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. Rapport de stage doctoral en tldtection 3 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. Rapport de stage doctoral en tldtection 5 Chapitre 1 : Gnralits 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 Rapport de stage doctoral en tldtection 6 c - Chapitre 1 : Gnralits 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 Rapport de stage doctoral en tldtection 7 L 111 ir Chapitre 1 : Gnralits 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 - Rapport de stage doctoral en tldtection 8 Chapitre 1 : Gnralits 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) - - Rapport de stage doctoral en tldtection 9 L Chapitre 1 : Gnralits 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, Rapport de stage doctoral en tldtection 10 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. Rapport de stage doctoral en tldtection 11 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 Chapitre 1 : Gnralits 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, Rapport de stage doctoral en tldtection 13 Chapitre 1 : Gnralits - 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 Chapitre 1 : Gnralits 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). Rapport de stage doctoral en tldtection 15 L Chapitre 1 : Gnralits 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 Rapport de stage doctoral en tldtection 16 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 Rapport de stage doctoral en tldtection 18 - I Y / Chapitre 2 : Traitements dimages de base 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). Rapport de stage doctoral en tldtection 19 Chapitre 2 : Traitements dimages de base 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 Rapport de stage doctoral en tldtection 20 c L Chapitre 2 : Traitements dimages de base 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 - Chapitre 2 : Traitements dimages de base 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 : Rapport de stage doctoral en tldtection 22 Chapitre 2 : Traitements dimages de base - 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 Rapport de stage doctoral en tldtection 23 Chapitre 2 : Traitements dimages de base 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). 6. Lanalyse en composantes principales 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 Rapport de stage doctoral en tldtection 24 Chapitre 2 : Traitements dimages de base 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, Rapport de stage doctoral en tldtection 25 Chapitre 2 : Traitements dimages de base - 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. Rapport de stage doctoral en tldtection 26 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 Rapport de stage doctoral en tldtection 28 c LI b L- L Chapitre 3 : La Morphologie Mathmatique 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). Rapport de stage doctoral en tldtection 29 Chapitre 3 : La Morphologie Mathmatique 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 Rapport de stage doctoral en tldtection 30 Chapitre 3 : La Morphologie Mathmatique 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. Rapport de stage doctoral en tldtection 3 1 Chapitre 3 : La Morphologie Mathmatique 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 Chapitre 3 : La Morphologie Mathmatique 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). Rapport de stage doctoral en tldtection 33 Chapitre 3 : La Morphologie Mathmatique 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) Rapport de stage doctoral en tldtection 34 Chapitre 3 : La Morphologie Mathmatique 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). Rapport de stage doctoral en tldtection 35 L L L L L L L L L L c L L L L L L Li Chapitre 3 : La Morphologie Mathmatique 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. Rapport de stage doctoral en tldtection 36 Chapitre 3 : La Morphologie Mathmatique 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. Rapport de stage doctoral en tldtection 31 L L b Chapitre 3 : La Morphologie Mathmatique 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 Chapitre 3 : La Morphologie Mathmatique 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) Rapport de stage doctoral en tldtection 39 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 Rapport de stage doctoral en tldtection 4 1 Chapitre 4 : Application la cartographie automatique L C c (r L L =.* a. S . R 0 Rapport de stage doctoral en tldtection 42 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 43 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 44 Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 45 Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 46 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 47 k - C L Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 48 Chapitre 4 : Application la cartographie automatique 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). Rapport de stage doctoral en tldtection 49 Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 50 Chapitre 4 : Application la cartographie automatique Rapport de stage doctoral en tldtection 5 1 Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 52 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 53 Chapitre 4 : Application la cartographie automatique L 5. Lanalyse en composantes principales 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 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 56 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 57 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. Rapport de stage doctoral en tldtection 58 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 59 L Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 60 Chapitre 4 : Application la cartographie automatique 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). Rapport de stage doctoral en tldtection 61 Chapitre 4 : Application ti la cartographie automatique classes 5 & 3 classes 1 & 2 classes 6 & 3 classes 6 & 4 classes 3 h 1 classes 3 & 2 classes 7 & 3 classes 4 & 2 classes 8 & 3 classes 4 & 3 classes 8 & 6 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). Rapport de stage doctoral en tldtection 62 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 63 El classe 7 classe 8 classe 9 Figure 4.16 : Image obtenue aprs gnralisation et interprtation de la classification par apprentissage pseudo-dirig. L Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 65 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 Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 61 L Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 68 Chapitre 4 : Application la cartographie automatique 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). Rapport de stage doctoral en tldtection 69 Chapitre 4 : Application la cartographie automatique 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 Rapport de stage doctoral en tldtection 70 Chapitre 4 : Application la cartographie automatique Rapport de stage doctoral en tldtection 7 1 L L L L L Chapitre 4 : Application la cartographie automatique 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. Rapport de stage doctoral en tldtection 72 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 Rapport de stage doctoral en tldtection 74 - 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. Rapport de stage doctoral en tldtection 75 REFERENCES BIBLIOGRAPHIQUES Rfrences 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 Rapport de stage doctoral en tldtection 77 Rfrences bibliographiques 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 Rapport de stage doctoral en tldtection 78 L Rfrences bibliographiques 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. Rapport de stage doctoral en tldtection 79 ANNEXE 1 ENVIRONNEMENT UNIX c L kr c, L L bu b L - Annexe 1 : Environnement Unix 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 $cwd initialise les deux variables, IMAGES et PARAMS, de lenvironnement Osiris au rpertoire courant. Rapport de stage doctoral en tldtection 8 1 Annexe 1 : Environnement Unix 3. Programmation Lenvironnement Unix intgre deux langages de commandes appels Shell : le Bourne Shell et le C-Shell, ainsi quun compilateur de langage C. Lautomatisation des traitements est effectue grce au Shell en crivant des scripts qui facilitent la rutilisation des codes de programmes. Nous prsentons titre dillustration quelques code de script : Script de cration du marqueur et dexcution de La reconstruction godsique # Version Bourne Shell # Ce script prend une image ($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 Rapport de stage doctoral en tldtection 82 ANNEXE 2 CARACTERISTIQUES DES DONNEES SATELLITALES L Annexe 2 : Caractristiques des donnes satellitales 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 Rapport de stage doctoral en tldtection 84 L Annexe 2 : Caractristiques des donnes satellitales 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 Rapport de stage doctoral en tldtection 85 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 Rapport de stage doctoral en tldtection 87 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 Rapport de stage doctoral en tldtection 88 Annexe 3 : Numrisation et assemblage c ,- - = - 1 . . :- I ., 2. ..: , . if., ,- a. ,- _ , f. ,.. .:, _ -. : .; .. .: .,- , ., . ., .s y,. ., : 1.,: _: : _ :.. .. -.. . . . . . . ,.> I. >. . i- .., - -. Rapport de stage doctoral en tldtection 89 Annexe 3 : Numrisation et assemblage .;. ..!: ,\ . A:.\ r. - t Rapport de stage doctoral en tldtection 90