PAR Mme TAMOKOUE Etudiante ÉTUDE EXPLORATOIRE

UNIVERSITE DE DOUALA
ECOLE NATIONALE DE
SCIENCES GEOGRAPHIQUES
ACADEMIE INTERNET
B.P. 2701 Douala
Tél. : +237 33 66 64
PROJET GEOMATIQUE
ÉTUDE EXPLORATOIRE DE METHODES D’EXTRACTION
AUTOMATIQUE DU RESEAU ROUTIER A PARTIR D’IMAGES
SATELLITES HAUTE RESOLUTION
PAR Mme TAMOKOUE Hortense Orely
O
Etudiante MASTER II IASIG
ANNEE 2010 - 2011
MASTER2 IASIG
Projet géomatique
SOMMAIRE
LISTE DES ABREVIATIONS ................................................................................................................ 2
LISTE DES FIGURES ............................................................................................................................ 3
INTRODUCTION ..................................................................................................................................... 4
PARTIE I : GENERALITES SUR SATELLITE HAUTE RESOLUTION ET LE RESEAU
ROUTIER .................................................................................................................................................. 5
I – GENERALITES SUR L’IMAGE SATELLITE HAUTE RESOLUTION ................................ 5
II – GENERALITES SUR LE RESEAU ROUTIER................................................................. 6
PARTIE II : METHODES D’EXTRACTION AUTOMATIQUES DES ROUTES A PARTIR
D’IMAGES SATELLITES HAUTE RESOLUTION............................................................................. 8
I.
LES METHODES LOCALES ......................................................................................... 8
II. LES METHODES GLOBALES .......................................................................................... 9
A - SYSTEME D’EXTRACTION PAR BLOCS ............................................................................ 9
B- METHODES DE SEGMENTATION ET DE CLASSIFICATION .......................................... 9
C - METHODES FONDEES SUR L’ANALYSE MULTI-ECHELLE ........................................ 10
D - METHODE MULTICOUCHE ................................................................................................. 12
E - METHODE MULTICOUCHE TRIDIMENSIONNELLE (M3D) .......................................... 15
CONCLUSION ....................................................................................................................................... 18
BIBLIOGRAPHIE .................................................................................................................................. 19
TAMOKOUE HORTENSE ORELY
1
MASTER2 IASIG
Projet géomatique
LISTE DES ABREVIATIONS
ENSG : Ecole Nationale de Science Géographique
HR : Haute Résolution
MM : Méthode Multicouche
M3D : Multicouche TriDimensionnelle
SIG : Système d’Informations Géographiques
T3DR : Transformée TriDimensionnelle de Radon
UMLV : Université Marne la Vallée
TAMOKOUE HORTENSE ORELY
2
MASTER2 IASIG
Projet géomatique
LISTE DES FIGURES
NOMS DE FIGURE
PAGE
Figure1 : capteurs embarqués à bord des satellites ……………….……………….… 2
Figure 2 : Image d’un réseau routier ……………………………….………………....... 3
Figure 3 : L’algorithme d’extraction surfacique des rues …………….……………….. 7
Figure 4 : Forme d'un pic dans le domaine des paramètres ………….……………….. 9
Figure 5 : Présentation schématique de la méthode M3D ………………………..… 11
TAMOKOUE HORTENSE ORELY
3
MASTER2 IASIG
Projet géomatique
INTRODUCTION
L’avènement de la télédétection à haute résolution (de l’ordre de 10 m) a
permis d’obtenir des images fournissant de l’information sur la surface de la Terre.
L’accroissement de la résolution spatiale augmente aussi la quantité de données
générées. Cette masse importante de données à traiter est coûteux et nécessite un
temps considérable. C'est ce qui explique la sollicitation de plus en plus importante de
nouvelles techniques automatiques de traitement de données. Ces données peuvent
être issues d’images satellites hautes résolution.
