B.P 8 12 Yaoundé - Cameroun 32 Rue Henry Varagnai, 93 143 Bondy - France

L
UNIVERSITE DE YAOUNDE 1 - FACULTE DES SCIENCES INSTITUT DE RECHERCHE POUR LE DEVELOPPEMENT

DEPARTEMENT DINFORMATIQUE LABORATOIRE DE GEODYNAMIQUE INTERNE
B.P 8 12 Yaound - Cameroun 32 rue Henry Varagnai, 93 143 Bondy - France
RAPPORT DE STAGE DOCTORAL EN TELEDETECTION
RESEAU TELEDETECTION - AUPELFI UREF
AGENCE UNIVERSITAIRE DE LA FRANCOPHONIE
4 Place de la Sorbone Paris - France
Contribution de la Morphologie Mathmatique la Cartographie
de lOccupation du SOI partir dImages SPOT
( Rgion de IExtrme - Nord Cameroun )
Eric FOTSING
DEA en Informatique fondamentale
Dpartement dinformatique - Universit de Yaound I
Annick LEGELEY PADOVANI
Ingnieur de Recherche
Laboratoire de Godynamique Interne - I.R.D
Bondy, Janvier - Avril 1999
Fonds Documentaire ORSTOM
Cote: h i$o# Ex : ,--hd
L
Remerciements
cr
A la fin de ce sjour de recherche, je tiens exprimer ma profonde gratitude aux
institutions et aux personnes qui ont facilit lavancement de ce travail.
- En ce qui concerne les institutions, il faut citer :
- lAgence Universitaire de la Francophonie qui a, travers le programme de bourse
doctoral du Rseau Tldtection, assur le financement du sjour et les frais du titre
de transport,
- lInstitut de Recherche pour le Dveloppement pour laccueil et la mise disposition de
la logistique. Le stage sest effectivement droul au sein des laboratoires de
Godynamique Interne, de Cartographie Applique et latelier dinformatique dirigs
respectivement par Jacques VASSAL, Pierre PELTRE et Bruno BUISSON que je
tiens remercier particulirement. Les images satellites utilises ont t fournies par la
Maison de la Tldtection Montpellier.
Quant aux personnes, mes sincres remerciements vont :
- Mon directeur de thse, le Pr. Maurice TCHUENTE pour le choix du laboratoire
daccueil et lorientation de la problmatique de recherche,
- Mme Annick LEGELEY PADOVANI, qui a bien voulu assurer lencadrement du
travail,
- Eric OPIGEZ et Yves BLANCA du Laboratoire de cartographie dont lassistance a t
dterminante pour la numrisation et lassemblage des cartes topographiques.
- Mme Annick AING qui a bien voulu mettre ma disposition le catalogue des images
SPOT / LANDSAT et ma fourni quelques conseils pour linterprtation visuelle des
compositions colores,
- Mme Franoise PELLETIER de latelier Informatique qui a toujours bien voulu
rsoudre tous mes problmes lis ladministration du rseau informatique.
Je remercie galement tous les chercheurs de lInstitut qui mont accord une tranche
de leur temps pour discuter de ma problmatique de recherche. Je pense en particulier Jean-
Pierre TREUIL du Laboratoire dinformatique Applique et Georges GRANDIN du
programme de recherche 2, Ressources Minrales.
Enfin, je voudrais dire merci au Seigneur pour la persvrance qui ma caractrise
durant ces 4 mois de stage et qui ma permis dviter de nombreuses difficults, qui pourtant
gravitaient autour de moi.
SOMMAIRE
Introduction Gnrale
1
L-
C
ir
i-,
ir
1. Contexte 2
2. Objectifs 3
3. Plan de stage 3
Chapitre 1 Gnralits sur lutilisation de la tldtection pour ltude 4
de la vgtation
1. Introduction 5
2. Mthodes didentification des groupements vgtaux 6
2.1. La nature des donnes pour 1 tude de la vgtation et des espaces agricoles
6
2.2. Mthode de traitement et algorithmes 7
2.3. Proprits spectrales de la vgtation et des sols
9
3. Etude des indices de vgtation 10
3.1. Les principaux indices 10
3.2. Les limites des indices de vgtation
11
4. Suivi de lvolution des groupements vgtaux
13
4. I. Correction des donnes satellites 13
4.2. Mthode de correction des donnes numriques brutes
14
4.3, Correction des efss et indices de vgtation
15
Chapitre 2 Traitements dimages de base sous les logiciels OSIFUS et PLANETES
17
1. Introduction 18
2. Visualisation des images 18
3. Cration dune composition colore 18
4. Classification multispectrale dune image 19
4.1. La mthode de classtjication non dirige
20
4.2. Mthode de classtftcation dirige 22
5. Les filtres 23
5.1. LesJiltres de frquence 23
5.2. Lesjltres statistiques 23
5.3. Lesflltres morphologiques 24
5.4. Lesjltres directionnels 24
6. Lanalyse en composantes principales 24
7. Les indices de vgtation 25
8. Le recalage gomtrique des images 26
Chapitre 3 Les traitements de Morphologie Mathmatiques : concepts et algorithmes 27
1. Introduction
2. Morphologie Mathmatique applique aux images binaires
2.1. Erosion et dilatation
2.2. Ouverture et fermeture
2.3. La reconstruction godsique
2.4. Bouchage des trous par la mthode dinversion-reconstruction-inversion
3. La morphologie mathmatique applique aux images en teintes de gris
3.1. Erosion et dilatation en teinte de gris
3.2. Ouverture et fermeture en teinte de gris
3.3. Rsidus des transformations morphologiques en teintes de gris : les chapeaux haut de forme
morphologiques
3.4. Application du Chapeau Haut de Forme blanc lextraction du rseau hydrographique
4. Les filtres connexes et les rsidus associs
4.1. Les filtres connexes
4.2. Rsidus des$ltres connexes
4.3. Application du Chapeau Haut de Forme connexe noir 1 extraction dune faille
Chapitre 4 Application la cartographie automatique de loccupation du sol dans
une rgion de lextrme Nord Cameroun
1. La zone dtude et les donnes
2. Linterprtation des compositions colores
3. Classification non dirige
3.1. Classtfkation par la mthode des nues dynamiques
3.2. Nettoyage par reconstruction
3.3. Fermeture et bouchage des trous.
3.4. Runion des images binaires
3.5. Reclassement des zones non pures par gnralisation
4. Recalage des images
5. Lanalyse en composantes principales
5.1. Interprtation visuelle et composition colore
5.2. Classification dimages avec les composantes principales
28
28
28
30
30
31
31
32
32
34
35
35
35
37
39
40
41
41
44
44
46
46
46
48
50
54
54
54
6. Classification dirige
6.1. Choix des zones dentranement
6.2. Classification dirige
6.3. Les traitements
7. Utilisation des indices de vgtation
8. Automatisation du traitement des classes
Conclusion gnrale
1. Remarques gnrales
2. Perspectives
Rfrences bibliographiques
Annexe 1 : Environnement Unix
1. Quelques Commandes Unix
2. Alias
3. Programmation
Annexe 2 : Caractristiques des donnes satellitales
Annexe 3 : Numrisation et assemblage des fond topographiques
1. Les donnes cartographiques de base
87
2. La numrisation et le traitement
88
3. Lassemblage des planches
88
58
58
58
60
65
70
71
74
75
76
80
81
81
82
83
86
L
c
C
INTRODUCTION GENERALE
b
-
Introduction gnrale
1. Contexte
L
L
L
r
Dans le cadre des activits de recherche, de formation et dchange entre les
utilisateurs de la tldtection, le Rseau Tldtection de IAUPEL-UREF (Agence
Universitaire de la Francophonie), offre chaque anne, depuis 1988 des bourses de stage
doctoral et post doctoral. Ce programme de bourses doctorales vise ainsi contribuer
lavancement des travaux de thse des tudiants qui effectuent leur doctorat dans une
universit reconnue, dun pays francophone en voie de dveloppement.
Notre projet de recherche qui porte sur ltude des dynamiques agro-cologiques par la
tldtection et les SIG dans une rgion de la province de 1Extrme Nord Cameroun a t
retenu parmi les trois projets accepts par le comit du rseau, sur les onze candidatures
enregistres, suite lappel doffre lanc pour lanne acadmique 1999. Ce stage de
recherche fait donc suite une recherche que nous avons engage dans le cadre du projet
Bois de feu financ par le gouvernement Nerlandais et dont les rsultats sont publis dans
(Fotsing E. et Madi A., 1999).
Les travaux ralises dans le cadre de notre projet visent proposer des mthodes et
outils pour la caractrisation des dynamiques spatiales des paysages ruraux durant les 25
dernires annes, dans une zone en pleine volution en utilisant la tldtection et les
systmes dinformation gographique. Pour atteindre cet objectif, nous avons orient notre
travail suivant les trois axes de recherche :
- la proposition dune mthode de cartographie partir des images multimodales des
satellites dobservation de la terre LANDSAT et SPOT.
- lintgration des cartes doccupation du sol avec des donnes secondaires sur les
paramtres qui influences les changements agricoles et loccupation du sol au sein
dun systme dinformation gographique
- lanalyse des formes dorganisation spatiale et la modlisation en vue de la
dtermination et de la caractrisation des forces du changement en milieu rural.
En collaboration avec le laboratoire daccueil, nous avons dfini un programme de
travail visant contribuer notre premier axe de recherche relatif la cartographie
automatique partir dimages spatiales. Notre travail a donc t orient en majorit vers
ltude des traitements de Morphologie Mathmatique et leur contribution llaboration
dune mthode de cartographie automatique de loccupation du sol. Cette nouvelle approche
danalyse numrique dimages a t appliqu par les chercheurs de lInstitut aux domaines
suivants : la cartographie des coules de larve, lextraction des failles et du rseau
hydrographique.
Rapport de stage doctoral en tldtection 2
Introduction gnrale
L
L
L
Ces travaux ont ainsi donn lieu plusieurs publications parmi lesquelles on peut
citer : (Debaine F. et al., 1988), (Simonneaux V., 1995) (Legeley-Padovani. A. et al., 1995) et
(Legeley-Padovani. A. et Mering C., 1997).
2. Objectifs
Le but de ce stage tant essentiellement de contribuer lavancement de notre travail
de thse, nous nous sommes fix des objectifs pouvant se situer trois niveaux :
- Complter nos rfrences bibliographiques sur le sujet de recherche et approfondir sa
problmatique,
- Tester les diffrents traitements dimages de base en utilisant un logiciel de recherche
en tldtection dvelopp par les chercheurs de linstitut et pouvoir interprter efficacement
les rsultats obtenus,
- Etudier en particulier les traitements de Morphologie Mathmatique en vue de leur
exploitation pour la proposition dune mthode de cartographie de loccupation du sol.
3. Plan de stage
Nous nous sommes intresss dans une premire tape une connaissance de
lenvironnement du travail (systme dexploitation UNIX, logiciels OSIRIS et PLANETE)
qui sest effectue simultanment avec une importante recherche bibliographique sur le sujet.
Le chapitre 1 prsente cet effet les gnralits sur lutilisation des techniques de
tldtection en cartographie et en agriculture. Le chapitre 2 prsente quelques traitements de
base dimages implants sous les logiciels OSIRIS et PLANETE.
Dans une deuxime tape, nous avons tudi les principaux oprateurs de Morphologie
Mathmatique appliques aux images binaires, puis aux images en teintes de gris. Cette tude
nous a permis daborder les rsidus de ces transformations et nous montrons dans le chapitre 3
comment ceux-ci peuvent tre exploits pour extraire le rseau hydrographique ou une faille.
La troisime tape du stage, dcrite dans le chapitre 4 a t consacre ltude de cas
sur la cartographie de loccupation du sol partir dimages SPOT. Elle inclut lacquisition et
la lecture des images SPOT, llaboration dune mthode de cartographie semi automatique,
le traitement des images et une premire approche dinterprtation des rsultats avant la
confirmation de ceux-ci par les vrits de terrain.
L
CHAPITRE 1
GENERALITES SUR LUTILISATION DE LA TELEDETECTION
POUR LETUDE DE LA VEGETATION
Chapitre 1 : Gnralits
1. Introduction
Plusieurs rfrences situent les dbuts de la tldtection dans les annes 1783 avec le
premier vol en ballon. On y note galement des vnements historiques marquants de cette
discipline en pleine volution tels que : la premire photographie arienne (1858) la
ralisation des photos en couleur (1855) et le dveloppement des capteurs radar des fins
militaires pendant la deuxime guerre mondiale. Ce nest qu partir de 1972, date du
lancement du satellite LANDSAT que la tldtection est devenue un outil dobservation,
dinventaire des ressources naturelles, de modlisation et de prvision des risques utilis par
les chercheurs en science de lenvironnement.
Aujourdhui, on distingue trois grands secteurs dapplication de la tldtection la
biosphre terrestre : ltude des zones de vgtation herbace, ltude des espaces forestiers et
ltude des paysages agricoles. Les botanistes et biogographes distinguent plusieurs types de
vgtation selon lorigine climatique (Delpech et al., 1985) ou non de ces formations.
Lexistence de divers groupements vgtaux et les utilisations varies qui en sont faites
donnent lieu diverses applications de la tldtection, mais les informations recherches
dans chacun des cas par les utilisateurs concernent gnralement lidentification, lvaluation
et la prvision de lvolution dynamique des groupements.
Malgr quelques limites signales (Bariou et al., 1985) de cet outil lies notamment
la nature (images multimodales) et la complexit des procdures de traitement, les
mthodes de cartographie dveloppes (Girard C.M. et Benot M., 1990 ) et les expriences
des chercheurs (Achard F. et Blasco F., 1990) montrent et illustrent des points dintrts o la
tldtection peut apporter une contribution intressante.
Ce premier chapitre constitue un bref tat de lart sur les techniques dutilisation de la
tldtection pour ltude de la vgtation. Nous tudions les mthodes didentification des
groupements vgtaux en abordant successivement la nature des donnes et les contraintes, les
tendances actuelles sur le plan des algorithmes et des traitements. Nous abordons ensuite les
indices de vgtation qui fournissent des informations pertinentes quant lestimation du
couvert et la prvision des rcoltes bien que la plupart de ces indices restent encore au niveau
des laboratoires. Nous terminons cet tat de lart par la problmatique lie la comparaison de
donnes satellitaires multimodales qui nous intresse dans le cadre du suivi de la dynamique
des paysages agricoles et ruraux de notre zone dtude.
Climax : tat dun cosystme ayant atteint un stade dquilibre, conditionn par les seuls facteurs climatiques
et daphiques.
