Classification de couverts vgtaux

par analyse de textures couleurs

dimages satellites haute rsolution
Vegetation coverage classification
using texture analysis
on high resolution satellite images

Mohamed Abadi et Enguerran Grandchamp

Laboratoire GRIMAAG Universit Antilles Guyane Campus de Fouillole
97157 Pointe--Pitre Guadeloupe France
{mabadi|egrandch}@univ-ag.fr

Manuscrit reu le 17 novembre 2008

Rsum et mots cls

Cet article prsente une application de la tldtection pour la gestion des espaces forestiers des les des
Carabes. La problmatique gnrale est la protection des forts par le suivi de leurs frontires avec les zones
agricoles. Cette problmatique est particulirement sensible du fait du caractre insulaire des forts et
difficile du fait dune occupation htrogne du territoire. En effet, les parcelles agricoles sont de taille et
forme trs varies, rparties sur tout le territoire et souvent mles la vgtation. Le suivi des frontires
ncessite de reconnatre et localiser les dirents couverts vgtaux. Aprs une recherche de lespace couleur
hybride adapt limage et une fusion des diffrentes bandes acquises par un satellite (afin de combiner
haute rsolution spatiale et spectrale), une caractrisation des diffrents couverts est obtenue en calculant
des descripteurs de couleur et de texture. Diffrentes mthodes dextraction (matrices de co-occurrences,
moment de Hu, filtre de Laws, filtre de Gabor) sont utilises pour calculer ces descripteurs.
Une classification est ensuite applique pour segmenter limage. Pour la validation de lapproche, labsence de
vrit terrain a contraint les experts raliser une valuation visuelle.

Tldtection, classification, textures, espace couleur, fort, extraction de descripteurs

Abstract and key words

Cet article prsente une application de la tldtection pour la gestion des espaces forestiers des les des Carabes. La
problmatique gnrale est la protection des forts par le suivi de leurs frontires avec les zones agricoles. Cette
problmatique est particulirement sensible du fait du caractre insulaire des forts et difficile du fait dune occupation
htrogne du territoire. En effet, les parcelles agricoles sont de taille et forme trs varies, rparties sur tout le territoire
et souvent mles la vgtation. Le suivi des frontires ncessite de reconnatre et localiser les dirents couverts
vgtaux. Aprs une recherche de lespace couleur hybride adapt limage et une fusion des diffrentes bandes
acquises par un satellite (afin de combiner haute rsolution saptiale et spectrale), une caractrisation des diffrents
couverts est obtenue en calculant des descripteurs de couleur et de texture. Diffrentes mthodes dextraction (matrices
de co-occurrences, moment de Hu, filtre de Laws,filtrede Gabor) sont utilises pour calculer ces descripteurs. Une

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 175

Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

classification est ensuite applique pour segmenter limage. Pour la validation de lapproche, labsence de vrit terrain
a contraint les experts raliser une valuation visuelle.
Tldtection, classification, textures, espace couleur, fort, extraction de descripteurs

Remerciements
Nous tenons remercier les institutions europennes travers le programme INTERREG IIIb Espace Carabes
pour le financement du projet CESAR dont est issue cette tude et le centre de calcul C3I de lUniversit des
Antilles et de la Guyane sur lequel ont t effectus les diffrentes tapes de la chane de traitement.

