exploitation d`images sa résolution spatiale d`objets sur l

Transcription

KANA Fabrice Narcisse
Mémoire de fin d’étude en Master Professionnel 2ème année Informatique Appliquée
aux Systèmes d’Information Géographique (M2IASIG)
EXPLOITATION D’IMAGES SATELLITAIRES À TRÈS
TR HAUTE
RÉSOLUTION
SOLUTION SPATIALE GOOGLE EARTH© POUR L’EXTRACTION
D’OBJETS SUR L’ENVIRONNEMENT URBAIN : APPLICATION A LA
VILLE DE YAOUNDÉ
YAOUND (CAMEROUN)
Dirigé par Olivier DE JOINVILLE (Docteur, ENSG France)
Annéee Academique 2010/2011
Exploitation d’images satellitaires à très haute résolution spatiale Google Earth© pour l’extraction d’objet sur
l’environement urbain : Application à la ville de Yaoundé (Cameroun)
DEDICACES
A mes parents Monsieur KANA Fabien et Madame KANA Helene
KANA Fabrice
2ème Année Master Informatique Appliquée aux SIG
2
REMERCIEMENTS
Je tiens à remercier particulièrement, le Docteur Olivier DE JOINVILLE pour
son aide matérielle et technique qui m’a permi de ce mémoire.
Je remercie également le corps enseignant Camerounais et Français, le Chef de
la Division des Systèmes d’information et Coordonateur du Master Informatique
Appliquée aux Systèmes d’Information Géographique (M2IASIG) Docteur MVOGO
Joseph et Monsieur MOUTOME Guillaume Coordinateur du Master IASIG.
Je remercie chaleureusement mes camarades de la promotion II du M2IASIG
pour leur solidarité et leur encouragement. Remerciement particulier à mon camarade
Monsieur ABENA Innocent pour ces observations relevées tout au long de la
rédaction de ce présent mémoire.
Je remercie grandement mon collègue, Monsieur KWEKEU Jules en service à
la Cellule de la Planification au Ministère de l’Education de Base pour la relecture et
les amendements apportés.
Enfin, je tiens à remercier mes frères et sœurs, toute ma grande famille, mes
collègues de bureau et mes amis, pour leur soutien, encouragement et leur confiance.
KANA Fabrice
3
RESUME / ABSTRACT
Dans ce mémoire, nous avons travaillé sur un processus de classification orientée-objet,
pour l’extraction d’objets urbains dans un environnement urbain à partir d’une image satellitaire
Google Earth©. Ce processus est basé sur la méthode de Puissant à laquelle nous ajoutons quelques
principes de la méthode de Nobrega. La classification d’une image satellitaire se fait sur des images
satellites « brutes » ; mais ici nous utilisons Google Earth© comme source de données pour notre
image. Les premiers résultats montrent qu’avec les images gratuites Google, on a une classification
assez bonne, mais qu’il est nécessaire d’améliorer les résultats par les données collectées sur le
terrain.
Mots-clés : Télédection, Google Earth©, Classification orientée-objet, Image à très haute resolution
spatiale.
KANA Fabrice
4
TABLE DES MATIERES
INTRODUCTION.............................................................................................................................. 7
Etat de l’Art, Revue de Littérature sur les techniques d’extraction d’un objet d’une image de
télédétection ........................................................................................................................................ 9
1Revue sur les données satellitaires ........................................................................................ 9
2Quelques rappels d’information sur l’approche basée sur le pixel ..................................... 11
2.1 - Notion de Pixel .................................................................................................................. 11
2.2 - L’approche basée sur le pixel............................................................................................. 12
3Du pixel vers l’objet ............................................................................................................ 13
4Présentation de quelques logiciels de télédétection pour l'extraction des objets ................ 13
4.1- ENVI ................................................................................................................................... 14
4.2- ERDAS IMAGINE ............................................................................................................. 14
4.3- ECOGNITION DEFINIEN ................................................................................................ 14
4.4- GRASS ............................................................................................................................... 14
L’approche orientée-objet appliquée à l’extraction des objets dans un environnement urbain
............................................................................................................................................................ 15
1L’approche orientée-objet .................................................................................................... 15
2Le processus d’analyse orientée-objet ................................................................................. 16
2.1- Segmentation ...................................................................................................................... 16
2.3- Classification ...................................................................................................................... 19
3Les principales approches d’analyse orientée-objet ............................................................ 20
3.1- Approche Descendante ....................................................................................................... 20
3.2- Approche Ascendante ......................................................................................................... 20
Une approche d’extraction des objets basée sur la classification orientée-objet appliquée à la
ville de Yaoundé ................................................................................................................................ 21
1Matériels .............................................................................................................................. 22
i. Image à Très Haute Résolution Spatiale.............................................................................. 22
ii.