2. Mthodes didentification des groupements vgtaux
L
L
L
ir
2.1. La nature des donnes pour ltude de la vgtation et des espaces
agricoles
Les trois sources de donnes de tldtection les plus utilises pour ltude de la
vgtation et lagriculture sont les photographies ariennes, les images des satellites
dobservation de la terre et des satellites mtorologiques.
a) Les photographies ariennes
Les photographies ariennes couvrent de petites surfaces et ne se prtent pas des
traitements informatiques. La confection est plus facile mais plus coteuse compare une
image SPOT. A titre dillustration, il faut 400 photos au 1/30 000 pour couvrir une surface
quivalente celle dune image SPOT HRV (Guyot G., 1996). Les photos sont prfrables
aux images satellitaires si on veut : identifier des petits objets, localiser des points
dchantillonnage, inventorier des cultures dans les rgions possdant des trs petits
parcellaires, ou inventorier des plantations fruitires o la couverture du sol est voisine de
20% et quon confond facilement sur les images satellitaires.
b) Les images des satellites dobservation de la terre
Ces images ont une rsolution spatiale adapte aux besoins de la cartographie des sols
et du couvert vgtal. La rsolution temporelle thorique est de 26 jours pour SPOT et 16
jours pour LANDSAT, mais la concidence avec des journes claires ncessaires pour la prise
des images ne permet dobtenir plusieurs images. Les tudes ont montr que 90% de
linformation sur un couvert vgtal est contenu dans les canaux rouge et proche infrarouge
(Baret et al, 1988). Ce sont dans ces bandes quon note un plus grand contraste entre le sol et
la vgtation. Les bandes TM5 et TM7 en particulier donnent beaucoup plus dinformations
sur : le dveloppement de la surface foliaire, sur le port des plantes et sur lhumidit de la
surface du sol sous-jacent. (Guyot G., 1996) estime que la bande 6 du capteur MSS tait mal
adapte au suivi de la vgtation. En Annexe 2, sont prsentes les caractristiques spectrales
des capteurs Landsat MSS, Landsat TM et Spot HRV, ainsi quun tableau indiquant les plages
spectrales de quelques rgions spectrales usuelles (visible, Proche Infrarouge, Moyen
Infrarouge et Infrarouge Thermique). Ces donnes permettent de faire une correspondance
entre les canaux de ces diffrents capteurs (tableau A2.1 et A2.2).
c) Les images des satellites mtorologiques
Elles fournissent aussi des donnes dans le visible, le proche infra rouge et linfrarouge
thermique mais, ont une faible rsolution spatiale (5km pour Mtosat et lkm pour NOAA) et
c
-
une grande rsolution temporelle (30 minutes pour Mtosat , 4 passages par jour pour
NOAA). Ils sont donc utiliss pour tudier les phnomnes globaux lchelle dun pays
(Achard F. et Blasco F., 1990).
Les formations vgtales ne prsentant pas la mme texture et la mme composition
toutes les priodes de lanne compte tenu des changements saisonniers et climatiques (Lepart
J. et Escarre J., 1983), le choix de la date dobservation est un critre important pour
lidentification des groupes. Il est vrai que ce souhait nest pas toujours ralis en particulier
dans les zones climat tempr ou humide o les capteurs visible ou infrarouge sont obstrus
par la couverture nuageuse.
Lidentification des groupements vgtaux par limagerie SPOT ou LANDSAT peut
tre limite par les bandes spectrales utilises ou la dimension du pixel. Les zones tests
doivent de prfrence tre de lordre de 30 pixels avec un contenu homogne (Girard C. et
Blasco F., 1996). Puisque ceci est en gnral difficile, il est intressant de choisir des pixels de
dimension plus grande de manire que lhtrognit soit attnue avec la perte de la
rsolution. Les donnes AVHRR de NOAA deviennent plus indiqus pour lidentification des
vgtaux car le pixel est plus gros (1,l xl, 1 Km) et la reptitivit plus grande (toutes le 12
heures) permet de suivre les comportements spectraux. De plus, linfrarouge thermique
apporte des informations complmentaires sur lvolution des principaux stades
phnologiques.
2.2. Mthode de traitement et algorithmes
a) Tendances actuelles en analyse dimage
Le paragraphe prcdent montre que les donnes de tldtection utilises pour ltude
de la vgtation et linventaire agricole sont multichelles, multibandes, et multimodales.
Lextraction de linformation qui en rsulte devient de plus en plus complique car elle
ncessite non seulement une bonne connaissance de la nature de ces donnes mais ncessite
galement une mthode de cartographie adapte aux informations que lon dsire extraire.
Parmi les mthodes rcentes et innovatrices danalyse dimages dveloppes en
rponse ce besoin on peut citer lanalyse de texture, lanalyse fractale et la Morphologie
Mathmatique (Bonn F. et Rochon G., 1996). Ces approches danalyses dimages sont bases
sur des fonctions mathmatiques qui exigent normment de temps de calculs et leur
intgration une mthode de cartographie peut devenir trs fastidieuse pour lutilisateur. On
sintresse dans ce travail lautomatisation de certaines procdures en laissant la latitude
lutilisateur de choisir les paramtres indiqus et mme deffectuer des traitements
intermdiaires. Malgr le dveloppement des mthodes danalyse automatique des images
numriques, on a toujours recours une interprtation visuelle qui est certes fastidieuse mais
L
111
ir
simple, moins coteuse et plus pertinente. Plusieurs expriences dapplication de tldtection
illustrent la richesse de linterprtation visuelle dune composition colore en vue dune
cartographie.
b) Notre approche
Dans cette tude nous nous intressons donc une mthode de cartographie semi
automatique de loccupation du sol qui combine les traitements de base dimage aux
traitements de Morphologie Mathmatique. Les traitements de morphologie mathmatique
exploits se situent en aval dune classification dimage multispectrale non supervise et
pseudo supervise qui utilise la mthode des Nues Dynamiques. Lalgorithme de cette
classification est prsente au chapitre suivant qui est consacr aux traitements de base.
Les cartes obtenues constituent un document de base qui doit tre confirm par la
vrit de terrain et on peut ainsi estimer les erreurs lies une telle approche. Pour rduire les
erreurs destimation lors de lvaluation des surfaces, il est prconis de conserver par
masquage les seuls pixels correspondants aux groupements tudis. Les erreurs seront
dautant rduites que le nombre de classes lintrieur dune formation vgtale sera rduit.
(Girard C. et Blasco F., 1996).
c) Conclusions
En gnral, les formations vgtales sont identifiables sils prsentent une date
donne (saison), un comportement spectral qui les distingue des autres groupes. Linformation
obtenue est dun intrt dautant plus grand si les espces identifies sont indicatrices. Les
travaux de 1INIU de Paris-Grignon (Girard C. et Blasco F., 1996) sur la mise en vidence
des comportements spectraux des groupes de prairie a men aux recommandations pratiques
suivantes pour lidentification des groupements vgtaux :
- Connatre lavance les groupements existants (relevs botaniques et observations de
terrain),
- Identifier les dates de diffrenciation des groupes par des comportements spectraux grce
des campagnes radiometriques sur le terrain,
- Disposer des images ou photographies correspondant aux dates de diffrenciation,
- Lutilisation des classifications diriges est prfrable aux classifications non diriges ou
1 ACP,
- La cration des classes partir des zones dentranement nest efficace que si ces zones ont
une dimension de 30 pixels avec un contenu homogne,
- Linterprtation visuelle des compositions colores est conseille la classification
automatique lorsque lon ne dispose pas de moyens informatiques.
ir
-
2.3. Proprits spectrales de la vgtation et des sols
Ltude des proprits spectrales des vgtations montre quau niveau des feuilles,
lnergie solaire reu dans le visible est fortement absorbe car il existe deux bandes
dabsorption (bleu, rouge) et un maximum de rflectance est observ dans le vert (figure 1. l),
ce qui justifie la couleur verte des feuilles vivantes.
Par contre, on note une trs forte rflectance dans le PIR et la transition avec le rouge
est trs abrupte. Ce contraste est exploit pour construire divers indices de vgtations (Bariou
et al, 1985) qui mesurent la quantit de vgtation dans une rgion. Dans le MIR, les bandes
dabsorption de leau commandent labsorption de la feuille. On note donc dans cette plage
des pics de rflectances sur lesquels sont centrs les canaux 5 et 7 du capteur TM de Landsat.
La rflectance des sols croit de faon linaire lorsquon se dplace des longueurs
dondes visibles vers les celles de linfrarouge. Dans tous les cas, les sols secs sont plus
rflchissant que les sols humides.
-
-
Vgtation verte
25 sol sec
\
20
15
10
5
n
vert rouge
proche infra - rouge
0,25 0,40 0,4S 0,SO 0,5S 0,60 0,6S 0.70 O-7.5 0,80 0,8S 0.90 0.9s 1.00
A/I111
Figure 1.1 : : Courbes de rflectance dun vgtal vert et dun sol sec ou humide daprs (Bariou et al., 1985)
-
-
L
L
-
f
3. Etude des indices de vgtation
Un indice de vgtation est une combinaison linaire des canaux qui est utilise
principalement pour estimer la densit du couvert vgtal, diffrencier les grandes units
naturelles ou culturales et entreprendre dans certains cas la prvision des rcoltes. Les travaux
consacrs formulation et lvaluation des indices de vgtation montrent dune part leur
intrt indniable pour la cartographie de loccupation du sol et en particulier pour ltude des
changements de la vgtation. Dautre part, ils rvlent les insuffisances et les limites lies
leur utilisation qui se traduit par le nombre sans cesse croissant des indices qui ont t
dvelopps ainsi que par les contradictions dans les rsultats obtenus (Bariou R. et al., 1985).
Si on prend le cas particulier de la prvision des rcoltes, on remarque par exemple que la
plupart des indices conus cet effet ne sont ralisables le plus souvent quau laboratoire
partir des donnes de radiomtres portables ou davions et non sur des images satellites.
Dans le cadre de cette tude, lutilisation des indices de vgtation est mene
titre exploratoire afin dapprcier leur contribution lvaluation de la densit du couvert
vgtal (ligneux), la discrimination entres les principales cultures et la dtection des
changements dans lutilisation du sol partir des images satellitaires multimodales. Le calcul
des indices de vgtation est une tape intermdiaire de la mthode de cartographie devant
fournir des connaissances priori sur les paysages pour guider les classifications.
3.1. Les principaux indices
Plusieurs indices de vgtation ont t proposs par les chercheurs en tldtection et
on peut les regrouper en fonction de plusieurs critres parmi lesquels : lutilisation qui en est
faite, le nombre de bandes combines et les oprations de bases appliques aux canaux.
3.1.1. Les indices foliaires
On peut citer :
- Indice de dveloppement foliaire LAI mesure la surface totale des feuilles par unit de
surface dans un couvert. Cest lun des meilleurs indicateurs des potentialits de rcolte,
- Indice foliaire chlorophyllien (GLAI) est un cas particulier de LAI o on ne prend en compte
que les feuilles vertes. Cet indice ne peut donc tre mesur quen priode de vgtation
verte et constitue un meilleur indicateur de production que le LAI,
- Indice de recouvrement foliaire LOI dtermine le taux de recouvrement des feuilles dans un
couvert vgtal,
- Indice dinterception de la radiation solaire SRI dtermine la proportion de radiation solaire
intercepte par un couvert vgtal en fonction de lindice foliaire,
L
Chapitre 1 : GnCralits
3.1.2. Les Indices de vgtation dans le visible et linfrarouge
En observant la courbe de rflectance dun vgtal vert et dun sol nu (figure 1. l), on
remarque que les plus grandes diffrence de rflectance entre deux bandes sobservent dans
les longueurs dondes correspondant au rouge et linfrarouge. On peroit donc lintrt de
lutilisation des ces canaux pour diffrencier les sols des vgtations vertes et estimer ainsi la
biomasse. Baret F. et Guyot G. (1991) expliquent ce choix en disant que le canal rouge et le
canal proche infrarouge contiennent 90% de linformation spectrale sur la couvert vgtal.
Cette proprit a donc t exploite pour formuler de nombreux indices de vgtation qui sont
regroups dans le tableau 1.1 en fonction des oprations de base appliqu aux canaux.
L
LI
Y
L
LI
LI
Y
L
I
-
Y
-
-
3.2. Les limites des indices de vgtation
3.2.1. La sensibilit aux conditions atmosphriques
Les nuages non dtectes dans les images ncessitent que les canaux soient corrigs afin
daugmenter la corrlation entre les composantes images.
3.2.2. La sensibilit aux conditions (gomtrie) de vise
Les conditions de vise incluant langle dlvation solaire, langle solaire znithal,
langle znithal et langle azimutal de vise conduisent galement au besoin de normaliser les
donnes de sorte que les valeurs absolues ne soient pas proportionnelle lillumination. A titre
dillustration, les effets de langle de vise sont estims plus important dans la bande rouge que
dans la bande proche-infrarouge mais la diffrence normalise NDVI = (PIR-R)/(PIR+R) et
lindice de densit VIN=PIR/R rduisent considrablement cette diffrence alors que dautres
indices (Perpendicular Vegetation Index) restent sensibles aux changements de gomtrie.
3.2.3. La rflectance du sol.
La rflectance du sol influence galement sur les indices mais on ne sait pas encore
exactement les canaux sensibles, Toutefois, on sait que les sols clairs (grande rflectance)
influencent plus que les sols sombres (Huete A. R. et al., 1985). Le NDVI ou la diffrence
normalise est le plus utilis des indices de vgtation car il est simple mettre en
oeuvre.mais, il dpend des proprits optiques du sol sous-jacent.
De nombreux autres indices de vgtation ont donc t dvelopps afin combler les
limites de la NDVI notamment le PV1 ou lindice perpendiculaire de vgtation. Le SAVI et
le TSAVI sont plus complexes, mais rduisent considrablement les perturbations dues au sol.
(Kauth et Thomas, 1976) proposent la transformation des composantes image dentre au
moyen dindices de brillance et de vgtation.
I I \
f
f f r t
Catgorie Indices Formules Remarques
Colour Vegetation Index ou CV1 CV1 = MSS5MSS7 donne directement les niveaux dactivit chlorophiliennes et la
densitt du couvert vgetal
Ashbum Vegetation Index ou AVI AV1 = 2*MSS7-MSS5 le facteur 2 minimise les rsultats ngatifs et rend compatible cette
bande (6bits) avec les autres @bits)
Soustraction entre les Environmental Vegetation Index, EV1 = MSS7-MSS5
est une variante du AV1
bandes du R et du PIR Droite des sols MSS7 - 2,40 MSS5 permet de sparer les sols nus forte rflectance des sols couverts
ou humides
Difference Vegetation Index DVI = 2,40 MSS7 - MSS5 DVI < 0 : eau, DVI = 0 : sol nu, DVI > : vgtation
Indice de brillance
IB=dm
utilis en pdologie
Addition entre les Droite du domaine terrestre MSS5 + MSS6
bandes R et du PIR Droite du domaine aquatique MSS5 + 2 MSS6
Ratio vgtation index RVI = R/PIR ou MSSS/MSS7 discriminateur mdiocre pour la vgtation verte lorsque le taux de
recouvrement est infrieur 50 %
Vegetation Index number VIN = PIR/R ou MSS7lMSS5
Rapport utilisant les Vegetation Index Difference VIN (tl)-VIN (t2), dtection des changements survenus entre deux dates
canaux R et du PIR (Angelici G., L, et Bryant N. A. 1977)
Normalised Difference Vegetation NDVI = (PIR-R)/(PIR+R), Trs utilis, mais application exclusive aux vgtations
Index chlorophylliennes
Rapport utilisant les Transform Vegetation Index OU TV1 0,5 permet dviter des valeurs ngatives sous la racine. Bonne
canaux R et du PIR est une variante du NDVI corrlation avec la biomasse, permet de comparer la biomasse des
plantes sous diverses conditions de localisation
Indice de rougeur RI = R-V/R+V. Estimation de la saturation dun sol
Indice de coloration IC = (R-B)/R
Utilisation des autres Indice de densit de vgtation MSSS-MSS4 Forte diffrence positive synonyme de sol nu et forte diffrence
bandes
ngative synonyme de vgtaion
Indicateur des sol nus (MSS4-2MSS5) 13
Autres rapports de canaux VertlRouge, RougeNert, BleuIRouge, PIR/Vert, VertlPIR, MSS6IMSS7 (PIIUPIR)
Combinaison de 3 ou 4
(MSS7-MSSS)/(MSSS-MSS4)
canaux Indice de brillance
IB = (R) +(V)2 +(B)
Estimation de la clart dun sol
Tableau 2.1 : Classification et comparaison de quelques indices de vgtation
Cette transformation a t applique aux donnes LANDSAT/MSS et a t appele
Tasseled Cap Transform. Lindice de brillance tient compte pour des vgtations de
recouvrement infrieur 15% de la prsence du sol nu.