Plusieurs types d’information sont extraits des images de télédétection haute
résolution. Cependant, le réseau routier présente un intérêt de premier plan pour un
territoire car celui-ci représente un élément essentiel pour le développement.
Nous allons présenter dans ce document dans un premier temps les généralités
sur le les images satellites à haute résolution et le réseau routier et dans un deuxième
temps les méthodes automatiques d’extraction du réseau routier.
TAMOKOUE HORTENSE ORELY
4
MASTER2 IASIG
Projet géomatique
PARTIE I : GENERALITES SUR SATELLITE HAUTE RESOLUTION ET
LE RESEAU ROUTIER
I – GENERALITES SUR L’IMAGE SATELLITE HAUTE RESOLUTION
Une image satellite désigne une image résultant de l’observation de la terre par
des capteurs embarqués dans des satellites destinée à l’observation placés sur des
orbites se situant entre 500 à 36000 km d’altitude. Un capteur désigne tout dispositif
de détection destiné à produire des images.
Figure1: capteurs embarqués à bord des satellites (source : eduscol.education.fr/orbito/system/spot/spot3.ht)
Les images ainsi obtenues doivent faire l’objet de traitements radiométriques et
géométriques pour être utilisées dans un SIG.
Avec l’utilisation de l’image satellite, la description de la terre a connu une
révolution, de même que dans l’actualisation de son occupation. L’analyse de ces
images offre de meilleures perspectives avec l’évolution des capteurs vers la haute
résolution.
Les données satellites dites à haute résolution, offrent de nouvelles possibilités
pour l'étude de du territoire. Elles présentent plusieurs avantages comparativement
aux outils d'observation traditionnels :
•
•
•
L'imagerie satellitaire admet une vision sur des étendues spacieuses, c'està-dire à des milliers de km² sur une même image.
Aucune restriction administrative n’est liée à leur acquisition.
Les images satellites à haute résolution (HR) permettent d'obtenir des
quantités d’informations plus importantes.
TAMOKOUE HORTENSE ORELY
5
MASTER2 IASIG
Projet géomatique
II – GENERALITES SUR LE RESEAU ROUTIER
Un réseau routier est constitué de plusieurs routes. Chaque route est formée
par un arc ou plusieurs arcs. Chaque arc est composé de un ou plusieurs segments et
est limité par deux nœuds. Ainsi chaque arc est connecté à un ou plusieurs autres
arcs appartenant à la même route ou à des routes différentes.
Figure 2 : Image d’un réseau routier
Le classement du réseau routier dépend du type de voirie et d’utilisation. Ainsi,
certaines portions du réseau routier sont destinées pour tous les types de véhicules et
d'autres sont réservées aux véhicules spécifiques.
Un réseau routier est composé de :
•
•
voies accessibles avec revêtement comme les rues, les routes ou les
autoroutes.
voies accessibles sans revêtement que son les chemins en terre ou les pistes.
Un réseau routier ne comprend pas les aires de stationnement.
Il existe une diversité de méthodes d’extraction des routes à partir d’images
satellitaires haute résolution. Ces méthodes se répartissent en en trois groupes :
– Les méthodes manuelles,
– Les méthodes semi-automatiques et
– Les méthodes automatiques.
TAMOKOUE HORTENSE ORELY
6
MASTER2 IASIG
Projet géomatique
Notre travail va s’intéresser uniquement aux méthodes automatiques
d’extraction de routes à partir d’images satellites haute résolution. Ces méthodes se
regroupent en deux catégories générales : les méthodes locales et les méthodes
globales.
Nous allons dans un premier temps présenter les méthodes locales et dans un
second temps décrire les méthodes globales.
TAMOKOUE HORTENSE ORELY
7
MASTER2 IASIG
Projet géomatique
PARTIE II : METHODES D’EXTRACTION AUTOMATIQUES DES ROUTES
A PARTIR D’IMAGES SATELLITES HAUTE RESOLUTION
I.