1. Introduction : enjeux cultives, des zones naturelles disparaissent brutalement suite

une mise en culture. En phase oprationnelle, une mise jour bi-

et contexte annuelle des frontires fort / agriculture est prvoir. Par

Ltude prsente dans cet article a t mene dans le cadre du
projet CESAR (Classification dESpces ARborescentes). Ce
projet a t financ par le programme Europen INTERREG
IIIb Espace Carabes.
La problmatique gnrale du projet CESAR est la classifica-
tion des diffrents couverts vgtaux des les de la Carabes
(Forts altimontaine / sches / ombrophiles / marcageuses,
mangroves, prairies, agriculture traditionnelle/intensite, sylvi-
culture, etc). Cette problmatique scientifique sintgre dans
une problmatique cologique, conomique et politique plus
vaste damnagement du territoire (localisation des construc-
tions illgales) et de protection de lenvironnement (localisation
des zones de dforestation, de lagriculture clandestine, des
glissements de terrains, ). La gestion des ressources fores-
tires est particulirement critique pour les iles des Antilles en
raison du caractre insulaire et donc fragile de ces forts et en
raison de la grande biodiversit quelles abritent.
Au cur de cette problmatique, lobjectif de ltude prsente
ici est la sparation entre les zones forestires et les zones agri-
coles, ainsi que la sparation entre les diffrents types de forts.
La sparation entre les zones forestires et les zones agricoles
prsente un grand intrt au niveau des Antilles pour plusieurs
raisons : (i) toutes les parcelles agricoles ne sont pas dclares,
(ii) les parcelles sont trs htrognes en surface et en forme et
souvent proches, voire insres dans des zones forestires ou
urbaines, (iii) en raison des mises en jachre loccupation des
parcelles change dune saison et dune anne lautre surtout
pour les petites exploitations sur lesquelles peu de contrles sont
effectus. Pour toutes ces raisons on constate, aux frontires de
certaines zones agricoles, que la dynamique de la vgtation est
particulire : la vgtation recouvre rapidement des parcelles non
ailleurs, la sparation entre les diffrents types de forts est plus
dlicate car les frontires peuvent staler sur plusieurs dizaines
voir centaines de mtres. Nous nous restreignons donc dans le
cadre de cette tude des frontires lies des changements de
milieu (marais deau douce/mangrove par exemple) ou de topo-
graphie (changement dexposition aux vents, de pente) qui don-
nent naissance des frontires plus nettes.
La suite de cet article est organise de la manire suivante : la
section 2 prsente la chane de traitement mise en place ; la
section 3 dtaille la premire partie de la chane consacre
lamlioration de la reprsentation des images en prsentant
succssivement la notion despace couleur, les images utilises
(rsolution spatiale et spectrale) et les techniques de fusion
dimages ; la section 4 prsente la caractrisation des diffrents
couvert vgtaux laide de la couleur, de la thorie des frac-
tales, des filtres de Laws, des matrices de co-occurence ainsi
que la phase de classification. Les rsultats obtenus sont
dtaills la section 6 et la section 7 prsente les conclusions et
perspectives de cet tude.
2. La chane
de traitement
La chane de traitement (figure 1) propose est dcompose en
trois tapes : (i) la reprsentation des images est amliore en
choisissant lespace couleur le mieux adapt puis en fusionnant
les images de rsolution spatiale et spectrale diffrente, (ii) les
diffrents couverts vgtaux sont caractriss en calculant dif-
frents descripteurs (couleur, texture), (iii) une classification est
ralise afin de sparer les diffrents couverts.