4. Suivi de lvolution des groupements vgtaux
Linfluence des activits humaines sur lenvironnement se traduit par des
abandons ou des sous exploitations despaces, des changements de mode dexploitation
(Lepart J. et J. Escarre, 1983). Les donnes de tldtection constituent dj un puissant
document darchives permettant didentifier les formations vgtales prsentes dans une
rgion une poque donne, mais la principale difficult reste lexploitation de donnes
multisources, dchelles varies et de rsolutions diffrentes pour une analyse diachronique.
Comment obtenir des donnes parfaitement comparables et intgrables ? Quelques solutions
envisageables sont :
- lutilisation dun SIG (intgrateur de donnes),
- lutilisation des photographies numrises,
- la ralisation des corrections gomtriques et radiomtriques (homognisation des
donnes) de faon a obtenir des donnes superposables ou comparables,
- linterprtation spare des diverses donnes et report de chacune sur un fond
topographique unique,
- la ralisation dimage dvolution par simple diffrence entre des classifications
diriges effectues sparment.
4.1. Correction des donnes satellites
Comment corriger et disposer des donnes comparables dune date dacquisition une
autre ou dun capteur un autre ? Cest en ces termes que se pose le problme de lulilisation
des images satellites multimodales. Pour passer des donnes satellitaires aux paramtres
thmatiques, deux approches sont couramment utilises : une empirique et lautre analytique
(Guyot et al., 1996).
Lapproche empirique utilise directement les donnes numriques fournies par le
satellite pour produire la classification ou la cartographie dune seule image. Cette approche
prsente les inconvnients suivants :
- on nobtient de bons rsultats que sil y a des diffrences accentues de niveaux
radiomtriques entres les units cartographier,
- la mthode de traitement ou de classification nest pas valable pour une image dune
autre date ou dun autre satellite,
- des facteurs perturbateurs peuvent conduire des confusions ou de mauvaises
interprtations,
- on ne peut donc prtendre avoir des donnes quantitativement comparables.
Lapproche analytique est base sur les proprits optiques des objets cartographier
et ncessite donc une correction pralable des donnes numriques brutes qui permet dobtenir
la rflectance ou la luminance des objets aux sol. On peut donc facilement tablir une relation
entre ces proprits optiques et les paramtres thmatiques dintrts. Cette approche prsente
lavantage de fournir des donnes quantitatives exploitables et comparables entre elles dune
date une autre ou dun satellite un autre. Linconvnient majeur rside dans la complexit
du processus et des techniques de correction.
4.2. Mthode de correction des donnes numriques brutes
La correction des dfauts suit le processus suivant, qui est linverse de celui de la
formation des images.
4.2.1. Elimination des perturbations dues aux capteur :
Parmi la srie daltrations subies par les donnes et dues au capteur, il est possible de
corriger les effets de la fonction de transfert de modulation (FTM) et la sensibilit spectrale
des dtecteurs.
La valeur de la FTM reprsente la capacit du capteur transfrer limage
enregistre la modulation spatiale du signal provenant de lobjet cible. Elle peut tre
modlise comme un coefficient variant de 0 1 par lequel on multiplie le contraste de
luminance entre lobjet cible et les objets voisins. Cette valeur est donc une fonction de la
valeur relative de la frquence spatiale par rapport la frquence dchantillonnage f, du
capteur. Cette fonction dcroissante est approche par une variation linaire entre 0,l f, et 0,5
f, La limite fJ2 de la frquence spatiale est donne par le thorme de Nyquist. Dans (Guyot
et al, 1996) on montre que plus la frquence spatiale est grande, moins la valeur de la FTM est
grande et plus limage est affecte par des perturbations. Il montre galement que leffet de la
FTM saccentue sur la superposition de plusieurs signaux.
Procdure de correction de la FTM
l Dterminer la transforme de Fourrier bidimensionnelle de limage brute
l Corriger le spectre de Fourrier en divisant les valeurs relles et imaginaires pour chaque
paire de frquences correspondant aux lignes et aux colonnes par les valeurs
correspondantes de la FTM. Celles des capteur TM et HVR mesures avant la lancement
et vrifies en orbite sont disponibles en Annexe (tableau A2.3).
Rapport de stage docforal en tldtection 14
/
4
l On applique ensuite la transformation inverse au spectre corrig de limage et on obtient
limage corrige des effets de la FTM
La correction de la FTM des satellites est ncessaire lorsque lon travaille sur une zone
agricole avec un petit parcellaire et des cultures trs diversifies car la FTM rduit le contraste
entre pixels en fonction de la frquence de variation de la luminance et tale spatialement les
variations radiomtriques.
On remarque que les bandes spectrales de SPOT et LANDSAT ne concident pas et en
considrant les mesures effectues sur des cibles tendues et homognes (800 4000 pixels),
on peut dterminer le coefficient de proportionnalit permettent de passer des donnes dun
capteur lautre. Cette exprience a montr que les capteurs HRV sont plus sensibles que les
capteurs TM.
4.2.2. Etalonnage absolu et prise en compte des conditions dacquisition
Cette tape permet dobtenir des donnes exprimes sous forme de grandeur physique
(rflectance ou luminance apparente au niveau du capteur) en introduisant un coefficient
dtalonnage et en prenant en compte les conditions dacquisition.
4.2.3. Correction des effets atmosphriques
On limine les effet de latmosphre en considrant le rayonnement de
lenvironnement et la luminance du trajet optique qui sajoute au rayonnement de la cible. On
obtient une reflectance apparente qui est relative une surface fictive plane et horizontale o
on suppose un clairement uniforme.
4.2.4. Correction des effets topographiques et directionnels
Les capteurs SPOT peuvent dpointer leur axe de vise de -27 +27 par rapport la
verticale pour pouvoir accder frquemment une cible. Cette tape permet de passer aux
proprits optiques relles de la surface. On corrige les effets produits produits par les
variations dclairement dues la topographie.
4.3. Correction des effets et indices de vgtation
La diffrence normalise est affecte par la sensibilit radiomtrique du capteur, son
talonnage et les effets atmosphriques. Il est par consquent difficile de comparer des indices
de vgtations calcules partir de donnes brutes. Dautre part les seuls valeurs de NDVI qui
soient parfaitement comparables dun jour lautre et dun satellite lautre sont celles
calcules partir des rflectances au niveau du sol (Guyot G et Gu X. F., 1994).
L
b
Or, puisquil est aussi difficile de corriger les effets atmosphriques, il est conseiller de
calculer le NDVI partir des rflectances apparentes au niveau du satellite car on tient compte
de lclairement solaire et des coefficients dtalonnage des capteurs.
Le passage des donnes de NDVI,, obtenu partir de donnes brutes (comptes
numriques ) celles de NDVI, calcul partir des donnes de reflectance apparente est
dfinie par une relation linaire :
- NDVI,(HRV) = 0.961 NDVI,, + 0.182 (r=O.998)
- NDVI,(TM) = 0.975 NDVI,, + 0.100 (r=O.994) o r est le coefficient de corrlation.
Cette correction approche est valable lorsque NDVI est compris entre -0,5 et 0,4.
Sinon on il est conseill dutiliser la formule suivante :
- NDVI, = (A, E, DC,, x A,,, E,, DC, ) / ( A, E, DC,, + A,, E,, x DC,)
CI
L
o les A sont les talonnages du capteur, les E sont les clairements solaires et les DC les
comptes numriques. Les paramtres dtallonnage des instruments HRVl de Spot et TM de
Landsat sont donnes en Annexe 2 (tableau A2.4).
c
Y
TRAITEMENTS DIMAGES DE BASE SOUS LES
LOGICIELS OSIRIS ET PLANETE
CHAPITRE 2
CI
L
L
4
0
Chapitre 2 : Traitements dimages de base
1. Introduction
OSIRIS (Outil et Systme Intgr de Recherche en Imagerie Spatiale) est un logiciel
de traitement dimages satellites et de cartographie dvelopp par les chercheurs de
1ORSTOM. Cet outil disponible sur station SUN sous lenvironnement UNIX, intgre des
modules issus de PLANETE et OPAL qui sont galement des logiciels de traitement dimages
de tldtection de 1ORSTOM. Lutilisateur dispose de toute la panoplie des traitements
dimages de base : la visualisation et la modification dimage, 1Analyse en Composantes
Principales (ACP) et la cration des compositions colores, lacquisition dimages de sources
diffrentes et la cration de sorties graphiques, la classification et le filtrage, les oprateurs de
morphologie mathmatique, calculs statistiques, transformations gomtriques et
radiomtriques.. .
PLANETE offrent galement des possibilits de macroprogrammation (scripts) qui
permettent dautomatiser certains traitements (Voir chapitre 3). Ce chapitre prsente les
traitements dimage de base exploits et les exemples illustrant ces traitements sont donnes
dans le chapitre 4.
2. Visualisation des images
Les images peuvent tre visualises en niveau de gris ou en utilisant une palette de
couleurs. Il suffit dindiquer le nom de limage (8%239), le numro de canal (1, 2, ou 3) et la
palette utiliser si cest ncessaire. OSIRIS permet damliorer automatiquement la qualit de
laffichage en modifiant la dynamique des niveaux de gris.
Laffichage de lhistogramme permet dautre part de visualiser graphiquement la
rpartition des valeurs des pixels. Les nouveaux canaux peuvent tre obtenus par
transformation dhistogramme. On peut ainsi amliorer le contraste dune image, la binariser
ou effectuer un seuillage quelconque.
3. Cration dune composition colore
Une composition colore est une combinaison de trois bandes spectrales dans laquelle
on associe une bande chacune des couleurs rouge, vert et bleu. De nombreuses applications
montrent lintrt de linterprtation visuelle dun composition colore en vue dune
cartographie (Girard C. M. et Blasco F.,
1996). La cration dune composition colore avec
OSIRIS passe par deux tapes.
Premire tape : On choisit le type de palette qui sera cre parmi les trois proposs (666,
884 ou 766). Chaque chiffre dtermine le niveau de chaque canal qui dpend de la largeur des
histogrammes des canaux. Le produit des trois niveaux devant tre infrieur 256. On utilise
-
I
Y
/
ensuite la fonction cumul pour obtenir les valeurs minimales et maximales pour chaque canal
(tableau 2.1) et on peut ds lors visualiser le rsultat correspondant. Cette tape, appele test
graphique permet lutilisateur de modifier itrativement les valeurs jusqu obtenir un
rsultat visuel satisfaisant. Ce test graphique nest pas intgr dans la dernire version
dOSIRIS fonctionnant sous SOLARIS 2.
la fonction cumul
Tableau 2.1 : Valeurs radiomtriques minimales et maximales chaque tape
Deuxime tape : Lutilisateur fournit en entre les canaux utilises, les valeurs minimales et
maximales retenues ltape prcdente et le niveau pour ladaptation de la dynamique de
chaque canal avant la composition colore.
4. Classification multispectrale dune image
Lobjectif de la classification est de produire partir de mesures radiomtriques, une
image thmatique qui est une interprtation et une catgorisation des objets associs aux
mesures. Il sagit dobtenir des classes telles que deux pixels de la mme classe se
ressemblent le plus possible et deux pixels de deux classes distinctes se ressemblent le moins
possible.
Le processus de classification passe par ltablissement des classes de signature et la
classification de chacun des pixels en fonction des signatures. Lorsque la nature des objets de
limage est priori connue et quon lutilise pour ltablissement des classes (algorithme
dapprentissage), on dit que la classification est dirige. Dans lautre cas, si aucune
information sur la signature des objets nest connue, lalgorithme de classification doit alors
rechercher par association entre les pixels, les signatures les plus communes de la scne afin
de dduire des signatures dobjets virtuels. On dit alors que la classification est non dirige.
Puisquune classe est en gnral reprsente par une rgion spectrale et quil y a
presque toujours un chevauchement des signatures, les rgles de dcision pour le dcoupage
de lespace spectral constituent un problme central des algorithmes de classification. Il existe
cet effet plusieurs fonctions de dcision ou fonctions discriminantes. Certaines exploitent les
paramtres statistiques des classes (fonctions paramtriques) et dautres ne sappuient sur
aucune connaissance pralable des paramtres statistiques (figure 2.1).
1
MCthodes
paramtriques
I
1
Mthodes non
paramtriques
I
1 non
Apprentissage
imparfait
non
I
ttonnement
J
V(Max. de vraissemblence)
Figure 2.1 : Mthodes de classifications param&riques et nokn paramtriques (Bonn F et Rochon G., 1996).
Dans le cadre de cette tude, nous nous sommes intresss essentiellement aux
mthodes non paramtriques et deux mthodes ont t tests sur les images disponibles : la
mthode des nues dynamiques et une mthode dapprentissage pseudo dirige.
4.1. La mthode de classification non dirige
Lhistogramme de la composition colore est visualis et le choix du nombre de classe
est dcid en fonction des modes observs. Nous utilisons ensuite la classification par les
Nues Dynamiques sous OSIRIS. Les tapes sont les suivantes :
- cration dun fichier des n-uplets (.clu)
- classification des n-uplets (cration dun fichier de nuages .ng)
- production dune carte thmatique partir du fichier de nuages
Cette technique appartient aux mthodes de classification non dirige. Ce qui suppose
que lon calcule une partition dun ensemble de donnes (les pixels) sans mettre dhypothse
c
L
dhypothse priori sur les proprits des classes. Cette mthode de classification est base
sur lagrgation de groupes de points que lon amliore itrativement contrairement aux autres
mthodes qui sont bases sur le choix dun seuil, ou qui recherchent la partition qui minimise
un certain critre. On peut citer dans cette dernire catgorie les algorithmes de
programmation dynamique (Jensen R. E., 1969) et les algorithmes utilisant la logique floue
(Ruspini E. H., 1970).
La mthode des nues dynamiques a t applique avec succs dans plusieurs
domaines tels que la reconnaissance des formes (Diday E., 1978) et la neurologie (Diday E.,
197 1) pour dissocier des objets en se basant sur un ensemble de paramtres caractristiques.
En traitement dimage cette technique est utilise pour classer des pixels dune image 1
x lignes et y colonnes en K classes (C,, C,,...,C,) en se basant sur ses valeurs dans les bandes
spectrales (Il, 12,...Im) qui sont utilises pour la classification .On note successivement :
- P(E) lensemble des parties de E, d une distance dfinie entre E et P (d : E x P -->IR+).
- Pi (E) lensemble des parties de E ayant ni objets
- E,, E,, . . . . . E, : K parties de E avec Ei E Pi
- L,= P, x P, x . . . . x P,
-T={kEIN/l<=k<=K}
- r : E x T x L, --> IR une fonction dagrgation - cartement. On peut par exemple
prendre un cas simple o r(x, k, L) = d(x, C,) avec L EL~ .
Lalgorithme de classification dune image multispectrale par la mthode des nues
dynamiques adapte de (Diday E., 197 1) peut tre rsum par les tapes suivantes :
Lensemble E = 00 {(It(i,j), IZ(i,j) , . ..Im(i.j))} des m-uplets dfinis par Il x 12 x . ..x Im
i=l j=l
est dabord calcul. Des talons de dpart (n=O) dfinis par L(O)= (E,(O), E2(), ..EK()) sont
ensuite choisis pour chaque classe. Ils peuvent tre obtenus pas un tirage au hasard, par un
algorithme de classification hirarchique ou une analyse factorielle (Diday E., 1971).
De faon itrative (figure 2.2), on calcule un tableau de distance entre les lments x
de E et les Ei) qui permet de crer une partition de E en K classes en regroupant les lments
plus proches de Ei() .
On calcul de nouveaux talons L(+) = (E,(+), EZ(n+), ..EK(+)) o Ei est lensemble
des ni m-uplets qui minimisent r(x, i, L) pour i E T. On prend ni = (3/4) tard(E).