LES METHODES LOCALES
Les méthodes locales sont des techniques basées sur l’analyse de l’information
spectrale du voisinage immédiat des pixels afin d’identifier ceux appartenant aux
lignes. Ces méthodes, selon l’approche utilisée, se répartissent en cinq groupes :
– Analyse mathématique du profil du gradient : c’est une méthode qui
utilise une fonction polynômiale pour approximer le profil en fonction de
la direction d'une route, afin de détecter les pixels correspondants aux
critères définis.
– Morphologie mathématique : C’est une méthode basée sur l’étude de la
forme à partir de l’imagerie satellitaire. Les notions de texture et de
structure sont prises en compte. Elle est utilisée pour détecter les
éléments du milieu urbain.
– Opérateurs de différentiation : c’est une technique sensible au bruit
permettant l’extraction des détails géométriques qui existent dans
l’image.
– Réseaux de neurones utilisés dans la classification supervisée ;
– Convolution spectrale dont l’objectif est de d'obtenir le spectre incident
qui mesure par le détecteur.
De nos jours, les méthodes locales sont de moins en moins utilisées parce que
présentent deux principaux inconvénients :
1. Elles ne considèrent pas la globalité de l’image étudiée
Ces méthodes s’intéressent uniquement de la variation locale de l’intensité d’un
pixel dans un voisinage très limité par rapport à la taille globale de l’image. Cette
restriction se traduit par des lignes incomplètes dans les résultats finaux.
2. L’inexactitude du positionnement géométrique de certains éléments extraits
Lorsque la largeur de la ligne est plus grande que la taille des cellules de
l’opérateur, le positionnement géométrique de certains éléments extraits ont
inexact. Dans la détection des intersections, cette inexactitude du
positionnement géométrique devient plus important (Farah, 1998).
TAMOKOUE HORTENSE ORELY
8
MASTER2 IASIG
Projet géomatique
II. LES METHODES GLOBALES
Le principe des méthodes globales est de convertir l’ensemble de l’image
étudiée dans un nouvel espace mathématique afin d’extraire les routes à partir de
leurs formes transformées dans ce nouvel espace.
A - SYSTEME D’EXTRACTION PAR BLOCS
Nous proposons une méthodologie complètement automatique à travers un
système d’extraction par blocs. Le principe est le suivant :
Le premier bloc, va appliquer un filtrage directionnel adaptatif sur l’image, ce qui
favorise la détection des routes. Ces routes sont identifiées à partir des directions
dominantes dans chaque fenêtre de l’image.
Le second bloc, applique dans un premier temps une segmentation et
sélectionne dans un deuxième les segments obtenus. Ces segments, suivant un
critère de forme appliqué, représentent des routes selon.
Les résultats obtenus de ces deux blocs, qui constituent des types d’information
différents de la scène étudiée, sont confrontés ensuite complétés dans un autre bloc,
le troisième. C’est l’ensemble de ces trois qui génère une image du réseau routier
étudié.
B- METHODES DE SEGMENTATION ET DE CLASSIFICATION
La segmentation est fondée sur la classification ou le seuillage des pixels en
utilisant leur intensité comme critère. Ces méthodes, pour extraire le réseau routier,
utilisent soit la segmentation et la classification supervisée, soit la segmentation et la
classification non supervisée d'une image. Dans d’autre cas, la segmentation utilise
comme point élément de base l'analyse de texture. Celle-ci fournit une image binaire
qui est utilisée comme élément d’entrée d’un processus de vectorisation postérieure.
Le rapport entretenu par chaque pixel avec les informations calculées de
l’ensemble de l’image est la base de cette approche. Dans le principe des méthodes
de segmentation et de classification, la première chose à faire est de choisir un seuil,
ensuite de déterminer les classes. Les régions de l'image sont formées par les pixels
se trouvant une même classe et qui sont connexes.