176 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution
3. Amlioration
de la reprsentation
des images
Les images tudies ici comportent une trs large majorit de
couverts vgtaux, la dynamique des couleurs est donc parti-
culire. Par ailleurs nous disposons dimages de rsolution spa-
tiale et spectrale diffrente. Nous allons donc mettre en uvre des
techniques permettant de combiner ces diffrentes informations.
3.1 Caractristiques des images tudies
Nous utilisons ici des images satellites trs haute rsolution
spatiale et spectrale. Ces images sont acquises par les satellites
dobservation (i) IKONOS qui acquire une image
PANchromatique (P ANh ) de rsolution 1m/pixel et une image
MultiSpectrale (M Sb ) (bandes R, V, B, proche IR) de rsolution
4m/pixel. (ii) QuickBird qui acquire une image P ANh de
rsolution 0,7m/pixel et une image MSb (bandes R, V, B, proche
IR, moyen IR) de rsolution 2,4m/pixel. Ces images haute rso-
lution sont fortement textures. En effet, certaines composantes
des zones dintrt qui taient vues jusqualors par les satellites
dobservation basse rsolution comme des zones homognes
(champs, batiments, ) apparaissent dsormais avec suffisam-
ment de dtails pour que des textures non homognes voire des
sous structures soient visibles. Cet afflux dinformations ouvre
la voie des problmatiques jusque l non envisageables (loca-
lisation la cime prs des arbres, de vhicules, ) mais nest
pas sans poser des problmes techniques pour la reconnaissan-
ce et la localisation de structures dans limage.
Les approches pixel bases uniquement sur une modlisation
mono ou multimodale des classes ne sont plus possibles pour ce
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Figure 1. Chane de traitement.
type dimages et la prise en compte du voisinage immdiat et
tendu est ncessaire.
Lanalyse de ces structures complexes est au coeur de cette
tude et ncessite de dnir la notion de texture. On trouve dans
la littrature plusieurs dfinitions menant une multitude de
caractristiques permettant de les dcrire. La liste, non exhaus-
tive, suivante regroupe des caractristiques frquemment utili-
ses : uniformit, densit, rugosit, finesse, rgularit, linarit,
directionalit, direction, frquence, phase.
Il existe une relation troite entre les diffrentes textures com-
posant limage et les structures sous-jacentes. Dans le cadre de
la problmatique qui nous intresse, les diffrences de textures
vont se traduire par des couvert vgtaux diffrents : forts, prai-
ries, parcelle agricole, .
La figure 2 prsente des chantillons de diffrents couverts
vgtaux. On remarque une grande diversit des textures.
La principale difficult est de dterminer la ou les textures asso-
cies chaque type de couvert vgtal puis de les caractriser
de manire discriminante.
Les caractristiques choisies dpendent des textures elles
mmes et la discrimination, si elle est possible, se fera sur des
combinaisons de caractristiques.
Par ailleurs, ltude des textures des diffrents couverts vg-
taux a fait apparaitre des structures fractales. En effet, les
images satellites sont des reprsentations de scnes naturelles et
possdent donc des proprits de non stationnarit. Cette pro-
prit permet une caractrisation particulire des textures par-
tir des spectres fractal et multi fractal.
3.2 Dtermination de lespace couleur
De manire gnrale, le choix de lespace couleur conditionne
les traitements appliqus sur les images de manire non ngli-
geable. La normalisation introduite par la CIE (Commission
Internationale dclairage) conduit deux types despaces
177
Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution
couleurs : les espaces couleurs linraires (RVB, XYZ, LAB,
LUV, ) et les espaces couleurs non linaires (IST, YIQ,
HLS, ).
Mais ces espaces de reprsentation standards ne sont pas les plus
adapts. En effet, il existe des espaces couleurs hybrides [24, 21]
construits partir des espaces normaliss. Ces espaces peuvent
avoir un nombre quelconque de composantes, lobjectif tant de
slectionner celles qui conduisent lespace le moins corrl et
le plus discriminant pour une image donne. Le choix des com-
posantes est en effet effectu pour chaque image et peut donc
varier dune image lautre en fonction du contenu spectral de
celle-ci. Il y a un compromis raliser entre le nombre de com-
posantes slectionnes, que lon veut minimiser, et linformation
quelles contiennent, que lon veut maximiser.
Le critre utilis pour la slection de lespace hybride est bas
sur un calcul de pouvoir discriminant associant la variance intra
classe et la variance inter classe lobjectif tant dobtenir des
classes dont les chantillons sont groups autour dune valeur
centrale et loignes les unes des autres [18, 21, 8].
Lalgorithme de Vandenbroucke [24] permet de dterminer un
espace couleur hybride quelconque (nombre et type des compo-
santes) de manire itrative en alternant une phase de minisation
de la corrlation et une phase de maximisation du pouvoir dis-
criminant.
Nous proposons ici une approche multi-objectifs intgrant les
deux critres prcdant afin de rsoudre les problmes de
convergence vers loptimum global. Par ailleurs, nous restrei-
gnons la recherche de lespace couleur hybride aux espaces non
linaires afin quil soit utilisable dans les autres tapes de la
chane de traitement (fusion dimages, caractrisation des cou-
verts). Les diffrences entre ces espaces proviennent de
lexpression utilise pour dterminer les composantes I, S et T.
Il existe en effet au moins 5 expressions de I, 7 de S et 6 de T.
Plusieurs espaces standards utilisent ces composantes (HSV,
IHS, IST, ) avec diffrentes expressions. Chaque combinai-
178 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Figure 2. chantillons de diffrents couverts vgtaux.
son dexpressions donne lieu un nouvel espace couleur hybri-
de. Nous proposons de choisir pour chaque image la combinai-
son dexpressions de I, S et T qui soit la mieux adapte. Pour
cela nous avons adapt la mthode de construction despaces
couleurs hybrides prsente dans [21] de manire utiliser uni-
quement les espaces couleurs non-linaires et obtenir un espace
hybride tridimensionnel form par une seule expression de
chaque composante (I, S, T). Nous obtenons ainsi lespace cou-
leur hybride not I S T . Les dtails de la mthode propose
sont disponibles dans [1].
La mthode introduite ici permet de prendre en compte les par-
ticularits de chaque image afin daugmenter la part didentifi-
cation de linformation spectrale par rapport linformation fr-
quentielle. Les tests effectus ont montr, dans le cas o lespa-
ce hybride selectionn est diffrent des espaces standards, une
nette amlioration la fois visuelle (qualitative) et quantitative.