Lalgorithme sarrte lorsque L(n+l) = L(n). Diday E. (1978) a montr que L(n) converge et
que sa limite L est un optimum local. Cest dire que la classification obtenue ne peut tre
Rapport de stage doctoral en tldtection 2 1
L
-
amliore ce niveau par le mme principe dagrgation cartement. Chaque pixel de limage
peut ensuite tre aisment associ une classe de la partition (C,, C,, . . ..C.) de E obtenue.
d(x, Ei(n) Y x E E et v i E T
Ci()={ x / d(x, Ei())<d(x, Ej) Vj + i }V i E T
L(+l) = (&(+l), &(+l), JE$+l)) o
Ei()={ensemble des ni m-uplets qui
minimisent r(x, i, L() }
Non
Association de chaque pixel une
partie Ci de E
Figure 2.2 : Algorithme de classification par les Nues Dynamiques
4.2. Mthode de classification dirige
Dans cet approche, lalgorithme de classification utilise les talons crs partir des
zones dentranement qui sont fournies par lutilisateur ainsi des paramtres statistiques
associs.
Si les tiquettes des zones dentranement ne sont pas connues, on dit que
lapprentissage est pseudo-dirig (Bonn F. et Rochon G., 1996). Dans le but de produire une
carte thmatique exploitable, les cartes des sols et des potentialits agricoles (Brabant P. et
Gavaud M., 1984 et 1985) au 1/500 000 sont utilises pour identifier les zones rputes
invariantes. On arrive ainsi attribuer une tiquette plus significative aux zones
dentranement en tirant galement profit de notre connaissance pralable du terrain (Fotsing
E. et Madi A., 1999). Toute fois, une vrification systmatique devra tre effectue plus tard
sur le terrain. Les principales tapes du processus de classification sont les suivantes :
- Interprtation visuelle des composition colores en vu du choix des zones
dentranement,
- Identification des units agricoles et pdologiques partir de la carte des ressources en
terres (Brabant P. et Gavaud M., 1984 et 1985),
- Cration des zones dentranement
- la classification peu ensuite tre effectue par lalgorithme des distance euclidiennes,
des distances de Sebestyen ou la mthodes hypercubes disponible sous OSIRIS.
5. Les filtres
Les techniques de filtrage dimage visent en gnral liminer le bruit qui peut tre
considrer comme un dfaut du dtecteur ou une information diffrente de celle tudie. Nous
exploitons les filtres dans cette tude pour homogniser les rsultats des classifications. On
distingue plusieurs types de filtres conduisant diffrents effets.
5.1. Les filtres de frquence
Ils sont bass sur la notion de frquence spatiale et sont utiliss soit pour liminer le
bruit, soit pour faire ressortir des structures, des linaments ou des textures dans les images.
La courbe du profil dune ligne image peut tre associe des composantes sinusodales ayant
chacune une longueur donde et une amplitude. On peut donc distinguer des zones de hautes
et de basse frquences. Lensemble des frquences quon peut ainsi dfinir pour toute limage
reprsente le spectre des frquences spatiales. Cet ensemble de frquence correspond en
dimension deux la transforme de Fourier dfinie par :
m-1 n-l
(1) : F(u,v) = --&&&4(i,i;u,v) o :
r-o j-0
- 1 est la fonction image et F est la transforme de Fourier ou encore lamplitude de londe de
frquence u, v.
- m est le nombre de ligne et n le nombre de colonnes de limage
- A est une sries de fonctions orthogonales
Selon la frquence spatiale que ceux ci transmettent, on distingue des filtres passe-haut
et les filtres passe-bas. Les filtres passe-haut permettent de rehausser les artes des zones
assez homognes alors que les filtres passe-bas conserve les larges zones homognes.
5.2. Les filtres statistiques
Ils utilisent les donnes statistiques (moyenne, mdiane, maximun, minimum ) des
pixels voisins pour changer la valeur du pixel central. On peut citer le filtre mdian et le filtre
majoritaire. Nous avons appliqu des filtres majoritaires avec un lment structurant 3x3, puis
5x5 pour amliorer le rsultat des classification car on remarque des htrognits locales ou
des pixels isols dans de grandes zones homognes et ceux ci sont indsirables pour la
cartographie.
5.3. Les filtres morphologiques
Les oprateurs de Morphologie Mathmatique que nous tudions en dtail au chapitre 4
sont des cas particuliers de filtre statistique. Les oprations de base de la morphologie
mathmatique repose sur le minimum et le maximum des pixels voisins. On combine ensuite
ces oprations pour dfinir des filtres plus complexes tels que les chapeaux haut de forme et
les filtres connexes.
5.4. Les filtres directionnels
Le filtre gradient est un exemple de filtre directionnel qui consiste effectuer une
drivation de la fonction des niveaux de gris suivant une direction donne. Cette opration
peut tre effectue en appliquant limage un masque de convolution convenablement choisi
(Akono A., 1996).
LAnalyse en composantes principales (ACP), encore appele transforme de Hotelling
est lune des nombreuses techniques utilises pour amliorer la qualit des images en vue de
leur interprtation, Etant donne la difficult de visualiser simultanment plus de trois bandes
spectrales dune image, on cherche se ramener trois composantes sans perdre beaucoup
dinformation. La transforme de Hotelling est une transformation orthogonale qui suit la
mme quation que celle de la transforme de Fourier (1). Elle sapplique une matrice carre
de taille N et A vrifie la condition suivante :
N-l N-l
WvW(m,n;u,v) = yy:K(
m,n,ml,nl)A(ml,nl,u,v) o K est la fonction de covariance
nr=o H=o
de la srie des composantes image et h sont les valeurs propre de K.
On suppose, et cest en gnral le cas, que les points reprsentant les valeurs dans les
diffrentes bandes dune image ont tendance se regrouper en un nuage voisin dun ellipsode
(figure 2.3). Ceci explique quil existe une corrlation entre les composantes dune image. La
transforme de Hotelling rduit cette corrlation en oprant une rotation des axes (figure 2.4)
de lespace spectral et les nouveaux axes ou composantes principales sont dfinis par les
vecteurs propres des composantes initiales
P
bande i
Figure 2.3 : Distribution des donnes spectrales dans un espace 2 dimensions (Bonn F. et Rochon Ci., 1996).
~~.~~~.
composa& image 1
composante principale 1
Figure 2.4 : Rotation daxes suivant les vecteurs propres de 2 composantes principales (Bonn F. et Rochon G.,
1996).
7. Les indices de vgtation
Au regard de la grande diversit des indices de vgtation qui ont t dvelopps, il est
assez difficile de trouver des outils de traitements dimage de tldtection qui les intgrent
entirement. Les chercheurs en tldtection effectuent en gnral des choix qui peuvent tre
guids par le type de donnes ou dapplication qui a motiv la mise en place de loutil. Sous le
logiciel OSIRIS, le choix sest port sur les indices suivants :
- Vegetation Index Number : Puisque cet indice nest quun simple rapport de canaux,
il peut tre exploit pour crer les autres indices bass sur les rapports de canaux,
- lindice brillance gnralis qui utilise un nombre de canal fourni par lutilisateur :
les plus connus (tableau 1.1) utilisent 2 canaux (IR et R) ou 3 canaux (R, V et B).
IB=,/w ou IB= (R)*+(V)* +(B)* ,
- le Normalised Difference Vegetation Index (NDVI = (PIR-R)/(PIR+R) qui est lun des
plus utiliss,
- les indices plus simples tels que la somme et la soustraction de canaux sont faciles
raliser.
Application des indices :
De nombreux travaux (Belghith A., 1990, Bonn F. et Rochon G., 1996) ont montr
quen prsence de recouvrement de vgtaux verts infrieur 25%, les indices de brillance
fournissent une meilleure corrlation que lindice de vgtation car la rponse spectrale
fournie par les donnes des satellites dans cette rgion dpend essentiellement du sol.
Nous calculons lindice de brillance sur limage de KJ 88-329 du 04-04-1986
correspondant la saison sche o les paysages sont domins par les brlis et les sols nus,
avant les priodes culturales. Lindice de vgtation normalise est ensuite calcul sur limage
de KJ 87-329 du 1 l-10-88 qui correspond la saison de pluie o on observe les paysages les
plus verdoyants de lanne. Un exemple dexploitation combine de ces deux indices pour la
classification dimages est donn au chapitre 4.
8. Le recalage gomtrique des images
Lanalyse diachronique des images multi-temporelles et multimodales ncessite que
celles ci soient directement superposables afin de pouvoir crer une image multidate. En
particulier, pour localiser et interprter les structures dune scne dimage, on effectue un
recalage de cette dernire avec une carte topographique qui a t pralablement numrise et
traite (Annexe 3) dont on a une connaissance un peu plus prcise, mais qui a une projection
et un systme de rfrence diffrent de celui de limage.
Le processus permettant deffectuer cette correction gomtrique sous OSIRIS utilise
une transformation polynomiale ou une mthode de triangulation. Dans les deux cas, il faut au
pralable effectuer une saisie des points damer : on identifie des points de rfrence sur la
carte topographique et on leur associe un correspondant sur limage rectifier
La rectification polynomiale suit les tapes suivantes :
- le calcul du modle : les coefficients du polynme sont dtermins par la mthode des
moindres carres et les erreurs quadratiques moyens sont affichs lcran.
- OSIRIS permet dajouter ou supprimer des points damer afin de minimiser les erreurs
- la rectification de limage peut ensuite tre effectue
Lutilisation dun polynme dordre 1 (Fotsing E. et Madi A. 1999) exige la saisie
dun minimum de 3 points damer et celle dordre 2 exige la saisie dun minimum de 6 points.
On choisit en gnral un nombre de points plus lev mais il faut prciser que la qualit du
recalage dpend plus de la prcision de saisie que du nombre de points.
CHAPITRE 3
LES TRAITEMENTS DE MORPHOLOGIE MATHEMATIQUE
CONCEPTS ET ALGORITHMES
Chapitre 3 : La Morphologie Mathmatique
1. Introduction
La cration dune carte thmatique suppose en gnral une certaine gnralisation
spatiale qui consiste ignorer les htrognits locales au profit de la classe des objets
dominants (Bonn F. et Rochon G., 1996). En effet les rsultats bruts des classifications sont le
plus souvent inexploitables cause de ces htrognits qui peuvent tre un reflet de la
structure de loccupation relle du sol mais sont considrs comme du bruit. Lobjectif de la
cartographie est dobtenir des zones plus homognes et de supprimer les petites zones par
rapport lchelle de la carte finale.
Mieux que les filtres, une utilisation judicieuse des oprateurs de Morphologie
Mathmatique applique aux images binaires permet de rduire ou dliminer dans certains
cas ces imperfections (htrognits et petites zones). Les expriences dcrites par Debaine
F. et al. (1988) puis par Legeley Padovani A. et Mering C. (1997) montrent quen tendant la
Morphologie Mathmatique aux images en teintes de gris on arrive extraire des lments
linaires tels que les failles ou le rseau hydrographique.
La Morphologie Mathmatique est une thorie trs complte et cohrente constitue
dun ensemble doprations de traitement dimages bass sur les formes. Le principe qui
repose sur la thorie des ensembles consiste comparer les objets dune image avec un objet
de rfrence, de forme et de taille donnes quon appelle lment structurant. Nous prsentons
dabord les traitements morphologiques en montrons leurs effets sur des images binaires. On
sintresse ensuite lapplication de ces traitements aux images en teintes de gris et on tudie
les rsidus de ces transformations.
2. Morphologie Mathmatique applique aux images binaires
Les oprateurs de Morphologie Mathmatique de base sont lrosion et la dilatation.
Ceux ci sont la base des autres oprateurs plus complexes tel que louverture, lafermeture,
la squeletisation, le reconstruction godsique.
2.1. Erosion et dilatation
On considre une image binaire 1 en entre qui sera transforme en une image S en
appliquant un lment structurant M qui sera dfini convenablement. On note respectivement :
- EM(I) = S, une rosion de taille n
- DM(I) = S), une dilatation de taille n
c
LI
b
L-
L
Algorithme de lrosion
Pouri=ln
Pourj=lm
1 1
Si Ml = 1 (i-l:i+l, j-l:j+l) alors S(i, j) = 1 AvecMl=
Sinon S(i,j) = 0
i 1
1 1 1
1 1 1
FinPour
On remarque que les rgions homognes de limage rode (figure 3.1 c)
restent
inchanges. De mme lorsque le pixel en entre reprsente le fond (pixel & 0), il reste
inchang indpendamment de ses voisins. Par contre, lorsque le pixel en entre reprsente
lobjet (pixel 1) il passe 0 si au moins un de ses voisins est 0. On dit que ce pixel srode
de lobjet et devient le fond.
Algorithme de la dilatation
Pouri=ln
pourj = 1 m
Si MO = 1 (i-l:i+l, j-l:j+l) alors S(i, j) = 0
Sinon S(i,j) = 1
FinPour
De mme, on remarque que les rgions homognes de limage dilate (figure 3.1 b)
restent galement inchanges mais, lorsque le pixel en entre est un objet (pixel l), il reste
inchang indpendamment de ses voisins. Cest plutt les pixel zro qui passent 1 lorsque
leur voisinage contient au moins un pixel 1. On dit que ce pixel se dilate pour augmenter la
taille de lobjet.
Figure 3.1 : Erosion (c) et dilatation (b) dune image binaire (a)
Lrosion permet donc de sparer les objets qui sont faiblement connects et diminue
uniformment la taille des objets en relation avec le fond alors que et la dilatation permet de
combiner des objets qui sont proches et largit uniformment la taille des objets. Toute fois, il
faut remarquer que dautres lments structurants de taille et de forme diffrentes de celles de
MO et Ml peuvent tre utiliss. On trouvent cet effet des lments structurants de forme
hexagonale et dautres qui sont carrs mais qui rodent dans une direction donne (Diagonale,
Nord-Sud ou Ouest-Est).
2.2. Ouverture et fermeture
Une ouverture de taille n est une composition de n rosions suivies de n dilatations et
on note : Ofi = DM0 EM(I). Louverture (figure 3.2b) permet dliminer les pixels isols
et contribue la dconnexion des objets faiblement connects. Ni la taille, ni la forme des
objets nest altre.
Figure 3.2 : Ouverture (b) et Fermeture (c) dune image binaire (a).
Lafermeture de taille n est linverse dune ouverture de taille n cest dire que cest
une composition de n dilatations suivies de n rosions et on note FM(I) = EM0 DM(I). La
fermeture (figure 3.2~) a pour but de fermer les trous uniques dans les objets et rend connexe
les entits voisines.
2.3. La reconstruction godsique
La reconstruction godsique vise liminer les petites composantes connexes
sans modifier la taille ou la forme des objets. Limage originale 1 est appele masque et on
utilise en gnral comme marqueur, une rosion de taille n donn. Le marqueur est
successivement dilat et on effectue lintersection avec le masque. Lopration sarrte
lorsque deux intersections sont gales (figure 3.3). On obtient ainsi une image R o toutes les
petites zones ont t limines. La figure 3.4 illustre les rsultats de chaque tape de
lalgorithme.
Y +EM(I)
ZtD(Y)
1
ZfZ n 1
Non
Yt Z
Rt Z
C!l
Fin
Figure 3.3 : Algorithme de la reconstruction godsique
Figure 3.4 : La reconstruction godsique (d) dune image binaire (a) utilisant une rosion de taille 2 comme
marqueur (b), masque + marqueur (c).
On remarque sur la figure 3.4d que seuls les pixels connexes un point de
lintersection du marqueur et de limage initiale sont reconstruits.