Données Spatiales de terrain ............................................................................................ 23
iii. Logiciels utilisés et traitements réalisés .......................................................................... 24
2Méthode proposée ............................................................................................................... 24
a. Production des composants ACP......................................................................................... 24
b.
Segmentation Multirésolution ......................................................................................... 25
c. Classification ....................................................................................................................... 28
3Résultats et Évaluation ........................................................................................................ 29
CONCLUSION ET DISCUSSION ................................................................................................. 33
Références Bibliographiques ........................................................................................................... 34
Web graphie ...................................................................................................................................... 35
KANA Fabrice
5
TABLE DES FIGURES
Figure 1 : Sensor Comparaison (Lassieur, 2006) ................................................................................. 9
Figure 2 : Signature spectrale de la neige, de la végétation, du sol et de l’eau.................................. 10
Figure 3 : Signature spectrale de la végétation et l’eau (Lassieur, 2006) .......................................... 10
Figure 4 : Caractéristiques des capteurs Ikonos et QuickBird ........................................................... 11
Figure 5 : Un ensemble de pixel formant la lettre A .......................................................................... 11
Figure 6 : Algorithmes de la classification supervisée (Source : Lassieur, 2008) ............................. 12
Figure 7 : Hiérarchie des images-objets (Source : Manuel Utilisateur d’eCognition 8.64.0)............ 15
Figure 8 : Processus d'analyse orientée-objet sur des images THRS (O. Boussaid & al, 2006) ....... 16
Figure 9 : Niveau des objets-image (Source Manuel de référence d’Ecognition) ............................. 16
Figure 10 : Principe de la Segmentation Multi-résolution ................................................................. 17
Figure 11 : Impacte de l’échelle. Source (De JOINVILLE, 2010) .................................................... 17
Figure 12 : Impacte de la forme. Source (De JOINVILLE, 2010) .................................................... 18
Figure 13 : Impacte du lissage et la compacité. Source (De JOINVILLE, 2010) ............................. 18
Figure 14 : La classification orientée-objet sous eCognition (Source: Alban, 2005) ........................ 19
Figure 15 : Interface du logiciel Google Satellite Maps Downloader ............................................... 22
Figure 16 : Création de la mosaïque couvrant de la zone de travail .................................................. 23
Figure 17 : Un extrait de l’image de la zone d’étude (Source : Google Earth 2010) ........................ 23
Figure 18: Comparaison des routes GPS et des routes d'une image (Venard & al, 2009) ................. 24
Figure 19 : Génération de l’image ACP avec Erdas Imagine ............................................................ 25
Figure 20 : Résultat de la Segmentation Multirésolution sur notre image en utilisant les paramètres
de Nobrega & al ................................................................................................................................. 26
Figure 21 : Segmentation avec Scale parameter = 20, Shape = 0.2 et Compactness = 0.7 ............... 26
Figure 22: Segmentation avec Scale parameter = 20, Shape = 0.5 et Compactness = 0.7 ................ 28
Figure 23 : Extrait de l’image Google Earth© (à gauche), extrait de la classification (à droite) ...... 30
Figure 24 : (Membership Function) à gauche celle sur l’indice NDVI, et à droite celle sur l’indice
NDWI ................................................................................................................................................. 30
Figure 25 : Table représentant la stabilité de la classification ........................................................... 31
Figure 26 : Table représentant la meilleure classification .................................................................. 31
Figure 27: Quelques extraits de la zone de travail (résultat de la classification) ............................... 32
KANA Fabrice
6
INTRODUCTION
La morphologie des objets urbains (bâtiments, routes, sols nus, végétation, eau) rend de plus
en plus complexe le processus de classification, du fait de la non-uniformité de ces objets. L’arrivée
des images satellitaires très haute résolution spatiale a permit d’améliorer ce processus de
classification, car les objets qui n’étaient autre fois que détectables, sont de nos jours identifiables.