3.3 Fusion dimages
Les diffrents satellites acquirent simultanment des images
diffrentes rsolutions spatiales et spectrales. Lassociation de
linformation panchromatique haute rsolution spatiale P ANh
linformation multispectrale plus faible rsolution spatiale
M Sb permet une analyse plus complte et plus fine des scnes
observes. Pour cette raison, un processus de fusion dimages
est appliqu sur ces deux types dimages afin dobtenir une
image haute rsolution spatiale et spectrale M Sh .
Il existe dans la littrature quatre grandes catgories de
mthodes de fusion [17] : la projection-substitution, la contribu-
tion spectrale relative, le concept ARSIS, les mthodes hybrides.
Notre contribution dans ce domaine est une mthode hybride
permettant de gnraliser et harmoniser les diffrentes tech-
niques utilisant les concepts de base de la catgorie projection-
substitution.
 Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution
Les techniques de cette catgorie peuvent tre classes en deux
groupes : (i) les mthodes perceptuelles qui sont bases sur des
changements despaces couleurs (passage de RVB vers IHS,
etc) par des transformations non linaires [5, 6, 26, 17, 30]. (ii)
les mthodes daxes indpendants bases sur diffrentes
mthodes statistiques (Analyse en Composantes Principales,
Transforme de Karhunen-Loeve, Transforme en Cosinus
Discrte, etc) fournissant les composantes les moins corrles
possibles [25]. Ces techniques sont bases sur lhypothse, sou-
vent vrifie dans lespace dacquisition, quil existe des corr-
lations entre les composantes dune image.
Une des difficults des mthodes perceptuelles est de trouver les
composantes couleurs adquates qui permettent disoler le
contenu spectral du contenu spatial de limage M Sb afin de
minimiser la distorsion radiomtrique dans limage fusionne
M Sh . Ainsi depuis lintroduction de ces mthodes, bases sur
les trois composantes Intensit (I), Saturation (S) et Teinte (T),
plusieurs travaux ont t raliss dans le but damliorer la qua-
lit du produit fusionn [5, 6, 30]. Nous proposons dans ce
cadre une approche originale permettant de prendre en consid-
ration les spcificits et les particularits de les images fusion-
nes et ainsi de gnraliser les mthodes existantes. Nous utili-
sons pour cela lespace hybride I S T (transformation T H)
avec notamment la composante I contenant le plus dinforma-
tion et donc la plus proche de limage P ANh . Nous pouvons
remarquer que cette transformation hybride est inversible
(T H 1 ), condition ncessaire pour le processus de fusion par
les mthodes perceptuelles.
Au cours de cette fusion, limage P ANhS est obtenue par une
spcification dhistogramme entre limage P ANh et la compo-
sante I pour restructurer lintensit et compenser les dtails
manquant dans la composante I par ceux de limage P ANh .
Ceci permet de rduire les diffrences dues des conditions
dacquisition diffrentes. Pour raliser ceci, nous avons
employ des techniques bases sur une estimation de la densit
de probabilit des deux images (I et P ANh ).
4. Caractrisation
des couverts
Les besoins de prcision imposs par la problmatique ont deux
consquences : (i) les bandes spectrales accessibles sont res-
treintes et pas ncessairement adaptes lanalyse de la vgta-
tion (bandes R, V, B) (ii) la haute rsolution fait apparatre au
sein des diffrents couverts vgtaux des structures complexes.
Pour ces raisons, une simple analyse radiomtrique ne suffit pas
pour discriminer les vgtations entre elles. Nous allons donc
intgrer le contexte des pixels en analysant la couleur et la tex-
ture afin de calculer des descripteurs plus complexes [3, 19].
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
4.1 Descripteurs de couleur
Lextraction de descripteurs couleurs, locaux ou globaux, a t
trs largement tudie et utilise dans le cadre de la segmenta-
tion et de la classification dimages. Ainsi nous avons retenu et
implment (i) les descripteurs bass sur lutilisation de lhisto-
gramme dtermin sur chaque composante [20, 22] qui sont
invariant aux changements dchelles en considrant les pixels
dune image comme une distribution statistique, (ii) les descrip-
teurs utilisant les moments statistiques (moyenne, cart-type,
etc). Dautres descripteurs ont t proposs [13]. Dans cette
tude nous nous limiterons aux descripteurs bass sur les
moments statistiques (moyenne et cart-type) mais en notant
que ltude que nous avons men a permis de retenir
lhistogramme global des couleurs tel quil est dfini dans [22]
et lauto-corrlogramme des couleurs introduit dans [13].
Les descripteurs couleurs sont calculs sur les composantes
saturation (S ) et teinte (T ).
4.2 Descripteurs de texture
La texture reprsente depuis longtemps un thme de recherche
actif. Son analyse est un sujet trs difficile et trs complexe sur
lequel portent de nombreux travaux. La texture est un concept
assez ou facile reconnatre mais difficile dfinir. Sa dfini-
tion diffre selon les points de vue et les objectifs des applica-
tions [15]. De lensemble des dfinitions, il ressort que la textu-
re reprsente une certaine homognit visuelle, en dehors de la
couleur, sur une rgion de limage. Classiquement on distingue
deux types de textures : (i) les textures dterministes (appeles
aussi priodiques), rattaches une rpartition spatiale rgu-
lire dun motif gomtrique facile dcrire, (ii) les textures
probabilistes (appeles aussi stochastiques ou alatoires), lies
une rpartition spatiale irrgulire et alatoire et constitues de
plusieurs motifs diffrents quil est impossible didentier ou
disoler.
Ces deux types de textures sont modliss diremment et nces-
sitent des mthodes danalyse spciques. On trouve le modle
micro-textures qui est caractris par une cohrence visuelle,
prsentant des motifs microscopiques distribus de manire
alatoire et le modle macro-textures qui prsente un aspect
rgulier (motif qui se rpte spatialement dans limage).
Parmi la multitude de mthodes dveloppes pour lanalyse de
ces deux modles, on peut recenser quatre grandes approches :
lapproche statistique, lapproche gomtrique (fractal), lap-
proche frquentielle et lapproche stochastique. Dans cette
tude nous nous intressons uniquement aux trois premires
approches, que nous prsentons brivement et que nous illustre-
rons laide dune mthode. Parmi les travaux que nous avons
recens, [27, 2, 11, 10, 29] par exemple, beaucoup dentre eux
essayent de combiner des descripteurs de nature diffrente en
combinant par exemple linformation spectrale avec linforma-
tion spatiale et/ou gomtrique.
179
Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Mthodes statistiques locales et offrant ainsi une caractrisation multi-chelles de la