2.4. Bouchage des trous par la mthode dinversion-reconstruction-inversion
La reconstruction godsique est exploite pour boucher de faon efficace les petits
trous qui apparaissent dans une zone homogne (figure 3.5a). Il suffit dinverser limage,
dappliquer une reconstruction godsique et dinverser nouveau limage. Lorsque limage
est inverse (figure 3.5b), les petits trous sont considrs comme du (( bruit D. En appliquant
une reconstruction godsique, on limine ce bruit (figure 3.5~). On inverse ensuite limage
rsultante pour obtenir une image o les trous sont bouchs (figure 3.5d).
3. La morphologie mathmatique applique aux images en teintes
de gris
On sintresse dans ce cas aux images en teintes de gris cest dire que les niveaux de
gris sont rpartis entre 0 et 255. Il peut sagir dune image SPOT panchromatique, un canal
dune image multispectrale ou un nocanal (indice de vgtation, ACP...). Pour nos
illustrations, nous utilisons la premire composante dune ACP.
b
Figure 3.5 : Le bouchage des trous sur une image (a) par inversion (b), reconstruction de limage inverse et
une nouvelle inversion (d).
3.1. Erosion et dilatation en teinte de gris
Soient X=(i, j) un point dune image, f la fonction qui x associe son niveau de gris et
B, le voisinage de x dfini par llment structurant B centr en x. On dfinit Z rosion et la
dilatation en teinte de gris de la faon suivante :
- Z rosion : EBf(x) = inf (f(u) ; u E B,}
- la dilatation : DBf(x) = sup {f(u) ; u E B,}
Limage rode (figure 3.6~) est plus lisse et plus sombre alors quinversement, limage
dilate (figure 3.6b) est plus lisse et plus claire.
En traduisant autrement les algorithmes drosion et de dilatation binaires crits dans
la partie prcdente de ce chapitre, on remarque que Ikrosion et la diiutution binaires sont
donc des cas particuliers doprateurs morphologiques appliqus aux images en teintes de gris.
3.2. Ouverture et fermeture en teinte de gris
Louverture et la fermeture dune image conservent les mmes dfinitions que celles
donnees dans le cas des images binaires, soient respectivement :
- louverture : fB(x) = DB (EBf(x))
- la fermeture : f3f(x) = EB(DBf(x))
Rapport de stage doctoral en tlkdklection 32
Figure 3.6 : Dilatation (b) et rosion (c) dune image en teintes de gris (a : composante 1 de IACP)
Une ouverture (figure 3.7~) a pour effet de lisser les petites zones claires en les
assombrissant alors quune fermeture (figure 3.7b) lisse les petites zones sombres en les
claircissant.
Figure 3.7 : Fermeture (b) et ouverture ( c) dune image en teinte de gris (a : composante 1 de IACP).
3.3. Rsidus des transformations morphologiques en teintes de gris : les
chapeaux haut de forme morphologiques
Les proprits de la fermeture et louverture en teintes de gris permettent de dfinir
des filtres permettant dextraire les pics de la fonction f(x) correspondant aux petites zones
claires de limage ou aux valles correspondant aux petites zones sombres (Debaine et al.,
1985). Ces filtres sont appels Chapeaux Haut de Forme et consistent effectuer une simple
diffrence entre limage dorigine et louverture (ou la fermeture). Lappellation Chapeau se
justifie par le fait que ces zones sont reprsentes sur le graphe de la fonction f(x) par des pics
(resp. des valles troites). Pour extraire des pics dpaisseur infrieure n il faut utiliser un
lment structurant Bn de taille n. On dfinit ces filtres ainsi :
- le Chapeau Haut de Forme Blanc ou White Top Hat : WTH(X) = f(X) - fBn(X)
- le Chapeau Haut de Forme Noir ou Black Top Hat : BTH(X) = p(X) - f(X)
Les Chapeaux Haut de forme blanc (figure 3.8b) et noir (figure 3.8~) sont des filtres
dits morphologiques et sont adapts pour lextraction dobjets linaires fins, dune certaine
paisseur, quil soient sombres ou clairs. Ils ont t exploits cet effet par Debaine F. et al.,
(1988) pour mettre en vidence le rseaux hydrographique sur les images LANDSAT, puis
par Legeley-Padovani A. et Mering C., (1997) pour extraire les failles partir dimages SPO 1
panchromatiques.
Figure 3.8 : Les Chapeaux Haut de forme blanc (b) et noir ( c) sur la composante 1 de IACP (a)
L
L
Y
3.4. Application du Chapeau Haut de Forme blanc lextraction du rseau
hydrographique.
Nous avons appliqu une procdure combinant un filtrage en teinte de gris et des
traitements de morphologie binaire sur un quart de limage de KJ 88-329 afin dextraire le
rseau hydrographique.
Un chapeau haut de forme blanc de taille 1 avec un lment structurant 5 x 5 (figure
3.9a) est calcul sur la composante 1 de 1ACP et on obtient une image en teintes de gris o le
rseau hydrographique est reprsent par les plus hautes valeurs de gris. Cette image contient
galement dautres objets dont les niveaux de gris sont voisins de ceux du rseau et que nous
considrons comme du bruit.
Sur le Chapeau Haut de Forme blanc, nous effectuons deux seuillages avec un choix
convenable dun seuil bas (SB = 10) et dun seuil haut (SH = 40). On remarque que le seuil
bas (figure 3.9b) contient entirement le rseau hydrographique et beaucoup dautre dtails
alors que le seuil haut (figure 3.9~) contient une trace interrompue du rseau et un peu de
bruit. On effectue donc une reconstruction godsique du seuil bas en utilisant le seuil haut
comme marqueur. Les deux principales rivires de limage ressortent clairement comme le
montre la figure 3.9d malgr quelques bruits qui persistent.
On procde au nettoyage en effectuant un tiquetage automatique des entits connexes.
Cette technique permet de distinguer et de slectionner les entits correspondant au rseau
hydrographique des entits correspondant au bruit (Legeley-Padovani A. et al, 1995). On
applique dabord un tiquetage en 8 comrexit (figure 3.9e) qui est ensuite amlior par un
tiquetage en 4 connexit qui donne un plus grand nombre dentits connexes, permet
dliminer les entits connexes au rseau qui correspondent au bruit et produit un rseau plus
net (figure 3.9f).
4. Les filtres connexes et les rsidus associs
4.1. Les filtres connexes
Les filtres connexes sont utiliss pour lisser les images en teintes de gris tout en
conservant au mieux les formes des objets. Ils sont construits par rosions (respectivement
dilutions) itratives dune fonction g(X) 2 f(X) (respectivement. g(X) 5 f(X)) jusqu
idempotence . On distingue :
- louverture connexe fcB qui est obtenue par dilatation godsique sous la fonction de
lrosion morphologique initiale (figure 3.11 c).
- la fermeture connexe f, qui est obtenue par rosion godsique de la dilatation
morphologique initiale (figure 3.11 b).
L
L
L
L
L
L
L
L
L
L
c
L
L
L
L
L
L
Li
Figure 3.9 : Extraction du rseau hydrographique (f) partir du Chapeau Haut de forme morphologique blanc
WTH (a) par reconstruction godsique (d) du seuil bas,
SB = 10 (b) avec le seuil haut, SH = 40 (c)
utilise comme marqueur. Etiquetage en 8 connexit (e), puis 4 connexit et nettoyage (Q.
Nous prsentons titre dexemple de filtres connexes, lalgorithme de la fermeture
connexe (figure 3.10) et nous illustrons sur la figure 3.11 le rsultat des deux filtres connexes.
g(X) = DB f(X)
4
I . _ I
i=i+2
I
r=l
d
hi (X) = EB { g(X) } 1
1
j =i+l
g(X) = kj (W
Figure 3.10 : Algorithme de la fermeture connexe
4.2. Rsidus des filtres connexes
Les rsidus des filtres connexes sont des Chapeaux Haut de Forme connexes qui sont
galement dfinis en effectuant une diffrence entre limage originale et les filtres connexes.
On distingue :
- le Chapeau Haut de forme blanc connexe : WTHC(X)= f(X) - fcB(X)
- le Chapeau Haut de forme noir connexe : BTHC(X) = f:(X) - f(X)
Ces deux Chapeaux Haut de forme connexes sont calculs sur une mme image (figure
3.12a) prsentant une rivire texture blanche et une faille texture noire. On remarque que
le Chapeau Haut de forme connexe noir (figure 3.12~) fait ressortir clairement la faille et que
le rseau hydrographique est mieux ressorti sur le Chapeau Haut de forme connexe blanc
(figure 3.12b).
En fonction des images originales utilises les filtres connexes peuvent ou non fournir
des meilleurs rsultats que les filtres morphologiques. A titre dexemple, le Chapeau Haut de
forme connexe noir (figure 3.12~) donne un meilleur rsultat pour lextraction de la faille
noire alors que le Chapeau Haut de Forme morphologique blanc (figure 3.12b) donne un
meilleur rsultat pour lextraction du rseau hydrographique.
L
L
b
Figure 3.11: La fermeture (b) et louverture (c) connexes sur la composante 1 de IACP (a)
Figure 3.12 : Chapeaux Haut de Forme connexes blanc (b) et noir (c) sur la composante 1 de IACP (a)
Rapport de stage doctoral en tldtection
38
4.3. Application du Chapeau Haut de Forme connexe noir lextraction dune
faille
Le Chapeau Haut de forme connexe noire (figure 3.13~) permet de bien diffrencier les
petites structures linaires texture noire. On sintresse lextraction de la faille principale
partir du Chapeau Haut de forme connexe noir. Un seuillage (figure 3.13b) est effectu sur
cette dernire image avec un seuil (s = 4 ) convenablement choisi.
Aprs un tiquetage automatique en 8 connexit et un nettoyage du bruit, on arrive
obtenir une image de la faille principale (figure 3.13~).
Figure 3.23 : Extraction dune faille (c) A partir dun seuillage (b) du Chapeau Haut de forme connexe noir (a)
CHAPITRE 4
APPLICATION A LA CARTOGRAPHIE AUTOMATIQUE DE
LOCCUPATION DU SOL DANS UNE REGION DE LEXTREME
NORD CAMEROUN
Chapitre 4 : Application la cartographie automatique
1. La zone dtude et les donnes
Notre zone dtude appartient la zone soudano-sahlienne et est grossirement situe
entre les mridiens 1410 E et 15 00 E et les parallles 955 N et 1050 N (figure 4.1). Elle
est limite louest par les hautes chanes des monts Mandara (Mokolo) et lest par le
cordon dunaire sableux qui stend de Bogo Yagoua.
Cest une rgion de plaine qui a connu au cours de lhistoire de nombreuses mutations
dues aux courants migratoires et la forte pression de lhomme sur le milieu naturel.
Triboulet C. (1995) estime que ces transformations se manifestent travers les paysages pour
justifier lintrt dune tude par tldtection.
Aujourdhui, on observe par exemple le dplacement des troupeaux venant des zones
sahliennes, la difficult daccs au bois de feu ou encore les systmes agricoles de plus en
plus intensifs (Fotsing E. et Madi A., 1999) qui sont de nature crer des conflits sur les
ressources en terre. A titre dexemple, la culture du Muskwari qui tend tre la principale
culture vivrire dans cette rgion connat un fort engouement des producteurs et celle ci
stend au del des terres traditionnelles sur vertisols adapts cette culture. Llaboration
dune mthode de cartographie vise montrer les formes dorganisation spatiale et
caractriser terme ces transformations.
On dispose de deux scnes dimages SPOT XS en mode multispectrale dans le visible
et linfrarouge. La scne de KJ 88-329, dont le centre de la scne est situ 1031 N et 1450
E, acquise le 04-04-l 986 9 h 38mn dans les conditions suivantes : azimut de 10209,
lvation de 6806, incidence de 0217L.
Le quart nord ouest a t extrait pour tester les diffrents types de traitements.
2. Linterprtation des compositions colores
Une composition colore est dabord effectue sur limage de KJ 88-329 (figure 4.2).
La lecture visuelle de celle-ci est assez difficile cause dune forte htrognit des sites et
dune large couverture de limage par les feux. Toutefois, elle fait ressortir quelques structures
bien identifiables sur les cartes topographiques. Dans la partie nord-est de limage, on peut
localiser le lac de Maga avec une vgtation verdoyante (en rouge) tout autour et le fleuve
Logone la frontire du Cameroun avec le Tchad entre lesquelles coule le mayo Guerlo.
Dans la partie nord ouest, cette composition colore ressort le lit des mayos Boula (au
dessous) et Tsanaga (au-dessus). La partie centrale montre une trace du cordon dunaire
sableux qui stend en diagonale de Guingley la plaine inondable de Kourou (juste avant la
l rivire coulement saisonnier
L
C
c
(r
L
L
=.*
a.
S .
R
0
1 okr
I
Figure 4.2 : Composition colore standard de limage de KJ 88-329 avec 2 palettes diffrents niveaux pour
chaquecanal.a-R=6,V=6,B=6; b-R=8,V=8,B=4.
ville de Yagoua) o on observe clairement un peu plus au nord, les structures de casiers
rizicoles dans la zone de Gabarey Merengue 1 (en rouge vif).
Le quart Nord ouest a ensuite t extrait (figure 4.3 a), une interprtation de celle-ci
c (
permet de localiser en plus, les principales zones dagglomration urbaine : Bogo et Guingley
situes aux abords du mayo Tsanaga, Sedek et Goudoum Goudoum localises sur le cordon
CI dunaire, caractrises par un rseau de routes remarquable et une vgtation verdoyante
comprenant en gnral les neemiers ou les fruitiers (Fotsing E. et Madi A., 1999).
3. Classification non dirige
C
c-r
L.
L
c
CI
3.1. Classification par la mthode des nues dynamiques
Une analyse de lhistogramme de la composition colore a permis de choisir 7 classes,
o la classe code 0 reprsente la bordure (aucun pixel de la scne nest cod cette valeur)
sur limage correspondant au quart nord ouest de la scne de KJ 88-329. Limage obtenue
(figure 4.3b) montrent une trs grande htrognit des classes. Dans la suite, chaque classe
est extraite et traite sparment en combinant convenablement les oprateurs de morphologie
mathmatique pour obtenir des plages les plus homognes possible. Ces classes sont ensuite
combines pour obtenir une carte thmatique. De nouvelles classes correspondant soit aux
pixels non cods, soit un mlange de classes initiales apparaissent et ncessite un nettoyage
ultime. Les rsultats sont compars la classification brute par analyse dhistogramme et
visualisation des formes dorganisation spatiale afin dapprcier lefficacit de la mthode de
gnralisation.
Chacune des k classes est binarise partir de limage classe. On applique cette
dernire une fonction de transfert dhistogramme bi o la classe i extraire est code en une
puissance de deux ( 2-) et les autres classes sont codes 0. Ce codage dfini de la faon
suivante, permet dviter des confusions entre classes pures et mlanges obtenus aprs runion
des classes traites:
2
i-l
bl (x) =
1 six=0 six=i-1
0 six ~[l, k-l]
bi (x) =
0 si x E [0, i - 21 U [i, k - 1 ]
V i E [2, k-l]
et bk (x) =
2k-l
six= k-l
0 six E[O, k -21
La fonction de transfert bi sous OSIRIS est dfinie en plaant des jalons sur
lhistogramme de limage, on calcule ainsi la table de transfert qui permet de crer le nouveau
canal binaire.
I I classe 3
classe 4
classe 5
classe 6
bordure
classe 1
classe 2
Figure 4.3 : Extrait du quart nord ouest de limage. a -
par les nues dynamiques en 7 classes.
composition colore ; b - classification non supervise
3.2. Nettoyage par reconstruction
Lalgorithme de reconstruction godsique est appliqu chacune des images binaires
reprsentant une classe (masque). Sur le plan pratique, on effectue des rosions successives et
la taille n de lrosion ncessaire la reconstruction est dtermine en effectuant la somme du
masque et de la dernire rosion. On peut apprcier visuellement les objets qui seront
ventuellement reconstruits ce stade (figure 3.4~). Le critre darrt est bas sur le rapport
entre la taille des units qui seront reconstruites et la taille des plus petits lments que nous
souhaitons cartographier.
i
Nous avons effectu une rosion de taille 2 et un lment structurant 3x3 et la
visualisation de la somme de la classe et de lrosion donne un rsultat satisfaisant. Les scripts
de reconstruction recons et recbin.sh sont excuts et on obtient limage reconstruite dans la
quelle de petits trous persistent.