Cette amélioration n’a été possible que par le biais du développement de nouvelle méthode de
classification.
Les applications de l’identification en milieu urbain sont nombreuses et variées. On en
observe dans le contexte de planification urbaine, de mise à jour des Systèmes d’information
Géographique, de conception des bases de données géographiques et de leur mise à jour,
l’urbanisation, etc… De manière générale l’identification permet une bonne gestion de
l’environnement urbain.
Le processus de classification présente deux approches pour l’identification des objets :
La classification basée sur le pixel, dont les algorithmes travaillent sur les
informations spectrales et thématiques d’un pixel pour réaliser la détection des objets
de l’image.
La classification orientée-objet, portant sur les objets-images qui sont des
agrégations de pixels, agrégats conçus lors de la phase de segmentation qui est la
première étape de l’analyse orientée-objet.
C’est sur cette dernière partie que notre étude se focalisera et notamment sur l’amélioration
de l’extraction des objets urbains. Deux principales difficultés résident dans la mise en œuvre de la
classification objets : l’acquisition des données grâce à la résolution métrique des images entraine
des coûts financiers importants, et la définition de l’ensemble des principes et règles permettant
l’extraction de ces objets urbains.
Pour pallier à la première des difficultés, certains travaux de recherche ont exploré le
potentiel de Google Earth© pour la gratuité de ces images satellites. C’est précisément ces images
que nous utilisons dans notre travail, dans l’optique d’étudier le potentiel de ceux-ci comme
solution alternative dans l’acquisition des images satellites. En effet notre travail porte sur la
classification d’une image satellitaire Google Earth© du milieu urbain, afin d’extraire les objets de
cet environnement. A savoir l’Eau, la Végétation (dense et moins dense), l’Ombre, le Sol Nu, les
Bâtiments et les Routes. Nous aborderons notre exposé en trois parties (chapitre) :
1- Etat de l’Art, Revue de Littérature sur les techniques d’extraction d’un objet d’une
image de télédétection : il s’agira de faire une revue des techniques pour le
traitement des images satellites. En plus de la présentation de ces techniques, nous
présenterons les logiciels de télédétection implémentant ces méthodes.
KANA Fabrice
7
2- L’approche orientée-objet appliquée à l’extraction des objets dans un
environnement urbain : cette partie permettra de présenter le processus orientéeobjet : la notion d’objet, la phase de segmentation, celle de la classification et enfin
les deux approches lors de la classification. Que sont : l’approche descendante et
ascendante.
3- Une approche d’extraction des objets basée sur la classification orientée-objet
appliquée à la ville de Yaoundé : Ici nous présentons un processus de classification
basée sur la méthode de Puissant & al (2006) et celle Nobrega & al (2006) pour
pouvoir extraire les objets urbains sur une image satellitaire Google Earth ©.
KANA Fabrice
8
Chapitre I
Etat de l’Art sur les techniques d’extraction d’un objet d’une image
de télédétection
Le site techno-science définit la télédétection comme la mesure ou l'acquisition
d'information sur un objet ou un phénomène par l'intermédiaire d'instruments de mesure n'ayant pas
de contact avec l'objet étudié. Ainsi, grâce à ses multiples applications en médecine, aérospatiale,
militaire,..., la télédétection est devenue une branche très importante des systèmes d'information
géographique. En effet, les capteurs Très Haute Résolution Spatiale (THRS) eurent un impact très
important sur l’évolution de la télédétection, ceci dès leurs mises en service.
En introduisant ce chapitre, notre objectif est de présenter une méthode d'acquisition
d'informations sur un objet d'une image de télédétection : l'approche basée sur le pixel. Dans le
souci d'aborder l'approche basée sur l'oriente-objet, il est nécessaire de présenter tout d'abord
quelques rappels sur les données satellitaires utilisées par ces différentes approches, suivi d’une
revue de littérature sur la méthode basée sur le pixel.
1- Revue sur les données satellitaires
Avant tout traitement d’une image de télédétection, il est important de connaitre un
minimum d’informations sur le capteur fournissant l’image. Capteur correspondant au mieux avec
le domaine d’étude. Le choix d’un capteur dépendra d’un certains nombre des règles dont entre
autres (Lassieur, 2006) :
La période de « revisite », disponibilité des données dans le cas d’une analyse multi
temporelle.