texture [4]. Nous testons ici la mthode de Laws [16] pour une
Il sagit des mthodes les plus utilises pour lanalyse de textures description spatiale et le filtre de Gabor [4] pour une caractri-
sur des images mono-composante. Lide principale est base sation frquentielle.
sur lvaluation quantitative de larrangement spatial et la dis- Les descripteurs de textures sont calculs sur limage inten-
tribution statistique des niveaux de gris des pixels de limage. sit (I ).
Dans la littrature beaucoup dapproches essayent de modliser
cette ide. Par exemple les mthodes bases sur les matrices de
co-occurrence (MC) et ses variantes [12] et les mthodes utili-
sant la fonction dauto-corrlation [31]. Dans la suite nous
avons choisi dappliquer la mthode de co-occurrence car de
5. Classification
nombreux travaux ont montr son intrt en traitement dimages La classification est la dernire tape de notre chane de traite-
et particulirement sur les images satellites [28, 2, 29]. En pra- ment. Les tapes prcdentes ont permi dobtenir des descrip-
tique, les attributs de texture issus de cette mthode sont cal- teurs relativement discriminant rendant ainsi moins dterminant
culs sur des fentres glissantes. le choix de la mthode de classification.
En effet, il existe de nombreuses techniques de classification
Mthodes gomtriques dans la littrature : k-means, mthode EM, Fuzzy c-means,
mthode baysienne, SVM, ISODATA, etc.
Les mthodes appartenant cette approche permettent de carac-
Nous avons fait le choix dutiliser des mthodes ayant des
triser linformation structurelle, contextuelle, et la forme gn-
caractristiques diffrentes. titre dexemple les k-means pour
rale de lobjet sous lhypothse quune texture est forme dun
leur convergence rapide et leur mode non supervis, les
ou plusieurs motifs se rptant de faon rgulire. Nous nous
mlanges de gaussiennes pour leur adaptation aux descripteurs
intressons ici aux approches bases sur ltude des formes. Ces
ayant une densit de probabilit proche dune gausienne, la
dernires essayent de dterminer une caractristique gom-
mthode SVM pour son adaptation aux problmes de grande
trique pour dcrire un profil afin de reconnatre les objets. Dans
taille.
la littrature, on peut trouver les descripteurs bass sur les
Dans le cadre de cet article nous prsentons des rsultats obte-
contours qui sont gnralement obtenus par lapplication de la
nus avec les k-means [14] et avec un critre de distance eucli-
transforme de Fourier [9] ou les descripteurs bass sur les
dienne minimale dans le cas supervis.
rgions qui sont dtermins partir de divers moments inva-
Dans ce dernier cas, nous avons minimis la distance euclidien-
riants [23]. Ces derniers sont robustes et invariants par transla-
neE kP entre un pixel P (reprsent par son vecteur dattributs VP
tion, rotation et changements dchelles. Pour ces raisons nous
de dimension D) et le centre de chaque classe Ck (reprsent
avons choisi de les utiliser dans le cadre de cette tude.
par le vecteur moyenne V ) calcul partir des chantillons
Par ailleurs, la multitude dobjets qui peuvent apparatre et la
dapprentissage. Le pixel P est assign la classe Cl associe
complexit de linformation contenue dans les images satellites,
la distance la plus proche.
nous pousse faire une analyse fractale. Lide principale est de
coupler une analyse locale de la rgularit des donnes avec une
analyse globale. Il existe plusieurs techniques et mthodes qui
permettent de quantifier ces deux proprits, nous nous limite-
rons ici tudier la dimension fractale (locale et globale) en
6. Rsultats
appliquant la mthodes SDBC (Shifting Differential Box-
Counting) [7].
6.1 Images utilises