3.3. Fermeture et bouchage des trous.
On applique une fermeture de taille p qui contribue rduire les imperfections qui
persistent. Nous nous sommes limits lapplication dune fermeture de taille 1 avec un
lment structurant 5x5. En augmentant progressivement la taille de la fermeture on bouche
effectivement les trous, mais cette approche de bouchage introduit galement des
imperfections car, les zones deviennent plus grossires. Elle nest donc pas conseille.
On prfre appliquer la technique de bouchage par inversion, reconstruction et
inversion qui savre trs efficace au vu des rsultats : on inverse limage de telle sorte que
les trous deviennent des (( objets bruits et on peut alors appliquer lalgorithme de
reconstruction pour les liminer. On inverse nouveau le rsultat de la reconstruction pour
obtenir une image binaire homogne.
5.
A titre dexemple, nous donnons sur la figure 4.4, les tapes du traitement de la classe
3.4. Runion des images binaires
Les images binaires sont runies pour obtenir une carte thmatique. En adoptant le
codage propos ltape 1, on devrait thoriquement obtenir, pour une image classe ayant k
classes initiales, une carte thmatique ayant :
k-l
c 2 = 2k - 1 classes. Mais en pratique, on obtient un nombre plus petit, compris entre k et
i=O
2k-1. Ce nombre dpend du niveau dhomognit de limage classe et de la qualit du
traitement des images binaires. Dans limage, certaines zones sont cods 0 la suite des
traitements ; dans ce cas, nous les avons recodes 60. Par ailleurs, la bordure reste code 0
vitant ainsi la confusion entre celles-ci et les pixels non cods (tableau 4.1, figure 4.5 a).
k
0 5km 1Okm
I
I
I
I
Figure 4.4 : Exemple de traitement des classes. a - classe 5 extraite ; b - reconstruction godsique avec une
rosion de taille 2 et un 6lment structurant 3x3 ; c - fermeture de taille 1 avec un lment
structurant 5x5 ; d - bouchage des trous.
k
-
C
L
3.5. Reclassement des zones non pures par gnralisation
Cette dernire tape est une suite de traitements automatiques combine une
interprtation de lanalyste et guide par la classification initiale. Elle vise obtenir les 6
classes initiales et la bordure :
Tableau 4.Z : Comparaison des histogrammes de limage obtenue par runion des classes et de limage aprs
gnralisation automatique.
On procde une gnralisation de limage en utilisant une mthode automatique de
simplification de limage rsultante qui combine un lissage et une reconstruction multi-
classes. Ceci permet de supprimer les petites plages de recouvrement avec un lissage minimal
des contours (Simonneaux V., 1995). Le script (bsimpli) prends 4 paramtres : limage
nettoyer , le nombre de lissages, le nombre drosion et une image de travail. Aprs quelques
essais, nous avons retenu 0 lissage et 4 rosions ; limage obtenue (aprs LOE4) contient
encore quelques lments composs de deux classes pures (tableau 4.1, figure 4Sb).
En saidant de la composition colore et de limage de la classification brute, pour
chaque mlange, on dcide de lattribuer lune ou lautres des classes pures composantes.
Cette simplification est faite manuellement avec le module dhabillage dOSIRIS.
bordure
classe 1
m
classe 2
I
classes
III
classe 3
I. I
1& 2
1, jclasses3&2
II
classe 4
classes 4 & 3
classe 5
m
classes 5 & 4
classe 6
classes 6 & 5
I
non cod
bordure
classe 1
m
classe 2
m
classes 1 & 2
t classe 3
l-7 classes 3 & 2
m classe 4
classes 4 & 3
classe 5
classes 5 & 4
classe 6
classes 6 S, 5
El
non cod
Figure 4.5 : Elimination des petites entits. a - image obtenue par runion des classes ; b - image obtenue aprs
gnralisation automatique (0 lissage et 4 rosions).
On peut priori penser que la suite des traitements appliqus limage classe la
modifie et peut influencer son exploitation ultrieure, mais on peut remarquer dans le tableau
4.2 que le processus de gnralisation ne change quasiment pas la reprsentativit des classes.
De mme, les formes des structures spatiales de limage classe sont en gnral conserves
(figure 4.3b et figure 4.6).
5
6
5 287 631 12,03 16 294 959
6 92 552 3,87 32 75 793
Tableau 4.2 : Comparaison de la classification brute et la classification gnralise.
12,34
3,17
Toutefois le rsultat de linterprtation (figure 4.6) de la classification par les Nues
Dynamiques ne constitue quun document de travail qui va guider le travail de terrain qui
son tour permettra de valider ce rsultat.
4. Recalage des images
Les scnes dimage disponible sont de niveau de traitement IB : cela signifie que les
corrections gomtriques qui ont t effectues permettent uniquement de compenser les
distorsions internes de limage dues aux conditions de prise de vue (variation daltitude,
courbure de la terre et rotation pendant la prise de vue...). Lorientation de cette image reste
identique celle de limage brute (figure 4.2) car aucune rotation des lignes nest faite.
La mthode de recalage utilise est base sur une transformation polynomiale dordre1
et utilise des points de rfrences slectionns sur la carte numrique et identifis sur limage
afin de placer limage dans un systme de projection cartographique. On choisit les points de
rfrences sur un canal et ceux-ci sont utiliss pour la correction de tous les canaux de la
mme image.
Un extrait (figure 4.7) de lassemblage des fonds de cartes topographiques numriss
(figure A3.4) a t effectu cet effet sur la zone couverte par limage. La figure 4.8 illustre
lorientation de limage obtenue aprs le recalage.
c
L
10-Z
10 3(
10 F
.
i.. .~ -
Figure 4.7 : Localisation de la scne de KJ 88-329 sur un extrait des cartes topographiques numrises.
ii.00
El 45
ii 30
i-k15
L
L
L
L
i
45
30
15
45
Figure 4.8 : Scne dimage ayant subi un recalage par transformation polynomiale dordre 1. a - Scne entire ;
b - Extrait du quart nord-ouest.
L
c
ir
-
L
L
5.1. Interprtation visuelle et composition colore
Nous avons appliqu une analyse en composante principale sur le quart nord-ouest de
notre image pour crer trois composantes nommes ACPl, ACP2 et ACP3. La visualisation
de chacune de ces composantes montre effectivement que les composantes principales 1, 2 et
3 contiennent dans lordre dcroissant le maximum de variante des donnes. La composante 1
(figure 4.9a) contient la brillance globale de la scne, la composante 2 (figure 4.9b) contient la
diffrence spectrale majeure entre les canaux dentre alors que la composante 3 (figure SC) ne
contient que du bruit rsiduel (Bonn F et Rochon G.,1996). Les auteurs prcisent que dans le
cas dune analyse plus de 3 composantes, les trois premires composantes principales
reprsentent le choix optimal pour la ralisation dune composition colore. Nous avons cet
effet utilis les trois composantes obtenues pour crer une composition colore o on affecte
les composantes 1, 2 et 3 respectivement aux couleurs rouge, vert et bleu. On remarque que le
rsultat obtenu est plus riche en information quune composition colore standard (figure
4.12a et figure 4.3a). Il est plus indiqu de diviser les intensits des pixels de chaque
composante par la variante associe afin de rduire davantage la corrlation et les valeurs
peuvent ensuite tre reprsentes dans un espace de couleur optimal (Taylor M., 1974). Cet
espace est dfini par les coordonnes chromatiques du systme couleur L-a-b o L est la
luminance, a est un axe rouge-vert et b est un axe jaune-bleu.
5.2. Classification dimages avec les composantes principales
Etant donn que la composante 2 contient la diffrence spectrale majeure entre les
canaux dentre, on peut penser que cette diffrence reflte les diffrentes classes doccupation
du sol. Nous avons donc appliqu cette composante une classification pseudo-dirig utilisant
lalgorithme des distances de Sebestyen (paragraphe 6). Les statistiques sur la composante
principale utilise sont calcules sur les mmes zones dentranement que celles slectionnes
au paragraphe 6. Limage classe brute que lon obtient est prfrable certaines
classifications multibandes exploitant les canaux XSl, XS2 et XS3. La mme procdure de
classification est applique avec la composante 1 de 1ACP et les rsultats obtenus sont
diffrents (figure 4.10).
En utilisant la composante 1 (figure 4.1Oa), les classes 1 et 2 ne sont pas bien
diffrencies dans le nord-est de limage, la classe 6 domine largement la partie centrale et le
coin sud-ouest de limage au dtriment des classes 3 et 4 qui sont trs faiblement reprsentes.
La classe 7 est pratiquement inexistante.
Avec la composante 2 (figure 4.1 Ob), on remarque une bonne discrimination entre les
classes 1 et 2 que lon peut galement observer sur la composition colore (figure 4.3a).
Rapport de stage doctoral en tlkdtection 54
L
Chapitre 4 : Appl icati ion la caI tographie automatique
. . .
Kapport de stage aoctorat en kdtection
55
L
L
c
c
L
(r
classe 1
classe 2
lzl classe 3
classe 4
classe 5
m classe 6
El classe 7
classe 8
classe 9
classe 1
classe 2
classe 3
classe 4
classe 5
m classe 6
CII classe 7
classe 8
classe 9
Figure 4.10 : Apports compars des composantes principales en classification. a - Image classe brute avec
IACP 1 ; b - Image classe brute avec IACP 2.
classe
classe
classe
classe
classe
classe
classe
classe
classe
8
Figure 4.12 : Classification pseudo-dirige utilisant les composantes 1 et 2 de IACP.
Si on compare le rsultat avec celui obtenu par classification de la composante 1, on
remarque que les classes 3 et 4 sont bien diffrencies au dtriment de la classe 6 qui est
peine reprsente. La classe 8 domine galement les espaces occupes par la classe 5 dans
lautre cas. La classe 7 reste pratiquement inexistante malgr quelques tches que lon
aperoit sur limage.
Une classification avec deux bandes utilisant les composantes principales 1 et 2 a t
teste. Dans le cas de notre image, la classification obtenue (figure 4.11) nest pas trs
diffrente de celle obtenue en utilisant uniquement la composante principale 2, car les
structures spatiales des classes et leur reprsentativit sont quasiment identiques.
Sur les trois classifications effectues avec les composantes de lACP, les structures
doccupation du sol sont globalement conserves, mais il reste identifier de faon prcise
leur nature par des campagnes de terrain.
Nous effectuons dans la suite, une classification multibande en utilisant les 3
composantes de 1ACP.
Chapitre 4 : Application a la cartographie automatique
6. Classification dirige
Des essais de classification sont effectus avec les canaux XS et les composantes de
IACP et on remarque que la composition colore avec les ACP prsente un contraste plus
lev que la composition colore standard et facilite ainsi la slection des zones
dentranements.
6.1. Choix des zones dentranement
En labsence de donnes de terrain sur la zone couverte par notre image, des zones
dentranements (figure 4.12b) sont slectionnes sur la base des isophnes observs sur la
composition colore (figure 4.12a).
6.2. Classification dirige
Un essai de classification par les Nues Dynamiques en utilisant le zonage dfini par les zones
dentranement ne fournit pas de meilleurs rsultats. Nous appliquons de prfrence un
algorithme de classification dirige (classification par distance euclidienne, par distance de
Sebestyen, par la mthode des hypercubes). Dans ce cas, lalgorithme de classification par la
distance de Sebestyen t appliqu sur les trois composantes de 1ACP avec en entre les
donnes statistiques des 9 zones dentranements slectionnes (tableau 4.3).
Tableau 4.3 : Statistiques sur les zones dentranement slectionnes
Limage classe obtenue (figure 4.13) est prfrable celle obtenue en utilisant en
utilisant les trois canaux XS 1, XS2 et XS3. Celle-ci subi les mme types de traitements que
ceux prsentes dans le cas de la classification non dirige. Cest pour cette raison que nous
prsentons uniquement les rsultats obtenus en justifiant le choix des paramtres.
b
b
.*
L
Figure 4.12 : La slection des zones dentranement. a - Composition colore ralise avec les 3 composantes de
IACP ; b -Carte des zones dentranement slectionnes sur la composition colore avec les 3
compositions principales.
L
L
L
L
Y
L
classe
classe
classe
classe
classe
classe
classe
classe
classe
-
8
9
-
Figure 4.23: Cl~ssjfcation brute obtenue par la mthode des distances de Sebestyen sur les 3 composantes
principales.
6.3. Les traitements
Chacune des classes thmatiques, lexception de la classe 9 qui reprsente la bordure
est extraite et traite de faon identique. A titre dexemple, nous prsentons la classe 5 (figure
4.14a) qui subit les traitements suivants :
- Une reconstruction godsique utilisant une rosion de taille 1 avec un lment
structurant 3x3 comme marqueur. Ceci permet dliminer les petites entits (figure
4.14b),
- Une fermeture de taille 1 avec un lment structurant 3x3 (figure 4.14~) permet de
runir les entits non connexes proches,
- Une nouvelle reconstruction godsique utilisant une rosion de taille 2 avec un
lment structurant 5x5 est applique car des petites entits persistent aprs la
fermeture. Les trous qui persistent sont ferms en utilisant la technique de bouchage
par inversion-reconstruction-inversion (figure 4.14d).
Dans limage obtenue par runion des classes ainsi traites (figure 4.15a), on code
nouveau les plages nappartenant aucune classe 200 pour viter les confusions avec la
bordure qui a le mme code aprs runion. Le tableau 4.4 montre le taux de recouvrement des
classe qui se traduit par le nombre de pixels des classes non pures. On peut y remarquer la
forte dominante de la classe 3 qui apparat dans plusieurs mlanges.
l-
Figure 4.14 : Exemple de traitement des classes.
a - classe 5 extraite ; b - reconstruction godsique avec
rosion de taille 1 et lement structurant 3x3; c - fermeture de taille 1 avec un lment structurant
3x3 ; d - bouchage des trous aprs une deuxime reconstruction avec une rosion de taille 2 et un
BICment structurant 5x5 .
Les classes ainsi obtenue sont runies (figures 4.15a) et on applique la procdure de
gnralisation automatique avec 0 lissage et 3 rosions (figure 4.15b). On remarque que les
trs petites zones non pures ont disparu alors que celles de moyenne importance ont fortement
diminu (tableau 4.4).
61
Chapitre 4 : Application ti la cartographie automatique
classes 5 & 3
classes 1 & 2 classes 6 & 3
classes 6 & 4
classes 3 h 1
m bordure
classe 1
m classe 2
m classes 1 & 2
classe 3
classes 3 & 1
classes 3 & 2
classe 4
classes 4 & 2
classes 4 & 3 CI
classe 5 0
classes 5 & 1
classes 5 & 3
classe 6
classes 6 & 3
classes 6 & 4
classe 7
classes 7 & 3
classe 8
classes 8 & 3
classes 8 SC 6
non cod
Figure 4.25 : a - image obtenue par runion des classes ; b - Image obtenue aprs gnralisation automatique
(LOE3).
Tableau 4.4 : Comparaison des histogrammes de limage obtenue par runion des classes et de limage aprs
gnralisation automatique (LOE3).
Les entits non pures qui persistent sont gnralises par une interprtation manuelle
(figure 4.16) en exploitant la classification brute.