L’emprise de chaque scène de manière individuelle doit correspondre à l’échelle de la
zone à étudier.
La résolution et les propriétés spectrales doivent permettre d’identifier le phénomène.
Le coût de l’image.
La figure 1 présente quelques propriétés des capteurs les plus utilisés.
Figure 1 : Sensor Comparaison (Lassieur, 2006)
KANA Fabrice
9
La question principale qui se pose à ce niveau est celle de savoir comment se fait l’acquisition
de l’information par les outils informatiques (logiciel), lorsque l’on dispose d’une image. En effet,
chaque objet sur terre absorbe, transmet ou reflète une certaine quantité de radiations qui varie en
fonction de la longueur d’onde (Lassieur, 2006). C’est cette propriété essentielle qui est à la base de
l’identification des différents objets. Ainsi les algorithmes traitant ces images, se basent sur la
dissociation des signatures spectrales pour extraire les objets d’une image. Les figures suivantes
montrent les signatures spectrales de quatre surfaces naturelles :
Figure 2 : Signature spectrale de la neige, de la végétation, du sol et de l’eau
Figure 3 : Signature spectrale de la végétation et l’eau (Lassieur, 2006)
KANA Fabrice
10
Le tableau suivant présente les caractéristiques spectrales et de résolution des satellites
Ikonos et QuickBird-2. Nous présentons ce tableau parce que l’image traitée dans le présent rapport
est une image obtenue depuis la plateforme Google Earth. En effet, Google Earth met à jour sa base
de données des images depuis le satellite QuickBird.
Satellite
Mode
QUICKBIRD
Multispectral
Panchromatique
IKONOS
Multispectral
Panchromatique
Bande
Bande Spectrale
Résolution
B1
0,450 - 0,520 µm (bleu)
2,44 x 2,44 m
B2
0,520 - 0,600 µm (vert)
2,44 x 2,44 m
B3
0,630 - 0,690 µm (rouge)
2,44 x 2,44 m
B4
0,760 - 0,900 µm (proche IR) 2,44 x 2,44 m
PAN
0,445 - 0,900 µm
0,61 m x 0,61 m
B1
0,445 - 0,516 µm (bleu)
4x4m
B2
0,506 - 0,595 µm (vert)
4x4m
B3
0,632 - 0,698 µm (rouge)
4x4m
B4
0,757 - 0,853 µm (proche IR) 4 x 4 m
PAN
0,45 - 0,90 µm
0,8 x 0,8 m
Figure 4 : Caractéristiques des capteurs Ikonos et QuickBird
Nous aborderons les caractéristiques de l’image traitée dans ce rapport dans le chapitre 3, et
nous montrerons que cela répond parfaitement aux règles énoncées ci-dessus.
2- Quelques rappels d’information sur l’approche basée sur le pixel
2.1 - Notion de Pixel
On appelle pixel, l’unité de base permettant de mesurer la définition d’une image. Vu son
importance, c’est la composante fondamentale d’une image. Un pixel possède une valeur qui varie
de 0 (noir) à 255 (blanc) ; valeur correspondante à l’intensité du rayonnement réfléchie par l’objet
observé dans la gamme de longueur d’ondes auxquelles le capteur est sensible.
Figure 5 : Un ensemble de pixel formant la lettre A
KANA Fabrice
11
2.2 - L’approche basée sur le pixel
2.2.1 - Méthodologie
Les méthodes traditionnelles sont tous basées sur le pixel et n’utilisent pas l’information
spatiale d’un objet (Bokhary, 2008). En effet, l’information spectrale de chaque pixel est utilisée
comme base numérique pour la catégorisation (Alban, 2005).
Ainsi, ces méthodes utilisaient cette information spectrale pour réaliser l’extraction de
l’information, par utilisation de la notion de binarité du pixel : chaque pixel était affecté à une seule
classe à la fois. Ceci du fait que ces méthodes étaient plus basées sur la propriété inhérente de
reflétant spectrale qui était indépendante des caractéristiques géométriques de l’objet où est présent
le pixel considéré.
