM (1986) et ETM+ (2000) de Landsat avec un taux de classification global respectif de 97 % et 98 %. De ces cartes, est extraite la couverture ligneuse. Ainsi, au niveau du site de la forêt classée du mont Korhogo, la couverture ligneuse a augmenté de près de 19 %. La couverture ligneuse dans les sites autour de la forêt classée s’est également accrue. Le plus fort taux (38 %), celui de la zone périurbaine, est dû aux cultures de l’anacarde, du manguier et du teck. L’introduction de la culture de ligneux dans la zone autour de la forêt classée a permis de la préserver des actions anthropiques néfastes. Ceci pourrait à long terme contribuer à la stabilisation du climat local.Mots-clés : déforestation, télédétection, couverture ligneuse, savane.
56http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf
Carte de la végétation a) En 2000 b) En 1986
57
http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf
Taches forestières numérisées à partir des cartes de la végétation de 1986 et de 2000
58
Philippe Mayaux, Valéry, Michel Massart, Michelle Pain-Orcet, Frédéric Achard
http://bft.cirad.fr/cd/BFT_277_45-52.pdf
Évolution du
couvert forestier
du bassin du Congo
mesurée par
télédétection
spatiale
BOIS ET FORÊTS DES TROPIQUES, 2003, N° 277
Exemple de déforestation observée dans la région de Géména (RD Congo), entre 1986 et 1994
59
Le traitement de l’image, réalisé par le Cirad-forêt et le laboratoire Geotrop du Ciradamis,permet de visualiser le tracé des pistes d’exploitation, en fonction de leur ancienneté
60
navigation d’un robot
importance des connaissances « a priori » sur l’environnement !très difficile de se baser uniquement sur la vision
http://ethesis.inp-toulouse.fr/archive/00000163/01/avina.pdf
61
Attention aux fausses interprétations !
http://tempetedudesert.com/reaidy_livre.pdf
(the ‘‘face’’ on mars)