Aprs la gnralisation, on remarque (tableau 4.5) une diminution assez remarquable
de la reprsentativit de la classe 8 (de 4,3 1,45%) . Celle-ci est due essentiellement au
traitement des classes qui est ralis de faon automatique. Par contre, laugmentation de la
classe 3 est due conjointement au traitement des classes et linterprtation ultime qui est
faite manuellement. Ce type de remarques permet dapprcier les rsultats obtenus et
ventuellement de les remettre en cause.
El
classe 7
classe 8
classe 9
Figure 4.16 : Image obtenue aprs gnralisation et interprtation de la classification par apprentissage pseudo-dirig.
L
5 365914 15,3 16 392521
6 106294 474 32 92501
7 31951 173 64 15215
8 103589 493 128 34774
Tableau 4.5 : Comparaison de la classification brute et la classification gnralise
16,4
378
076
1,45
La qualit des rsultats dpend des paramtres choisis pour les traitements et des choix
dattribution des zones non pures aux classes lors de linterprtation ultime.
La carte finale obtenue (figure 4.16) permet de localiser et de mieux distinguer les
diffrentes classes doccupation du sol sur lesquels on peut dj mettre des hypothses
concernant leur nature. Cette approche de traitement conserve quasiment la configuration
spatiale (figure 4.16) et la reprsentativit (tableau 4.5) des classes doccupation du sol et
fournit une carte prsentant deux avantages :
- une interprtation facile au regard de la lisibilit des formes dorganisation spatiale.
- une intgration facile un SIG par vectorisation
Toutefois, le processus de gnralisation induit des pertes dinformations au niveau
des htrognits locales mais, on considre que ces informations constituent du bruit que
lon limine par des traitements adapts.
7. Utilisation des indices de vgtation
Lindice normalis de vgtation (NDVI) et lindice de brillance (IB) sont calculs sur
notre image. La formule du NDVI donne au chapitre 1 donne des valeurs trs petites
comprises thoriquement entre -1 et 1, mais le logiciel OSIRIS permet deffectuer
automatiquement un retalement entre 0 et 255.
Sur limage du NDVI obtenue (figure 4.17a), les zones de vgtation dense sont
reprsentes par une forte luminance des pixels. Celles-ci sont concentres lest de la partie
centrale de limage. Cette zone a t identifie sur les cartes topographiques utilises (Annexe
3) comme une zone inondable vgtation de fourrs, Le prolongement observ jusquau
cordon dunaire correspond une zone de savane boise. Les zones dagglomration urbaine
observes sur la composition colore standard en rouge vif ressortent ici en tches blanches.
4:A .pplication la cartographie automatique
Figure 4.17 : a - Indice de vgtation ou NDVI ; b - Indice de brillance ou IB.
Rapport de stage doctoral en tldtec
L
c
b
b
La majeure partie de la scne une luminance faible reprsente en noire, qui reflte la
priode de prise de vue de la scne (04 avril 1986) correspondant la saison sche o les sols
sont nus et certains espaces parcourus par les feux qui prcdent la priode culturale.
Limage de 1IB (figure 4.17 b) ne prsente pas un fort contraste visuel. On peut
remarquer que les zones de plus forte luminance (en blanc) correspondent aux sols dnuds
alors que les zones de vgtation sont mal perues.
A partir de ces observations, on dcide deffectuer une classification multispectrale
non dirige avec les no-canaux IB et NDVI, en utilisant la mthode des Nues Dynamiques
qui est prsente au chapitre 2. Notre image est ainsi partitionne en 7 classes (figure 4.18) o
la classe 7 reprsente la bordure.
Linterprtation des statistiques (tableau 4.6) calcules sur les classes confirment la
corrlation observe sur ces nocanaux lorsquon sintresse la dtection de la vgtation et
des sols. Dans ce cas particulier, la classe 1 (sol dnuds) reprsente les plages de plus hautes
valeurs de 1IB et de faibles valeurs de NDVI. Par contre, la classe 6 (savane boise)
reprsente les plages de faibles valeurs de IB mais, de trs fortes valeurs de NDVI (figure
4.19).
classe 1
classe 2
r-l
classe 3
classe 4
classe 5
classe 6
bordure
Figure 4.18 : Image classe brute obtenue en utilisant les do-canaux IB et NDVI.
L
c
L
classe 6 87,Ol 12,37 114,83 9,59
Tableau 4.6 : Statistiques sur les valeurs de NDVI et IB des classes
c
c
160
4 classe 1
150
140
00 130
120
110
100
4 classe 2
l classe 5
classe 3
4
classe 6
4
+ classe4
r
30 40 50 60 70 80 90
nnvl
Figure 4.29 : Distribution des classes dans lespace spectral IB-NDVI.
La mme approche de traitement des classes prsente aux paragraphes 3 et 6 est
utilise pour produire une carte thmatique facilement exploitable : pour chaque classe, on
effectue une reconstruction godsique en utilisant une rosion de taille 2 avec un lment
structurant 3x3, suivie dune fermeture de taille 2 avec un lment structurant 3x3 et on
L
Y
termine cette phase par un bouchage des trous par la technique dinversion reconstruction
inversion exploitant une rosion de taille 3 avec un lment structurant 3x3 pour la
reconstruction godsique.
La runion des classes ainsi traites est nettoye par une gnralisation automatique
utilisant 0 lissage et 3 rosions pour obtenir une image o les trs petites zones non pures ont
disparus (tableau 4.7).
Tableau 4.7: Comparaison des histogrammes de limage obtenue par runion des classes et de limage aprs
gnralisation automatique (LOE3).
L
L
L
Limage finale est obtenue (figure 4.20) par une nettoyage ultime qui ncessite une
interprtation visuelle guide par la classification initiale.
Aprs les traitements, les structures spatiales des classes sont relativement identiques
celle de la classification initiale. De mme, le tableau 4.8 montre que la reprsentativit des
classes est globalement maintenue, sauf une variation assez sensible (de 1 2%) observe sur
les classes 5 et 6.
Classe
Bordure
1
2
3
4
5
Classification brute
Code Nb. de pixels %
0 227785 935
1 325855 13,6
2 570179 23,85
3 36395 1 15,22
4 273087 11,42
5 448463 18,76
1 6-- 1 6 1
180450
I 7,55 32 1
129438
I 5,41
Classification gnralise
Code Nb. de pixels %
0 227785 995
1 3 18947 13,34
2 580498 24,29
4 379116 15,86
8 274465 11,48
16 1
47952 1 1 20,06
Tableau 4.8 : Comparaison de la classification brute et la classification gnCralise
Ce rsultat peut tre ensuite compar avec celui obtenu par classification sur les
canaux XS ou sur les ACP afin dapprcier les apports de chacune de ces combinaisons.
8. Automatisation du traitement des classes
Les oprateurs de Morphologie Mathmatique exploits dans le traitement binaire des
classes exigent des temps de traitements trs levs, en particulier les reconstructions
godsiques et les filtres connexes. A titre dexemple, la procdure de traitement binaire
automatise sexcute en moyenne en 3 heures sur une classe du quart de la scne de KJ 88-
329.
Afin de conserver approximativement les mmes structures et dans les mmes
proportions des images classifies, on applique le mme traitement toutes les classes et ceci
devient trs fastidieux au regard des temps de traitement. Nous nous sommes intress
lautomatisation du traitement appliqu aux classes extraites de limage classifie.
Une interprtation visuelle tant ncessaire pour choisir les paramtres (taille des
oprateurs morphologique et taille des lments structurants) des traitements, on effectue
dabord des essais de traitement sur une ou deux classes choisies convenablement. La figure
4.21 illustre les diffrentes procdures et les paramtres requis :
- ne : nombre drosions
- nf : nombre de fermetures
- te : taille de llment structurant
L
L
L
L
L
nf
tel
ne1
ouchage des trous par inversion-
reconstruction-inversion
tel
Figure 4.21 : Procdure de traitement binaire dune classe
Cette procdure est entirement automatise en utilisant les langages de scripts
(langage de commande) Bourne Shell et C-Shell disponibles sous lenvironnement Unix
(Annexe). Les codes des oprations de base implants sous PLANETES et les codes crits par
Simonneaux V. (1995) pour la gnralisation des images satellites sont rutiliss cet effet.
Ce programme permet de rduire considrablement le temps de traitement dune image
classifie en liminant les tches rptitives et les temps dattente entre deux traitements.
L
t
CONCLUSION GENERALE
Conclusion g&drale
1. Remarques gnrales
Nous nous sommes intresss dans le cadre de ce stage quelques techniques de
traitement dimages satellites dans le visible et linfrarouge. Ces techniques sont appliques
sur une image SPOT qui ne prsente priori pas de forts contrastes. Mais, les images
obtenues la suite des diffrents traitements montrent quavec une bonne connaissance de la
nature des images et une combinaison convenable des oprations de base, on peut extraire des
informations pertinentes.
c
LI
LI
Nous avons effectu titre dexemple des classifications multispectrales avec les no-
canaux (Indices et ACP), qui fournissent dans certains cas des meilleurs rsultats quune
classification avec les canaux XS.
Nous nous sommes focaliss en particulier sur lintgration des traitements de
Morphologie Mathmatique dans une approche de cartographie semi-automatique de
loccupation du sol. Cette mthode est qualifie de semi-automatique car, on remarque le rle
dterminant de linterprtation visuelle de lanalyste qui conduit des traitements manuels
intermdiaires ou au choix des paramtres adapts aux traitements automatiques.
Lexemple dapplication ralis pour lextraction du rseau hydrographique sur le
quart nord-ouest de notre image montre lune des nombreuses possibilits dutilisation des
oprateurs de Morphologie Mathmatique en analyse automatique dimages. Dans notre
exemple on peut remarquer quen considrant seulement la forme des structures observes sur
les images, on narrive pas la nature de loccupation du sol.
Le deuxime exemple portant sur la classification de loccupation du sol permet de
diviser limage en classes, correspondant aux proprits spectrales des objets. Nous avons
test plusieurs combinaisons de canaux (XS, ACP et Indices) pour la classification
multispectrale en utilisant dabord une mthode non dirige et ensuite une mthode pseudo-
dirige. Les images obtenues par les algorithmes de classifications existants ne fournissent pas
toujours une carte que lon peut facilement interprter ou intgrer dans un SIG cause des
htrognits. Les oprateurs de Morphologie Mathmatique permettent plus ou moins de
mettre en oeuvre des procdures automatiques de gnralisation des images classes. A
chaque tape des traitements, loprateur doit prendre des dcisions de faon adapter les
paramtres de traitements.
L
-
Li
Conclusion gnrale
2. Perspectives
Nous essayons la suite des classifications, de rapprocher les structures observes sur
les images aux thmes doccupation du sol afin de les caractriser de faon approximative en
exploitant les documents cartographiques existants. Les documents cartographiques utiliss
cet effet sont :
- les cartes topographiques (Maroua et Yagoua) au 1/200 000 qui ont t numrises
(Annexe 3) et ont servi au recalage des images.
- la carte des sols de lextrme Nord au 1/500 000 (Brabant P et Gavaud M., 1984)
- la carte des sols et ressourcs en terre : potentialits agricoles, contraintes et aptitudes
(Brabant P et Gavaud M., 1985)
Des hypothses peuvent ainsi tre mises sur la nature des classes doccupation du sol
obtenues en comparant les diffrentes classification avec les donnes existantes.
On note par exemple que la classe 6 de la classification avec le NDVI et 1IB (figure
4.20) correspondant la classe 4 sur celle utilisant les ACP a t identifie sur la carte
topographique comme une zone de savane boise.
Les sols dnuds sableux et les lits de mayos reprsents par la classe 5 sur les deux
premires classification (figure 4.6 et figure 4.16) et par la classe 1 sur la troisime (figure
4.20) sont assez remarquables par leur couleur (blanc) sur la composition colore standard.
Dans notre cas, il est difficile dtablir des quivalences exhaustives entre les classes
des trois images (figures 4.6, 4.16 et 4.20) car les mthodes de classifications sont diffrentes
et on na pas le mme nombre de classes. Nous envisageons essentiellement dmettre le
maximum dhypothses par interprtation visuelle et couplage avec les donnes
cartographiques disponibles.
Les hypothses mises pourront donc tre confirmes par les rsultats dun
chantillonnage sur le terrain. Quelques problmes qui ouvrent de nouvelles perspectives de
notre travail et que nous navons pas abord en dtail dans le cadre de ce travail portent sur :
- le choix de lchelle de gnralisation et lvaluation de lapproche de traitement. Il
faut en dautres termes tablir des critre dapprciation de la carte obtenue,
- lidentification de la nature des classes obtenues : en plus des campagnes de terrain, il
sera intressant dtudier le comportement spectral de ces surfaces par des mesures
de rflectance au sol.
REFERENCES BIBLIOGRAPHIQUES
L
ACHARD F. et BLASCO F., 1990. Analyse de lvolution saisonnire des vgtations et
cartographie du couvert forestier en Afrique de louest par utilisation de NOAA
AVHRR. Photogr. Eng and Rem Sens., 56, p 1359-1365.
AKONO A., 1996. Traitement Numrique des Images Radar. Rapport de stage au Laboratoire
des Formations superficielles, ORSTOM Bondy, 57 pages.
ANGELICI G. L. et BRYANT N.A., 1977. A Land Use change Monitoring System Based on
Landsat. Machine processing of remoted sensed data, 4th Annual Symposium,
Laboratory for Applications of Remote Sensing, Purdue University, West
Lafayette, Indiana, June 2 l-23,344 pages.
-
L
BARET F., GUYOT G., BEGUE A., MAUREL P. et PODAIRE A., 1988. Complementary of
Middle Infrared with visible and Near-Infrared for monitoring wheat canopies.
Remote Sens Environ, 26, p 213-225.
BARET F. et GUYOT G., 1991. Potentials and limits of vgtation index for LAI and APAR
assessment. Remote Sens. Environ., 35, pl6 1 - 173.
L
L
BARIOU R., LECAMUS D. et LE HENAFF F., 1985. Les Indices de vgtation. Dossiers de
Tldtection, Centre Rgional de tldtection, Universit de Rennes 2, 12 1 pages.
BONN F. et ROCHON G., 1996 - Prcis de tldtection, volume 1 : principes et mthodes.
Presse de lUniversit du Qubec/AUPELF, p 297-420.
LI
c
BELGHITH A., 1990. Apport des donnes satellitaires pour la caractrisation et la
cartographie des tats de surface en rgions arides mditranennes. (La rgion de
Menzel-Habib, Tunisie). Mmoire de DESS en tldtection, GDTA, Ecole
Nationale des Sciences Gographiques, 65 pages
L
BRABANT P. et GAVAUD M., 1984. Carte des sols : Provinces du Nord et Extrme Nord.
1/500 000, Paris : ORSTOM
BRABANT P. et GAVAUD M., 1985. Les sol et les ressources en terres du Nord Cameroun :
Cartes et notice explicative no 103. 285 p + 6 cartes couleurs hors texte, au 11500
000, Paris - ORSTOM - MESRES - IRA
DELPECH R., DUME G. et GALMICHE P., 1985. Typologie des stations forestires. Paris,
ministre de lagriculture, IDF, 243 pages.
DEBAINE F., MERING C. et PONCET Y., 1988. La morphologie mathmatique en teinte de
gris applique la mise en vidence de rseaux. Photo-interprtation, 5 (2), p 17-
26.
L
DIDAY E., 1971. La mthode des nues dynamiques. Revue des statistiques appliques, vol.
19, p 19-34.
DIDAY E., 1978. La mthode des nues dynamique et la reconnaissance des formes.
Fascicule D.1.A IRIA Rocquencourt.
FOTSING E. et MADI A., 1999. Suivi de la biomasse ligneuse par une approche intgre SIG
Tldtection. A paratre dans les actes du colloque International sur la
tldtection optique et radar et la gomatique pour la gestion des problmes
environnementaux. 67e congrs de 1 ACFAS, Ottawa, 18 pages.
