Beruflich Dokumente
Kultur Dokumente
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.
couleurs : les espaces couleurs linraires (RVB, XYZ, LAB, son dexpressions donne lieu un nouvel espace couleur hybri-
LUV, ) et les espaces couleurs non linaires (IST, YIQ, de. Nous proposons de choisir pour chaque image la combinai-
HLS, ). son dexpressions de I, S et T qui soit la mieux adapte. Pour
Mais ces espaces de reprsentation standards ne sont pas les plus cela nous avons adapt la mthode de construction despaces
adapts. En effet, il existe des espaces couleurs hybrides [24, 21] couleurs hybrides prsente dans [21] de manire utiliser uni-
construits partir des espaces normaliss. Ces espaces peuvent quement les espaces couleurs non-linaires et obtenir un espace
avoir un nombre quelconque de composantes, lobjectif tant de hybride tridimensionnel form par une seule expression de
slectionner celles qui conduisent lespace le moins corrl et chaque composante (I, S, T). Nous obtenons ainsi lespace cou-
le plus discriminant pour une image donne. Le choix des com- leur hybride not I S T . Les dtails de la mthode propose
posantes est en effet effectu pour chaque image et peut donc sont disponibles dans [1].
varier dune image lautre en fonction du contenu spectral de La mthode introduite ici permet de prendre en compte les par-
celle-ci. Il y a un compromis raliser entre le nombre de com- ticularits de chaque image afin daugmenter la part didentifi-
posantes slectionnes, que lon veut minimiser, et linformation cation de linformation spectrale par rapport linformation fr-
quelles contiennent, que lon veut maximiser. quentielle. Les tests effectus ont montr, dans le cas o lespa-
Le critre utilis pour la slection de lespace hybride est bas ce hybride selectionn est diffrent des espaces standards, une
sur un calcul de pouvoir discriminant associant la variance intra nette amlioration la fois visuelle (qualitative) et quantitative.
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]. 3.3 Fusion dimages
Lalgorithme de Vandenbroucke [24] permet de dterminer un
espace couleur hybride quelconque (nombre et type des compo- Les diffrents satellites acquirent simultanment des images
santes) de manire itrative en alternant une phase de minisation diffrentes rsolutions spatiales et spectrales. Lassociation de
de la corrlation et une phase de maximisation du pouvoir dis- linformation panchromatique haute rsolution spatiale P ANh
criminant. linformation multispectrale plus faible rsolution spatiale
Nous proposons ici une approche multi-objectifs intgrant les M Sb permet une analyse plus complte et plus fine des scnes
deux critres prcdant afin de rsoudre les problmes de observes. Pour cette raison, un processus de fusion dimages
convergence vers loptimum global. Par ailleurs, nous restrei- est appliqu sur ces deux types dimages afin dobtenir une
gnons la recherche de lespace couleur hybride aux espaces non image haute rsolution spatiale et spectrale M Sh .
linaires afin quil soit utilisable dans les autres tapes de la Il existe dans la littrature quatre grandes catgories de
chane de traitement (fusion dimages, caractrisation des cou- mthodes de fusion [17] : la projection-substitution, la contribu-
verts). Les diffrences entre ces espaces proviennent de tion spectrale relative, le concept ARSIS, les mthodes hybrides.
lexpression utilise pour dterminer les composantes I, S et T. Notre contribution dans ce domaine est une mthode hybride
Il existe en effet au moins 5 expressions de I, 7 de S et 6 de T. permettant de gnraliser et harmoniser les diffrentes tech-
Plusieurs espaces standards utilisent ces composantes (HSV, niques utilisant les concepts de base de la catgorie projection-
IHS, IST, ) avec diffrentes expressions. Chaque combinai- substitution.