TAMOKOUE HORTENSE ORELY
9
MASTER2 IASIG
Projet géomatique
Le principe est de classer les pixels en "route" et " non route", puis on utilise un
réseau de neurones multicouches. Les entrées de ce réseau sont des fenêtres de
taille n x n centrées sur chaque pixel k de l'image. Ce réseau calcule les valeurs
discriminantes dans les nœuds de l'unique couche cachée à partir des n x n entrées,
puis classifie le pixel k à partir des nœuds cachés dans le nœud de sortie. Un
algorithme de type rétro-propagation entraîne le réseau à partir de quelques
exemplaires de type "route" et "non route" sélectionnés par l’utilisateur, à partir d'une
image provenant d'un certain type de capteur. Le réseau obtenu peut ensuite servir de
base d'extraction de routes à partir d'autres images issues du même capteur.
C - METHODES FONDEES SUR L’ANALYSE MULTI-ECHELLE
(MULTI-RESOLUTION)
La méthode d’extraction des routes fondée sur l'analyse multi-échelle est une
méthode automatique d’extraction du réseau routier caractérisée principalement par
un contrôle de la dimension de la largeur des routes dans l'image. Il s’agit donc d’une
méthode efficace de détection de route de moindre largeur à partir des images à
grande échelle.
Cette méthode est constituée de deux modules séquentiels :
1. Premier module, on extrait un graphe topologique du réseau de rues
2. Deuxième module : on extrait les rues comme éléments de surface.
1. Module du graphe
Cette étape permet de situer les différentes polylignes qui symbolisent les rues
dans l’image.
Le graphe topologique du réseau peut, soit provenir d’une base de données,
soit être extrait de manière automatisée, en utilisant un algorithme d’extraction.
L’algorithme d’extraction surfacique des rues comme le montre la figure ci-dessous,
fait intervenir des contours actifs associés à une analyse multi-échelle. Ceci permet
d’accélérer la convergence de l’algorithme en réduisant le problème du bruit
géométrique qui limiterait les performances de l’algorithme. Il s’agit d’une phase de
reconstruction qui comprend deux étapes consécutives à savoir : l’extraction des rues
et le traitement des intersections.
TAMOKOUE HORTENSE ORELY
10
MASTER2 IASIG
Projet géomatique
Figure 3 : L’algorithme d’extraction surfacique des rues
Utilisant les critères géométriques, radiométriques et du contexte, les étapes
suivantes sont respectées :
– Les segments parallèles extraits sont ensuite appariés,
– Les segments proches sont groupés et pour rendre le réseau connexe, les
discontinuités sont comblées.
– Enfin, en utilisant la technique de Ziplock Snakes, les intersections sont
reconstruites.
2. La reconstruction
Cette phase de reconstruction est constituée de deux étapes consécutives:
– L’extraction des segments de rues avec des bords parallèles
– L’extraction des intersections de rues.
En effet, les segments de rue et les intersections présentent une grande
différence au niveau de la topologie et de la forme. Ils ne peuvent donc pas être
extraits de la de façon identique. Nous aurons pour une intersection, un cercle centré
sur le nœud du graphe.
TAMOKOUE HORTENSE ORELY
11
MASTER2 IASIG
Projet géomatique
D - METHODE MULTICOUCHE
La méthode multicouche s'appuie sur le concept de la généralisation de la
transformée de Radon, dont l’extraction des lignes se fait à partir de leurs formes
transformées dans l’espace des paramètres.
Cette méthode repose sur le stockage dans une base de données des informations
accessibles pendant la procédure de transformation. Le principal avantage de cette
méthode par rapport à la transformée classique de Radon, dans laquelle les seules
valeurs numériques de l’image sont utilisées est l’analyse de la base de données
stockée.
1. Bref rappel de la transformée de Radon ou transformée de Hough
La démarche générale des méthodes d’extraction de formes basées sur la
transformée de Radon ou transformée de Hough s’opère en cinq étapes :
– La première consiste à définir l’espace multidimensionnel des paramètres
en utilisant la forme canonique de l’élément recherché.