Mthodes frquentielles
Linformation frquentielle est aussi importante que linforma-
tion structurelle ou spatiale. Les mthodes frquentielles per-
mettent danalyser les diffrentes frquences prsentes dans
limage. Parmi ces mthodes, les mthodes de filtrage prennent
leur origine dans le domaine du traitement du signal en sinspi-
rant de la perception visuelle humaine. Appliques dans le
domaine du traitement dimages, ces mthodes permettent de
caractriser aussi bien les macro-textures que les micro-
textures. Nous distinguons les mthodes de filtrage spatial intro-
duites pour dcrire les micro-textures [16] et frquentiel per-
mettant de prserver la fois les informations globales et
Nous prsentons des images composes des deux types de cou-
verts vgtaux. Les deux premiers extraits (figure 3 et 4) sont
constitus dune image multispectrale M Sb et dune image pan-
chromatique P ANh de rsolutions spatiales respectives
4m/pixel et 1m/pixel acquises par le satellite IKONOS ; les deux
derniers extraits (figure 5 et 6) comportent eux aussi deux
images M Sb et P ANh de resolutions spatiales respectives
0,7m/pixel et 2,8m/pixel acquises par le satellite QuickBird.
Cette tude est base sur une dizaine dextraits de chaque satel-
lite. Les extraits des figures 3 et 5 ont t slectionns car nous
estimons quils sont les plus reprsentatifs de la diversit vg-
tale et de la complexit des images que nous traitons. Nous