Les techniques de cette catgorie peuvent tre classes en deux 4.1 Descripteurs de couleur
groupes : (i) les mthodes perceptuelles qui sont bases sur des
changements despaces couleurs (passage de RVB vers IHS, Lextraction de descripteurs couleurs, locaux ou globaux, a t
etc) par des transformations non linaires [5, 6, 26, 17, 30]. (ii) trs largement tudie et utilise dans le cadre de la segmenta-
les mthodes daxes indpendants bases sur diffrentes tion et de la classification dimages. Ainsi nous avons retenu et
mthodes statistiques (Analyse en Composantes Principales, implment (i) les descripteurs bass sur lutilisation de lhisto-
Transforme de Karhunen-Loeve, Transforme en Cosinus gramme dtermin sur chaque composante [20, 22] qui sont
Discrte, etc) fournissant les composantes les moins corrles invariant aux changements dchelles en considrant les pixels
possibles [25]. Ces techniques sont bases sur lhypothse, sou- dune image comme une distribution statistique, (ii) les descrip-
vent vrifie dans lespace dacquisition, quil existe des corr- teurs utilisant les moments statistiques (moyenne, cart-type,
lations entre les composantes dune image. etc). Dautres descripteurs ont t proposs [13]. Dans cette
Une des difficults des mthodes perceptuelles est de trouver les tude nous nous limiterons aux descripteurs bass sur les
composantes couleurs adquates qui permettent disoler le moments statistiques (moyenne et cart-type) mais en notant
contenu spectral du contenu spatial de limage M Sb afin de que ltude que nous avons men a permis de retenir
minimiser la distorsion radiomtrique dans limage fusionne lhistogramme global des couleurs tel quil est dfini dans [22]
M Sh . Ainsi depuis lintroduction de ces mthodes, bases sur et lauto-corrlogramme des couleurs introduit dans [13].
les trois composantes Intensit (I), Saturation (S) et Teinte (T), Les descripteurs couleurs sont calculs sur les composantes
plusieurs travaux ont t raliss dans le but damliorer la qua- saturation (S ) et teinte (T ).
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- 4.2 Descripteurs de texture
nes et ainsi de gnraliser les mthodes existantes. Nous utili-
sons pour cela lespace hybride I S T (transformation T H) La texture reprsente depuis longtemps un thme de recherche
avec notamment la composante I contenant le plus dinforma- actif. Son analyse est un sujet trs difficile et trs complexe sur
tion et donc la plus proche de limage P ANh . Nous pouvons lequel portent de nombreux travaux. La texture est un concept
remarquer que cette transformation hybride est inversible assez ou facile reconnatre mais difficile dfinir. Sa dfini-
(T H 1 ), condition ncessaire pour le processus de fusion par tion diffre selon les points de vue et les objectifs des applica-
les mthodes perceptuelles. tions [15]. De lensemble des dfinitions, il ressort que la textu-
Au cours de cette fusion, limage P ANhS est obtenue par une re reprsente une certaine homognit visuelle, en dehors de la
spcification dhistogramme entre limage P ANh et la compo- couleur, sur une rgion de limage. Classiquement on distingue
sante I pour restructurer lintensit et compenser les dtails deux types de textures : (i) les textures dterministes (appeles
manquant dans la composante I par ceux de limage P ANh . aussi priodiques), rattaches une rpartition spatiale rgu-
Ceci permet de rduire les diffrences dues des conditions lire dun motif gomtrique facile dcrire, (ii) les textures
dacquisition diffrentes. Pour raliser ceci, nous avons probabilistes (appeles aussi stochastiques ou alatoires), lies
employ des techniques bases sur une estimation de la densit une rpartition spatiale irrgulire et alatoire et constitues de
de probabilit des deux images (I et P ANh ). 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
4. Caractrisation micro-textures qui est caractris par une cohrence visuelle,
prsentant des motifs microscopiques distribus de manire
des couverts alatoire et le modle macro-textures qui prsente un aspect
rgulier (motif qui se rpte spatialement dans limage).