– La deuxième consiste à déterminer les valeurs extrêmes ainsi que le pas de
chaque paramètre.
– La troisième consiste à l’intégration de l’intensité des pixels de l’image
originale qui suivent la trajectoire de la forme recherchée.
– La quatrième consiste à détecter les pics dans l’espace des paramètres
– La cinquième est la restauration des formes détectées en utilisant des
paramètres déterminés à l’étape précédente.
2. Méthode multicouche proprement dite
Cette méthode est proposée pour éliminer les deux premières restrictions de la
transformée de radon. Elle s’appuie sur l’étape de détermination des paramètres des
formes de la démarche générale et se réalise en deux étapes principales :
– l’acquisition et le stockage des données ;
– le traitement et l’analyse des données afin d’en extraire des informations
utiles.
a. Acquisition et stockage de données
Les données, la plupart du temps s’acquièrent lors de la procédure de
transformation. Généralement, ces données contiennent les informations
géométriques de la forme recherchée dans l’image originale. Ces informations
peuvent être soit le nombre et les positions de tous les points de la forme, soit les
informations spectrales, comme leurs valeurs numériques des points de la forme.
TAMOKOUE HORTENSE ORELY
12
MASTER2 IASIG
Projet géomatique
Pour chacune des positions dans le domaine des paramètres, nous avons
besoin d’un certain nombre d’espaces pour d’enregistrer les données acquises. Le
stockage de ces données demande donc un espace supplémentaire dans le domaine
des paramètres. Au vue de ce qui précède, après avoir déterminé les valeurs
extrêmes et les pas de chacun des paramètres, il faut ajouter des couches
supplémentaires qui permettront d’enregistrer en plus des valeurs numériques, des
renseignements complémentaires pour chaque point de l’espace des paramètres.
b. Traitement et analyse des données acquises
Il s’agit dans cette étape de traiter et d’analyser les données acquises pour en
extraire les pics réels dans le domaine des paramètres. Cette étape utilise la
transformée de Radon ou de Hough. L’extraction convenable des formes
correspondantes dans l’image originale est issue de la détection de pics réels.
Dans un premier temps, on y définit l’espace multidimensionnel des paramètres
en utilisant la forme canonique de l’élément recherché. Cet étape vise à analyser la
séquence des points enregistrés (mj,nk) et leurs valeurs numériques Ii(mj,nk) pour
chacun des pics contenus dans le domaine des paramètres.
Figure 4 : Forme d'un pic dans le domaine des paramètres
Cette analyse consiste d’abord à trouver les discontinuités dans la séquence
des points correspondant à chaque pic. Les points qui se situe entre deux
discontinuités consécutives doivent par la suite être groupés dans une classe unique.
La deuxième étape consiste à initialiser l’espace des paramètres où l’on
détermine les valeurs extrêmes (les longueurs minimale lmin et maximale lmax de la
forme recherchée) ainsi que le pas de chaque paramètre. Les deux valeurs extrêmes
permettent d’estimer un intervalle de recherche pour les valeurs numériques de points
dans le domaine des paramètres.
TAMOKOUE HORTENSE ORELY
13
MASTER2 IASIG
Projet géomatique
Dans un troisième temps, on procède à l’intégration de l’intensité des pixels de
l’image originale qui suivent la trajectoire de la forme recherchée. De ce fait, une
trajectoire unique est déterminée pour chaque point d’après sa position dans l’espace
des paramètres. La valeur numérique de l’intégrale de l’intensité des pixels de chaque
trajectoire est ainsi allouée pour le point correspondant. Cette procédure se répète
pour toutes les positions de l’espace des paramètres. Un point de l’image ayant une
forte valeur par rapport aux points voisins (un pic) est susceptible de présenter la
forme recherchée dans l’image d’étude.