180 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 3. Extraits dimages acquises par le satellite IKONOS. (a) Image P ANh (1024 1024)
et (b) image M Sb (256 256 ).

Figure 4. Extraits dimages acquises par le satellite IKONOS. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

signalons galement quaucun pr-traitement na t ffectu 6.2 Rsultats de la classification

sur les images.
Les extraits prsentent des zones forestires et agricoles entre-
mles. Dautres zones (ombre, eau) apparaissent dans les
images. Ces zones, bien que ne nous interessant pas, ne sont pas
masques dans limage et aucun apprentissage nest ralis des-
sus. Elles gnrent donc certaines erreurs sur la classification.
Les experts sont intervenus en amont de la phase de classifica-
tion pour dterminer le nombre de classes et les zones repr-
sentatives de chaque classe pour lapprentissage mais galement
pour la validation des rsultats en labsence de vrit terrain.
Les deux figures suivantes donnent un aperu des rsultats obte-
nus en calculant les descripteurs de textures partir de la mtho-
de des matrices de co-occurrences (7 et 8), des moments de Hu
(7) et des filtres de Laws (8). Ces descripteurs sont combins
avec les descripteurs couleurs. Le nombre de classes a t esti-
m 2, 3 ou 4 classes selon limage. On remarque que lanaly-
se en utilisant la mthode des matrices de co-occurrences four-
nit des rsultats similaires ceux des mthodes bases sur lana-
lyse gomtrique (moments de Hu) et frquentielle (filtres de

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 181

Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 5. Extraits dimages acquises par le satellite QuickBird. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

Figure 6. Extraits dimages acquises par le satellite QuickBird. (a) Image P ANh (512 512 )
et (b) image M Sb (128 128 ).

Laws), que ce soit en terme de dtection ou de spartion entre
les diffrentes classes.
Les deux figures (9 et 10), prsentent les rsultats obtenus par
lanalyse gomtrique base sur les descripteurs calculs en uti-
lisant les moments de Hu et combins avec les descripteurs cou-
leurs.
La figure 9 montre une bonne classification des forts (zones en
jaune) dans les images b) et c). Les parcelles agricoles et les
prairies sont illustres avec les zones marques 1 et 2 dans
limage a). On peut remarquer que larbre isol (marqu 3 dans
limage a) ) est bien dtect et localis dans les images b) et c).
Nanmoins quelques zones mal classes subsistent (marques
4) lies principalement lombre ou des parcelles non homo-
gnes.
On peut constater dans la figure 10 b) que la sparation entre la
fort et lagriculture est relativement bien respecte. Le rsultat
est dautant plus acceptable pour notre application que les zones
agricoles sont reprsentes par plusieurs textures et non une
seule (zones 2, 3 et 4 sur la figure 10 a) ). Une troisime classe
(zone marque 1) apparat, elle localise correctement les par-
celles de terre sans cultures.
Sur lensemble des rsultats (prsents ou non ici), nous retien-
drons que le rsultat des diffrentes approches dpend partielle-
ment des images. Nanmoins, la mthode des matrices de
co-occurrence semble la plus stable et bien adapte la dtec-
tion des textures non orientes et non priodiques caractrises
par des formes alatoires et chaotiques. Ce type de textures est
caractristique des zones tudies (forts). Les mthodes dana-

182 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution

Figure 8. Classification non supervise

dune image QuickBird.