Les besoins de prcision imposs par la problmatique ont deux Parmi la multitude de mthodes dveloppes pour lanalyse de
consquences : (i) les bandes spectrales accessibles sont res- ces deux modles, on peut recenser quatre grandes approches :
treintes et pas ncessairement adaptes lanalyse de la vgta- lapproche statistique, lapproche gomtrique (fractal), lap-
tion (bandes R, V, B) (ii) la haute rsolution fait apparatre au proche frquentielle et lapproche stochastique. Dans cette
sein des diffrents couverts vgtaux des structures complexes. tude nous nous intressons uniquement aux trois premires
Pour ces raisons, une simple analyse radiomtrique ne suffit pas approches, que nous prsentons brivement et que nous illustre-
pour discriminer les vgtations entre elles. Nous allons donc rons laide dune mthode. Parmi les travaux que nous avons
intgrer le contexte des pixels en analysant la couleur et la tex- recens, [27, 2, 11, 10, 29] par exemple, beaucoup dentre eux
ture afin de calculer des descripteurs plus complexes [3, 19]. essayent de combiner des descripteurs de nature diffrente en
combinant par exemple linformation spectrale avec linforma-
tion spatiale et/ou gomtrique.
Mthodes frquentielles
Nous prsentons des images composes des deux types de cou-
Linformation frquentielle est aussi importante que linforma- verts vgtaux. Les deux premiers extraits (figure 3 et 4) sont
tion structurelle ou spatiale. Les mthodes frquentielles per- constitus dune image multispectrale M Sb et dune image pan-
mettent danalyser les diffrentes frquences prsentes dans chromatique P ANh de rsolutions spatiales respectives
limage. Parmi ces mthodes, les mthodes de filtrage prennent 4m/pixel et 1m/pixel acquises par le satellite IKONOS ; les deux
leur origine dans le domaine du traitement du signal en sinspi- derniers extraits (figure 5 et 6) comportent eux aussi deux
rant de la perception visuelle humaine. Appliques dans le images M Sb et P ANh de resolutions spatiales respectives
domaine du traitement dimages, ces mthodes permettent de 0,7m/pixel et 2,8m/pixel acquises par le satellite QuickBird.
caractriser aussi bien les macro-textures que les micro- Cette tude est base sur une dizaine dextraits de chaque satel-
textures. Nous distinguons les mthodes de filtrage spatial intro- lite. Les extraits des figures 3 et 5 ont t slectionns car nous
duites pour dcrire les micro-textures [16] et frquentiel per- estimons quils sont les plus reprsentatifs de la diversit vg-
mettant de prserver la fois les informations globales et tale et de la complexit des images que nous traitons. Nous
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 ).
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 On peut constater dans la figure 10 b) que la sparation entre la
les diffrentes classes. fort et lagriculture est relativement bien respecte. Le rsultat
Les deux figures (9 et 10), prsentent les rsultats obtenus par est dautant plus acceptable pour notre application que les zones
lanalyse gomtrique base sur les descripteurs calculs en uti- agricoles sont reprsentes par plusieurs textures et non une
lisant les moments de Hu et combins avec les descripteurs cou- seule (zones 2, 3 et 4 sur la figure 10 a) ). Une troisime classe
leurs. (zone marque 1) apparat, elle localise correctement les par-
La figure 9 montre une bonne classification des forts (zones en celles de terre sans cultures.
jaune) dans les images b) et c). Les parcelles agricoles et les Sur lensemble des rsultats (prsents ou non ici), nous retien-
prairies sont illustres avec les zones marques 1 et 2 dans drons que le rsultat des diffrentes approches dpend partielle-
limage a). On peut remarquer que larbre isol (marqu 3 dans ment des images. Nanmoins, la mthode des matrices de
limage a) ) est bien dtect et localis dans les images b) et c). co-occurrence semble la plus stable et bien adapte la dtec-
Nanmoins quelques zones mal classes subsistent (marques tion des textures non orientes et non priodiques caractrises
4) lies principalement lombre ou des parcelles non homo- par des formes alatoires et chaotiques. Ce type de textures est
gnes. caractristique des zones tudies (forts). Les mthodes dana-
lyse gomtriques ou frquentielles tudies sparent correcte- blmatique est plus complexe aborder du fait de la forte res-
ment les zones forestires des zones agricoles. Cependant, elles semblance des textures et des couleurs. Une tude plus pousse
ont quelques difficults distinguer deux zones agricoles entre sur cette problmatique serait raliser mais ne concerne pas le
elles. projet actuel.