La quatrième étape de la procédure consiste à détecter les pics dans l’espace
des paramètres afin de déterminer les valeurs des paramètres de la forme
recherchée. Les pics composites ou simples compris dans l’intervalle déterminé sont
sélectionnés. On présélectionne ensuite en utilisant cet intervalle de niveau de gris,
les points susceptibles d’être des pics réels dans le domaine des paramètres. Les
pixels isolés sont identifiés par leurs valeurs numériques très faibles dans le domaine
des paramètres. L’élimination de ces pixels isolés diminue énormément le bruit dans
le résultat final.
La dernière étape de la procédure consiste en la restauration des formes
détectées en utilisant des paramètres déterminés à l’étape précédente dans l’image
de sortie.
Dans le résultat final, l’exactitude et la précision des formes extraites dépend
étroitement de l’exactitude des pics détectés dans le domaine des paramètres.
L’extraction d’un pic qui ne présente pas la forme recherchée dans l’image d’étude
(faux pic) provoque évidement des erreurs de commission alors qu’un pic réel non
détecté provoque l’erreur d’omission dans l’image de sortie. C’est ce qui est à l’origine
des erreurs probables de commission et d’omission dans le résultat final.
Il a été remarqué que la plupart des études de détection des pics sont basées sur la
méthode de seuillage des valeurs numériques dans le domaine des paramètres1 Il
s’agit d’une méthode où les points possédant une valeur numérique supérieure à un
seuil prédéfini sont isolés des autres. Les points expriment alors la présence probable
de la forme recherchée dans l’image d’étude2.
Il existe cependant certaines restrictions liées à la transformée de Radon pour
la détection des lignes. La première restriction est la difficulté de détecter des lignes
ayant une longueur inférieure à la dimension de l’image. En effet, dans le cas où la
longueur de la ligne est significativement plus petite que la dimension de l’image, la
1
2
Murphy, 1986; Illingworth and Kittler, 1988
Leavers and Boyce, 1986 ; Leavers and Miller, 1987
TAMOKOUE HORTENSE ORELY
14
MASTER2 IASIG
Projet géomatique
détection est difficile. La deuxième restriction est la présence de faux maxima dans le
domaine des paramètres.
Ainsi pour apporter une solution à ces restrictions, nous avons pensé à la
méthode multicouche tridimensionnelle (M3D).
E - METHODE MULTICOUCHE TRIDIMENSIONNELLE (M3D)
Nous avons démontré que la MM comble les deux premières lacunes principales des
méthodes globales d’extraction de lignes qui sont basées sur les principes de la
transformée de Radon. Ainsi, nous avons constaté que la troisième limite de ces
méthodes peut être franchie par la généralisation de la transformée de Radon pour
une fonction polynomiale de degré deux.
Afin d’éliminer simultanément ces trois restrictions, nous avons donc fusionné la
méthode multicouche et la transformée tridimensionnelle de Radon. Le résultat de
cette fusion donne naissance à la méthode multicouche tridimensionnelle (M3D).
Puisque le domaine des paramètres initial de la T3DR est un espace tridimensionnel
et que la MM elle-même produit un espace multidimensionnel, la méthode M3D se
réalise dans un espace hyperdimensionnel. En effet, chaque point de l’espace
bidimensionnel de Radon possède plusieurs couches dans lesquelles les différentes
informations sont enregistrées.
La méthode M3D permet d’extraire des lignes de longueurs et de courbures variées
même dans un contexte fortement bruité. Elle permet également d’établir une base de
données géométriques relatives aux lignes extraites.
Cette méthode repose sur le stockage des informations accessibles pendant la
procédure de transformation dans une base de données. L’analyse de cette base de
données est l’avantage principal de la MM par rapport à la transformée classique de
Radon, dans laquelle les seules valeurs numériques de l’image sont utilisées. Ce
principe est schématisé par la figure suivante.