GIRARD C. M. et BLASCO F., 1996. Vgtation herbace terrestre In Prcis de
Tldtection, Vol 2 Applications thmatiques sous la direction de Ferdinand,
Presse de lUniversit du Qubec/AUPELF, p 199-224.
GIRARD, C. M. et M. BENOIT, 1990. Mthode de cartographie des prairies permanentes :
application la lorraine sur des donnes SPOT. C.R Acad. Sci. Paris, 3 10, III, p
46 1-464
GUYOT G., XING-FA G., WEISS M. et BAREL F., 1996. Du signal satellitaire la
rflectance au sol : problmes direct et inverse. Photo Interprtation no 1996/2 p
119-137.
GUYOT G., 1996. Agriculture et statistiques agricoles In Prcis de Tldtection, Vol 2
Applications thmatiques sous la direction de Ferdinand, Presse de lUniversit du
Qubec/AUPELF, p 267-322.
GUYOT G. et X.F. GU, 1994. Effect of radiometric corrections on NDVI determined from
SPOT-HRV and LANDSAT TM data, Remote Sens Environ, 49 ~169-180.
HUETE A. R. , JACKSON R. D., POST D. F., 1985. Spectral response of a plant canopy with
different soi1 backgrounds. Remote sensing of Environment, 17, no 1 pp. 37-53
JENSEN R. E., 1969. A dynamic programming algorithm for cluster analysis, University of
Maine - Orono Maine.
KAUTH, R. J. et THOMAS G. S., 1976. The taselled Cap A Graphie Description of spectral
temporal Development of Agricultural crops as Seen by LANDSAT. Proceedings
2d International Symposium on machine Processing of Remotely Sensed Data,
Purdue University, West Lafayette, Indiana, p 4B4 1 - 4B5 1.
ISETTIG R. L. et LANDGREBE D. A., 1976. Classification of Multispectral Image Data by
extraction and Classification of homogeneous abjects. IEEE Transaction on
Geoscience Electronics, GE-14, No 1, p 19-26
L
L
LEGELEY P. A., MERING C., GUILLANDE R., et HUAMAN D., 1995. Mthode de
cartographie des coules de lave par traitement des images Spot : LExemple du
Sabancaya (Perou). Photo-interpretation, 1, p 3-17
LEGELEY P. A. et MERING C., 1997. Apport des oprateurs de morphologie mathmatique
lextraction des failles partir dimages Spot panchromatique. Photo-
interpretation, 3-4, p 209-223
LEPART J.. et ESCARRE J., 1983. La succession vgtale, mcanismes et modles : analyse
bibliographique. Bull. Ecol. no 14, p 133-178.
PETTANG C., TAM0 T. T., FOTSING E., et KOUAMOU G. 1997. SIGSADRE : Un
systme daide la planification et la gestion du rseaux deau dans les quartiers
habitat spontan. In R.evue internationale de Gomatique, 7 (2), p 141-l 57..
RUSPINI E. H. , 1970. Numerical method for fkzy clustering information. Sciences 2, 3 19-
350.
RIFFLET J. M., 1989. La programmation sous Unix. Deuximime dition, Mcgrak-Hill,
410 pages.
SIMONNEAUX V. 1995. Gnralisation dimages satellites classes pour leur intgration
un SIG, In Surveillance des sols dans lenvironnement par tldtection et systmes
dinformation gographiques. Symposium International, ORSTOM Paris, 1996 p
23 1-246.
SERRA J., 1988. Image analysis and Mathematical morphology, Vol 2 (London Academic
Press), 411 pages.
TRIBOULET Christine, 1995. Les transformations des paysages du Diamar et du bassin de
la Bnou (Nord Cameroun). Etude a laide de limagerie SPOT. Thse de doctorat
de lcole des hautes tudes en sciences sociales, 629 pages.
TAYLOR M., 1974. Principal component color display of ERTS Imagery, CR 2me
symposium Canadien sur la tldtection.
VICKOS J. B., 1991. Tldtection des feux de vgtation en Afrique intertropicale. Thse de
doctorat, Toulouse, Universit Paul Sabatier, 142 pages.
ANNEXE 1
ENVIRONNEMENT UNIX
c
L
kr
c,
L
L
bu
b
L
-
1- Quelques Commandes Unix
- 1s : liste le contenu dun rpertoire
- cp cheminl/fchier chemin2 : copie dun fichier
- more fichier : liste le contenu dun fichier texte
- h n : donne la liste des n dernires commandes excutes
- compress fichier ou uncompress : compression ou dcompression de fichier
- tar -cvf /dev/rmt/l n * : sauvegarde tous les fichiers sans rembobinage
tar -cvf /devirmt/l * : sauvegarde tous les fichiers avec rembobinage
tar -tvf idevirmt/ln : affiche la liste des fichiers sauvegards lcran sans
rembobinage
tar -tvf idevirmt/ln > fichier : liste des fichiers du 1 rpertoire sauvegards redirige
vers un fichier
tar -tvf idevirmt/ln fichier : dans le cas de sauvegarde de plusieurs rpertoires :
ajoute au fichier prcdent la nouvelle liste.
- mt -f idevirmtil rew : rembobine la bande
- dd if = fichier entre of = ficher sortie )) bs = n skip = 1 : convertit et copie des fichiers
avec diffrents formats,
2. Alias
Des alias permettent de crer des raccourcis pour des commandes excutes rgulirement et
qui ncessitent de longues frappes.
Exemples :
- 11 : 1s -la
- lex fichier : lpr -Plex fichier Pertmet dimprimer (fichier image .ps) sur limprimante
Lexmark
- lpr fichier : idem lex pour limprimante Spart
- setim : setenv IMAGES $cwd ; setenv PARAMS $cwd
initialise les deux variables, IMAGES et PARAMS, de lenvironnement Osiris au rpertoire
courant.
3. Programmation
Lenvironnement Unix intgre deux langages de commandes appels Shell : le Bourne
Shell et le C-Shell, ainsi quun compilateur de langage C. Lautomatisation des traitements est
effectue grce au Shell en crivant des scripts qui facilitent la rutilisation des codes de
programmes. Nous prsentons titre dillustration quelques code de script :
Script de cration du marqueur et dexcution de La reconstruction godsique
# Version Bourne Shell
# Ce script prend une image ($l), un nombre drosions ($2) et une taille (#3) dlment
structurent, cre un marqueur et le place dans le canal 5. Le masque tant dans le canal 4, on
pourra lancer recbin.sh
# une autre copie est mise en 5 pour servir a la cration du marqueur
n=O
if test $3 -ne 3 -a $3 -ne 5
then echo la taille de l\element structurant doit tre 3 ou 5
else if test $3 -eq 3
then while test $n -ne $2
do
done
echo Erosions en cours
fenet $1 < fer0
gestion $1 < fche
n=n+ 1
else if test $3 -eq 5
then while test $n -ne $2
do
echo Erosions en cours
fenet $1 < fer0
gestion $1 < fche
n=n+ 1
done
fi
fi
fi
recons $1
recbin.sh $1
mj $1
# Le resultat de la recontruction est dans le canal 5 et sera exploite ultrieurement
# fero (5,6,3 = erosion, marqueur)
# fche (x, 6, 5, m, 6, 0, 0, e, 6, q) change 6 et 5 et efface 6
ANNEXE 2
CARACTERISTIQUES DES DONNEES SATELLITALES
L
tdsat TM
henpm
0,45 - 0,52
0,52 - 0,60
0,63 - 0,69
0,76 - 0,90
1,55 - 1,75
Bandes henpm 1
MSS4 1 0,5 - 0,6 1 TM2 XSl
I
0,5 - 0,59
l
xs2 1 0,61 - 0,68 ( MSS5 0,6 - 0,7 TM3
MSS6 0,7 - 0,s TM4
MSS7 0,8 - 1.1 TM5
TM6 10,40 - 12,50
I
TM7 2,08 - 2,35
Tableau AZ.1 : Caractristiques spectrales des donnes des capteurs Landsat MSS et TM, SPOT XS
Rgions spectrales 1 Plages de longueurs donde (pm)
Visible
0,77 - 0,91
Proche Infrarouge
I I
1,2 - 1.35
Moyen Infrarouge
I
1,55 - 1,73
- 2,5
Infrarouge Thermique
I
3,5 - 4,2
8,2 - 9,4
10,2 - 13,8
Tableau A2.2 : Fentre de longueur donde du visible ri linfrarouge Thermique
L
L
Satellite Instrument FTM XSl xs2 xs3 Panchro
spot 1 HVRl FTM1igne 0,41 0,38 0,36 0,19
FTMco,onne 0,48 0,41 0,28 0,28
HVR2 FTMlip,, 0,40 0,39 0,38 0,15
FTMCOlOIl, 0,44 0,40 0,22 0,23
spot 2 HVRl FTMli~, 0,42 0,42 0,40 0,21
FTMcolcie 0,48 0,44 0,37 0,27
HVR2 FTMli~, 0,42 0,42 0,41 0,22
FTMcolcle 0,50 0,47 0,39 0,30
Tableau A2.3 : FTM des instruments HVRl et HVR2 de SPOT 1 et 2, mesures avant le lancement
Paramtre Instrument Vert Rouge Proche IR
Eclairement solaire HVRl de SPOT 1 1855 1615 1090
quivalent TM de LANDSAT 5 1827 1545 1043
Coefficient HVRl de SPOT 1 1,099 0,903 0,887
dtalonnage TM de LANDSAT 5 0,689 0,919 1,091
Longueur donde HVRl de SPOT 1 545 638 819
centrale (nm) TM de LANDSAT 5 571 661 838
Tableau A2.4 : Paramtres dtalonnage des instruments HRVl de SPOT et TM de LANDSAT 5
Procdure de lecture dune image SPOT
1. Crer un rpertoire scne1 et y copier le contenu du CD-ROM
cp * ifotsing ipcisceneli
2. A partir du fichier Imag-02.dat, produire le fichier Imag-02.mpx
dd if=Imag-02.dat of=Imag-02.mpx bs = 5400 skip=l
bs pour bloc size. Le logiciel indique le nombre denregistrement (9000), qui permet de
dduire le nombre denregistrement par bande ou le nombre de lignes (3000).
3. Excuter la commande de dmultiplexage :
demult image2 Imag-02 .
Cette commande PLANETE crera 3 fichiers au format OSIRIS (image2.1, image2.2 et
image2.3 ). Le fichier Imag-02.dat est un multiplexage des canaux et la lecture de limage
consiste dmultiplexer.
4. Fournir les indications suivantes
mode de multiplexage : par ligne, nombre de lignes : 3000, nombre de colonnes : 5400
logiciel de traitement dimage et tldCtection dvelopp h IORSTOM
L
ir
L
ANNEXE 3
NUMERISATION ET ASSEMBLAGE
DES FONDS TOPOGRAPHIQUES
L
L
L
Annexe 3 : Numkrisation et assemblage
L
L
1. Les donnes cartographiques de base
La zone dtude est entirement couverte par 6 fonds de cartes au li200 000 (figure
A3.1) dont les rfrences sont donnes dans le tableau A3.1. Toutes ces planches ont la mme
projection et le mme systme de coordonnes (UTM, Ellipsoide de clarke 1880, fuseau 33,
origine Lo=O Mo=15 Est du Mridien central). Par contre, les annes dditions et les
diteurs changent dune carte lautre. Cette diffrence se traduit par les couleurs, des noms de
localits diffremment libell, des routes diffremment reprsentes en terme de taille ou de
couleurs.
MAROT JA i YAGOUA i
GAROUA LERE FIANGA
9
13 O
14 15 O 16
Figure A3.1: Schma dassemblage des planches topographiques.
1 Numro 1 Nom 1 Editeur Anne ddition
Planche 1 Mokolo IGN Paris Centre de Yaound 1973
Planche 2 Maroua IGN Paris 1973
I I I
Planche 3 Yagoua CGN et Min. Economie et Plan Yaound 1973, rimpression 1979
I I
Planche 4 1 Garoua 1 IGN Paris Centre de Yaound 1 1965, rimpression 1969
Planche 5 Lere IGN Paris Centre de Brazzaville 1968, rimpression, 1974
Planche 6 Fianga IGN Paris Centre de Brazzaville Juin 1967
Tableau A3.1: Rfrences des planches topographiques
(IGN : Institut Gographique Nationale, CNG : Centre Nationale Gographique)
L
Annexe 3 : Numrisation et assemblage
L
c
Chaque planche correspond un carr de 1 de cot mais, les planches de Maroua et
de Yagoua reprsentes en traits interrompus sur la figure x sont prolonges de 4 au sud afin
de couvrir la frontire du Cameroun (au niveau du bec de canard).
2. La numrisation et le traitement
La numrisation de chacune des planches est effectue avec les mmes proprits
(format AO, rsolution 300 ppp, 256 couleurs) et les images obtenues sont traites et
sauvegardes au format .tif avec le logiciel Photoshop. La numrisation induit des distorsions
dues au plies du papier et la prcision dorientation. Les transformations (rotation) sont
effectues en se rfrant aux points de mridien du centre de la carte qui sont lorigine quasi
aligns en raison de la grandeur de lchelle (1/200 000).
3. Lassemblage des planches
On procde au mieux, luniformisation des couleurs, au nettoyage des contours et au
redressement des images. Les planches scannes ne se joignent pas exactement partout pour
les raisons voques plus haut. On effectue diffrents scnaris et on apprcie la qualit des
rsultats avec pour objectif de faire concider le maximum de thmes (routes, rivires, courbes
de niveau) dune carte lautre. Nous avons dabord choisi de faire une runion des 3
planches situes au nord (MOKOLO , MAROUA et YAGOUA) la bande correspondante est
sauvegarde sous M3.tif (figure A3.2). On a ensuite excut de mme la runion des 3
planches situes au sud (GAROUA, LERE, FIANGA) et la bande obtenue est sauvegarde
MG.tif (figure A3.3).
La deuxime difficult pose par lassemblage est rencontre au moment de la runion
de la bande nord et de la bande sud. La mmoire de lordinateur utilise devient limite car les
images sont trs volumineuses.
Nous avons dcid dextraire une bande de 10 au nord de la bande sud tant donn
que le reste de cette bande se situe hors notre zone dtude. Lammoire tant toujours limite
lors de la runion de la bande nord avec la bande extraite, le module Quickedit de Photoshop a
t exploit pour rsoudre le problme. Ce module nous permet en effet de copier une petite
bande au sud de la bande nord et deffectuer la runion de celle ci avec la bande extraite de la
bande sud. Pendant cette runion seules les bandes en dition occupent la mmoire. Au
moment de la sauvegarde, la partie dite est restitue sa position initiale bande nord. La
figure A3.4 montre la carte obtenue qui est utilise pour le recalage de notre image
L
c
,-
-
=
-
1
. .
:- I
.,
2.
..:
,
.
if., ,- a.
,-
_ ,
f.
,.. .:, _ -.
:
.;
..
.: .,- , ., .
.,
.s y,.
., :
1.,:
_:
:
_ :..
..
-.. .
.
. . . .
,.>
I.
>.
.
i-
..,
-
-.
.;.
..!:
,\
.
A:.\
r.
-
t
90

B.P 8 12 Yaoundé - Cameroun 32 Rue Henry Varagnai, 93 143 Bondy - France

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

B.P 8 12 Yaoundé - Cameroun 32 Rue Henry Varagnai, 93 143 Bondy - France

Uploaded by

Copyright:

Available Formats

L

UNIVERSITE DE YAOUNDE 1 - FACULTE DES SCIENCES INSTITUT DE RECHERCHE POUR LE DEVELOPPEMENT

You might also like