Figure 7. Classification non supervise

dune image IKONOS.

Figure 9. Classification supervise dune image IKONOS.

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 183

Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution
lyse gomtriques ou frquentielles tudies sparent correcte-
ment les zones forestires des zones agricoles. Cependant, elles
ont quelques difficults distinguer deux zones agricoles entre
elles.
7. Conclusion
Nous avons prsent dans cet article une application de la tl-
dtection la protection de lenvironnement. Cette protection
est permise par le dveloppement dun outil, destin aux autori-
ts de gestion des forts (Onf, Parcs Nationaux), de localisation
des frontires entre les forts et les zones agricoles. La localisa-
tion des frontires est possible aprs reconnaissance des diff-
rents couverts vgtaux (fort, agriculture, prairies, etc) extraits
dimages satellite trs haute rsolution spatiale. La reconnais-
sance est ralise par un processus de classification bas sur une
description des textures prsentes dans limage. Ces textures
sont reprsentatives des types de couverts et une bonne caract-
risation de celles-ci permet de les disciminer.
Lextraction des attributs des textures est ralise aprs un pro-
cessus de fusion permettant de combiner la rsolution spatiale et
la rsolution spectrale des images satellites. Une approche ori-
ginale de fusion, base sur la construction dun espace couleur
hybride est prsente.
Les rsultats obtenus sont satisfaisants compte tenu de la natu-
re des images traites (textures complexes). Cette tude montre
que le choix de lespace de reprsentation est important avant
mme de choisir les descripteurs utiliss pour la classification.
Ces rsultats de classification sont particulirement intressants
dans le cadre du projet CESAR. En effet, la sparation entre les
deux grandes zones a t valide par nos experts pour les
images testes. Les critiques mises concernent la distinction
entre deux zones agricoles ou deux zones forestires. Cette pro-
184 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Figure 10. Classification supervise dune image Quickbird.
blmatique est plus complexe aborder du fait de la forte res-
semblance des textures et des couleurs. Une tude plus pousse
sur cette problmatique serait raliser mais ne concerne pas le
projet actuel.
Rfrences
[1] ABADI M., Couleur et texture pour la reprsentation et la classifica-
tion dimages satellite multi-rsolution. These, Universite des Antilles
et de la Guyane, 2008.
[2] TONY E., AKONO A. and RUDANT J-P., Classification texturale
dune image radar synthse douverture dans une rgion volca-
nique : le cas de la rgion du Mont Cameroun, volume 3.
Tldetection, 2003.
[3] DEBAIN C., BERDUCAT M., ARVIS V. and BENASSI A.,
Generalization of the Co-occurrence matrix for colour images :
Application to colour texture classification, volume 23. Image Anal
Stereol, 2004.
[4] MANJUNATH B.S. and MA X.Y., Texture features for browsing and
retrieval of image data, volume 18. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 1996.
[5] LILLESAND T.M., CARPER W.J. and KIEFER R.W., The use of
Intensity-Hue-Saturation transformation for merging SPOT panchro-
matic and multispectral image data, volume 56. Photogrammetric
Engineering and Remote Sensing, 1990.
[6] SIDES S.C., CHAVEZ P.S. and ANDERSON J.A., Comparison of
three different methods to merge multiresolution and multispectral
data : Landsat TM and SPOT Panchromatic, volume 57.
Photogrammetric Engineering and Remote Sensing, 1991.
[7] YUAN S-Y., CHEN W-S. and HSIEH C-M., Two algorithms to esti-
mate fractal dimension of gray-level images, volume 42. SPIE Optical
Engineering, 2003.
[8] COCQUEREZ J. P. and PHILIPP S., Analyse dimages : Filtrage et
segmentation. S. Masson, 1995.
[9] ZAHN C.T. and ROSKIES R.Z., Fourier descriptors for plane closed
curves. IEEE Trans. On Computers, 1972.
[10] WEMMERT C., DERIVAUX S., LEFVRE S. and KORCZAK J.J.,
Segmentation par ligne de partage des eaux base sur des connais-
sances texturales. Colloque GRETSI sur le Traitement du Signal et
des Images, 2007.
 Classification de couverts vgtaux par analyse de textures couleurs dimages satellites haute rsolution
[11] KAYITAKIRE F., Forest stand characterisation using very high reso-
lutions satellite remote sensing/Caractrisation des peuplements
forestiers par tldtection trs hautes rsolutions. AGRO/MILA -
Dpartement des sciences du milieu et de lamnagement du terri-
toire, Thse, 2006.
[12] SHANMUGAM K., HARALICK R.M. and DINSTEIN I., Textural
features for image classification, volume 3. IEEE Transaction on
Systems, Man, and Cybernetics, 1996.
[13] MITRA M., ZHU W., JAND ZABIH R., HUANG J., KUMAR S.R.,
Image indexing using color correlograms. International Conference
on Computer Vision and Pattern Recognition, 1997.
[14] MACQUEEN J.B., Some Methods for classification and Analysis of
Multivariate Observations, volume 1. Proceedings of 5th Berkeley
Symposium on Mathematical Statistics and Probability, 1967.
[15] COGGINS J.M., A framework for texture analysis based on spatial
filtering. PhD thesis, Computer Science Department, Michigan State
University, 1982.
[16] LAWS K.I., Rapid texture identification, volume 238. SPIE Image
Processing for Missile Guidance, 1980.
[17] WALD L., Quality of high resolution synthesised images : Is there a
simple criterion ? In Proceeding of the 3th conference : Fusion of
Earth data : merging point measurements, raster maps and remotely
sensed images. Nice, France, 2000.
[18] LAFORGE H., Analyse multivarie : en sciences sociales et biolo-
giques : prsentation matricielle et usage des programmes dordina-
teur BMD, BMDP et SPSS. Presses de lUniversit Laval, 1979.
[19] ABADI M. and GRANDCHAMP E., Colour Image Texture
Characterizing : Caribbean Forest Classification by IKONOS Images.
International Journal of Remote Sensing, 2007.
[20] STRICKER M.A. and ORENGO. M., Similarity of color images.
SPIE, Storage and Retrieval for Imaging Video Databases, 1995.
Mohamed Abadi
Docteur en Informatique depuis juin 2008 sa thmatique de recherche porte sur
la classification de forts par analyse de textures et de couleur en utilisant notam-
ment l'approche fractale.
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
[21] MACAIRE L., Exploitation de la couleur pour la segmentation et
lanalyse dimages. PhD thesis, Universit des science et technologie
de Lille 1, 2004.
[22] SWAIN M.J. and BALLARD D.H., Color indexing, volume 7.
International Journal of Computer Vision, 1991.
[23] HU M.K., Visual pattern recognition by moment invariants. IRE
Trans. On information Theory, IT-8, 1962.
[24] VANDENBROUCKE N., Segmentation dmages couleurs par classi-
fication de pixels dans des espaces dattributs colorimtriques adap-
ts. Application lanalyse dimage de football. Thse de Doctorat,
Universit de Lille 1, 2000.
[25] KANADE T., OHTA Y.I. and SAKAI T., Color information for region
segmentation. Computer Graphics and Image Processing, 1980.
[26] GONZALEZ R.C. and WOODS R.E., Digital Image Processing.
Addison-Wesley, Reading, MA, 1992.
[27] CHAPUIS R., ROUQUET C., CHAUSSE F. and BONTON P.,
Segmentation non supervise dimages de scnes routires Une
approche multi-critre, volume 13. Traitement du Signal, 1996.
[28] ARZANDEH S. and WANG J., Texture evaluation of RADARSAT
imagery for wetland mapping, volume 28. SPIE Optical Engineering,
2002.
[29] HAINDL M. SCARPA G. and ZERUBIA J., Hierarchical finite-state
modeling for texture segmentation with application to forest classifi-
cation. INRIA, France, 2006.
[30] SHYU H.C., TU T.M., SU S.C. and HUANG P.S., A new look at IHS-
like image fusion methods, volume 2. Information Fusion, 2001.
[31] LEE J.Y., WARNER T.A. and MCGRAW J.B., Delineation and iden-
tification of individual trees in the eastern deciduous forest. In
Natural ressources Canada, editor, Automated interpretation of high
spatial resolution digital imagery for forestry, International Forum,
Pacic Forestry Center, Victoria, British Columbia, 1998.
Enguerran Grandchamp
Matre de Confrences l'Universit des Antilles et de la Guyane au laboratoire
GRIMAAG. Il travaille sur la tldtection et la classification de forts partir
d'images satellites trs haute rsolution spatiale.
185