7. Conclusion Rfrences
Nous avons prsent dans cet article une application de la tl- [1] ABADI M., Couleur et texture pour la reprsentation et la classifica-
tion dimages satellite multi-rsolution. These, Universite des Antilles
dtection la protection de lenvironnement. Cette protection
et de la Guyane, 2008.
est permise par le dveloppement dun outil, destin aux autori- [2] TONY E., AKONO A. and RUDANT J-P., Classification texturale
ts de gestion des forts (Onf, Parcs Nationaux), de localisation dune image radar synthse douverture dans une rgion volca-
des frontires entre les forts et les zones agricoles. La localisa- nique : le cas de la rgion du Mont Cameroun, volume 3.
Tldetection, 2003.
tion des frontires est possible aprs reconnaissance des diff-
[3] DEBAIN C., BERDUCAT M., ARVIS V. and BENASSI A.,
rents couverts vgtaux (fort, agriculture, prairies, etc) extraits Generalization of the Co-occurrence matrix for colour images :
dimages satellite trs haute rsolution spatiale. La reconnais- Application to colour texture classification, volume 23. Image Anal
sance est ralise par un processus de classification bas sur une Stereol, 2004.
[4] MANJUNATH B.S. and MA X.Y., Texture features for browsing and
description des textures prsentes dans limage. Ces textures
retrieval of image data, volume 18. IEEE Transactions on Pattern
sont reprsentatives des types de couverts et une bonne caract- Analysis and Machine Intelligence, 1996.
risation de celles-ci permet de les disciminer. [5] LILLESAND T.M., CARPER W.J. and KIEFER R.W., The use of
Lextraction des attributs des textures est ralise aprs un pro- Intensity-Hue-Saturation transformation for merging SPOT panchro-
matic and multispectral image data, volume 56. Photogrammetric
cessus de fusion permettant de combiner la rsolution spatiale et
Engineering and Remote Sensing, 1990.
la rsolution spectrale des images satellites. Une approche ori- [6] SIDES S.C., CHAVEZ P.S. and ANDERSON J.A., Comparison of
ginale de fusion, base sur la construction dun espace couleur three different methods to merge multiresolution and multispectral
hybride est prsente. data : Landsat TM and SPOT Panchromatic, volume 57.
Photogrammetric Engineering and Remote Sensing, 1991.
Les rsultats obtenus sont satisfaisants compte tenu de la natu-
[7] YUAN S-Y., CHEN W-S. and HSIEH C-M., Two algorithms to esti-
re des images traites (textures complexes). Cette tude montre mate fractal dimension of gray-level images, volume 42. SPIE Optical
que le choix de lespace de reprsentation est important avant Engineering, 2003.
mme de choisir les descripteurs utiliss pour la classification. [8] COCQUEREZ J. P. and PHILIPP S., Analyse dimages : Filtrage et
segmentation. S. Masson, 1995.
Ces rsultats de classification sont particulirement intressants
[9] ZAHN C.T. and ROSKIES R.Z., Fourier descriptors for plane closed
dans le cadre du projet CESAR. En effet, la sparation entre les curves. IEEE Trans. On Computers, 1972.
deux grandes zones a t valide par nos experts pour les [10] WEMMERT C., DERIVAUX S., LEFVRE S. and KORCZAK J.J.,
images testes. Les critiques mises concernent la distinction Segmentation par ligne de partage des eaux base sur des connais-
entre deux zones agricoles ou deux zones forestires. Cette pro- sances texturales. Colloque GRETSI sur le Traitement du Signal et
des Images, 2007.
[11] KAYITAKIRE F., Forest stand characterisation using very high reso- [21] MACAIRE L., Exploitation de la couleur pour la segmentation et
lutions satellite remote sensing/Caractrisation des peuplements lanalyse dimages. PhD thesis, Universit des science et technologie
forestiers par tldtection trs hautes rsolutions. AGRO/MILA - de Lille 1, 2004.