Figure 5 : Présentation schématique de la méthode M3D
TAMOKOUE HORTENSE ORELY
15
MASTER2 IASIG
Projet géomatique
Dans cette figure, le domaine tridimensionnel des paramètres est présenté par
un cube transparent et des couches de la base de données établie par la MM sont
illustrées en différentes couleurs pour deux cellules arbitraires du cube.
Tout en éliminant les trois restrictions principales des méthodes globales
d’extraction de lignes basées sur la transformée de Radon, la méthode M3D est
capable d’extraire des de courbures et longueurs différentes dans les images binaires.
Cette méthode permet de générer des informations géométriques sur ces lignes
(longueur, courbure, début et fin).
De plus, chaque élément linéaire dans une image numérique possède ses
caractéristiques propres. Chaque utilisateur peut donc, en fonction des exigences de
l’application et du type d’éléments linéaires, décider d’ajouter ou de modifier les
couches d’informations afin d’obtenir les résultats les plus pertinents. L’éventualité de
créer de nouvelles couches ou de modifier des couches existantes dans l’espace des
paramètres offre la possibilité d’utiliser cette méthode dans diverses applications.
La réalisation concrète de la M3D est faite dans un logiciel développé en C++
contenant environ 8 000 lignes de code source. Les entrées du logiciel développé sont
une image binaire de format Bitmap Windows (bmp) ainsi que les longueurs minimales
et maximales des routes à détecter. Les valeurs optimales pour les intervalles
d’échantillonnage du domaine de paramètres sont déterminées par le logiciel.
Cependant, l’éventualité de la modification manuelle de ces valeurs par l’utilisateur est
prise en compte dans le logiciel.
Les sorties du logiciel sont la carte binaire des routes extraites en format
Bitmap Windows et la base de données concernant les informations géométriques en
format texte.
Il est important à noter que le stockage et le traitement du domaine des
paramètres dans la M3D nécessitent une mémoire volumineuse et un temps de calcul
considérable. La mémoire demandée et le temps de calcul s’accroissent effectivement
en fonction de la taille de l’image d’entrée, le nombre de routes contenues et les
valeurs d’échantillonnage. Afin de les diminuer, on a construit l’algorithme de façon à
ce qu’il alloue une partie minime de mémoire pour traiter une seule cellule du domaine
des paramètres à la fois. Après l’écriture des informations extraites concernant la
route détectée dans la base de données finale et le traçage de cette route dans
l’image de sortie, cette partie de mémoire deviendra libre pour toute autre utilisation.
Finalement, la même partie de la mémoire sera allouée à nouveau pour traiter la
cellule suivante du domaine des paramètres et cette procédure se répète jusqu'à ce
que la dernière cellule soit traitée.
TAMOKOUE HORTENSE ORELY
16
MASTER2 IASIG
TAMOKOUE HORTENSE ORELY
Projet géomatique
17
MASTER2 IASIG
Projet géomatique
CONCLUSION
A partir de ce qui précède, l’extraction automatique du réseau routier à partir
d’images satellite haute résolution, peut être faite soit en utilisant les méthodes
locales, soit au moyen des méthodes globales. Des différentes méthodes présentées
dans les paragraphes précédents, le choix d’une technique est fortement lié à la
caractéristique de l’image obtenue. C’est ainsi que nous avons la méthode fondée sur
l’analyse multi-échelle qui est un outil efficace de détection des routes de faible
largeur. En dépit de ce qui précède, il est important de signaler que la méthode
multicouche tridimensionnelle (M3D) reste la meilleure solution d’extraction du réseau
routier à partir d’image satellite haute résolution.
TAMOKOUE HORTENSE ORELY
18
MASTER2 IASIG
Projet géomatique
BIBLIOGRAPHIE
•
THESE_IBRAHIM[].pdf
•
THESE Noureddine Fara
•
eduscol.education.fr/orbito/system/spot/spot3.htm
•
•
Dictionnaire Wikipédia
TAMOKOUE HORTENSE ORELY
19