Dpartement des sciences du milieu et de lamnagement du terri- [22] SWAIN M.J. and BALLARD D.H., Color indexing, volume 7.
toire, Thse, 2006. International Journal of Computer Vision, 1991.
[12] SHANMUGAM K., HARALICK R.M. and DINSTEIN I., Textural [23] HU M.K., Visual pattern recognition by moment invariants. IRE
features for image classification, volume 3. IEEE Transaction on Trans. On information Theory, IT-8, 1962.
Systems, Man, and Cybernetics, 1996. [24] VANDENBROUCKE N., Segmentation dmages couleurs par classi-
[13] MITRA M., ZHU W., JAND ZABIH R., HUANG J., KUMAR S.R., fication de pixels dans des espaces dattributs colorimtriques adap-
Image indexing using color correlograms. International Conference ts. Application lanalyse dimage de football. Thse de Doctorat,
on Computer Vision and Pattern Recognition, 1997. Universit de Lille 1, 2000.
[14] MACQUEEN J.B., Some Methods for classification and Analysis of [25] KANADE T., OHTA Y.I. and SAKAI T., Color information for region
Multivariate Observations, volume 1. Proceedings of 5th Berkeley segmentation. Computer Graphics and Image Processing, 1980.
Symposium on Mathematical Statistics and Probability, 1967. [26] GONZALEZ R.C. and WOODS R.E., Digital Image Processing.
[15] COGGINS J.M., A framework for texture analysis based on spatial Addison-Wesley, Reading, MA, 1992.
filtering. PhD thesis, Computer Science Department, Michigan State [27] CHAPUIS R., ROUQUET C., CHAUSSE F. and BONTON P.,
University, 1982. Segmentation non supervise dimages de scnes routires Une
[16] LAWS K.I., Rapid texture identification, volume 238. SPIE Image approche multi-critre, volume 13. Traitement du Signal, 1996.
Processing for Missile Guidance, 1980. [28] ARZANDEH S. and WANG J., Texture evaluation of RADARSAT
[17] WALD L., Quality of high resolution synthesised images : Is there a imagery for wetland mapping, volume 28. SPIE Optical Engineering,
simple criterion ? In Proceeding of the 3th conference : Fusion of 2002.
Earth data : merging point measurements, raster maps and remotely [29] HAINDL M. SCARPA G. and ZERUBIA J., Hierarchical finite-state
sensed images. Nice, France, 2000. modeling for texture segmentation with application to forest classifi-
[18] LAFORGE H., Analyse multivarie : en sciences sociales et biolo- cation. INRIA, France, 2006.
giques : prsentation matricielle et usage des programmes dordina- [30] SHYU H.C., TU T.M., SU S.C. and HUANG P.S., A new look at IHS-
teur BMD, BMDP et SPSS. Presses de lUniversit Laval, 1979. like image fusion methods, volume 2. Information Fusion, 2001.
[19] ABADI M. and GRANDCHAMP E., Colour Image Texture [31] LEE J.Y., WARNER T.A. and MCGRAW J.B., Delineation and iden-
Characterizing : Caribbean Forest Classification by IKONOS Images. tification of individual trees in the eastern deciduous forest. In
International Journal of Remote Sensing, 2007. Natural ressources Canada, editor, Automated interpretation of high
[20] STRICKER M.A. and ORENGO. M., Similarity of color images. spatial resolution digital imagery for forestry, International Forum,
SPIE, Storage and Retrieval for Imaging Video Databases, 1995. Pacic Forestry Center, Victoria, British Columbia, 1998.
Docteur en Informatique depuis juin 2008 sa thmatique de recherche porte sur Matre de Confrences l'Universit des Antilles et de la Guyane au laboratoire
la classification de forts par analyse de textures et de couleur en utilisant notam- GRIMAAG. Il travaille sur la tldtection et la classification de forts partir
ment l'approche fractale. d'images satellites trs haute rsolution spatiale.