Il est à noter que l’approche basée sur le pixel est supervisée ou non-supervisée. Selon
l’orientation choisie, l’approche de traitements sur le pixel en dépend légèrement. Lors de la
méthode non-supervisée, les pixels sont automatiquement classés suivant leurs propriétés spectrales,
par contre dans le cas de la méthode supervisée, des connaissances préalables, ou acquises
concernant les éléments de la scène sont nécessaires (Lassieur, 2006).
Dans la littérature il existe plusieurs algorithmes de l’approche basée sur le pixel. On peut
citer « le cluster ISODATA » (c’est le meilleur algorithme suivant la méthode non-supervisée). Dans
le cas de la méthode supervisée, quartes algorithmes très performants se partagent le tableau, à
savoir « minimum distance », « parallélépipède », « maximum de vraisemblance » et «le SVM ou
séparateur à vaste Marge ». L’algorithme de maximum de vraisemblance est le plus complexe, mais
aussi le plus utilisé pour ces meilleurs résultats (Lassieur, 2006). C’est un très bon algorithme, car il
fournie de bon résultats par rapport aux algorithmes « minimum distance » et « parallelepipede»
Dans certaines littérature il est encore appelé classifieur de vraisemblance.
Figure 6 : Algorithmes de la classification supervisée (Source : Lassieur, 2008)
KANA Fabrice
12
Le classifieur SVM fonctionne selon le principe de séparation de données. En effet, on
recherche un séparateur dont la marge est la plus grande possible (Lafarge & al, 2004). Des travaux
de recherche tendent à montrer qu’avec l’algorithme SVM, on obtient de bien meilleurs résultats
par rapport au maximum de vraisemblance. Mais certains résultats indiquent que la qualité de la
classification basée sur ces méthodes dépend largement des classes utilisées (Auda & al, 2008).
2.2.2 - Extraction de l’information : Méthode de Maximum de vraisemblance
Elle est basée sur l’estimation normalisée de la densité de probabilité de fonction de chaque
classe (Bokhary, 2008). Lors du processus de classification, le classificateur du maximum de
vraisemblance évalue de manière quantitative les variables statistiques que sont la variance et la
covariance suivant la catégorie des différents schémas de réponse spectrale, ceci afin de classer un
pixel inconnu (Bokhary, 2008). En effet, le postulat principal permettant la prise de décision pour
l'affectation d'un pixel de la part de cette méthode, est que la plus grande probabilité d'un pixel
d’appartenir à une classe. Ainsi, la probabilité conditionnelle qu’un pixel appartienne à chacune des
classes est calculé. Le pixel est ensuite assigné à la classe pour laquelle la probabilité
d’appartenance est la plus élevée.
3- Du pixel vers l’objet
L’arrivée des images de télédétection à très haute résolution spatiale (THRS) va engendrer
de nouvelles perspectives dans l’extraction d’objets. En effet, de nouveaux objets jusqu’à là non
observable sont percevables et cela perturbe les méthodes de détection classique ou spectrale
adaptées à l’analyse des images à résolution décamétrique (Puissant, 2006). Les images THRS
produisent des signatures spectrales trop peu disjointes pour jouer leur rôle discriminant (Regis
Caloz et Abram Pointet, 2003).
Cela à imposer de définir de nouvelles méthodes afin de traiter efficacement les images
THRS. On a ainsi observé de part et d’autre l’arrivée des algorithmes dits contextuels dont celui de
« croissance de région » (Regis Caloz et Abram Pointet, 2003). Ici on parle de la notion d’objet (ou
Classe) qui est un agrégat de plusieurs pixel. En effet au lieu de travailler sur un pixel de manière
isolé comme les méthodes traditionnelles, ces algorithmes travaillent sur un ensemble de pixels
regroupés.
Plusieurs recherches ont été effectuées sur la comparaison entre les méthodes basées sur le
pixel et celles basées sur l’objet. Ceci dans le but de montrer les insuffisances des méthodes basées
sur le pixel et le potentiel de celles contextuelles. On peut citer Regis caloz et Abram Pointet,
Bochar et Marwa A. M, et bien d’autres encore dans divers documents tels qu’articles et mémoires.
4- Présentation de quelques logiciels de télédétection pour l'extraction des
objets
Il serait inadéquat de présenter une revue de littérature sur des différentes approches de
traitement des images de THRS sans parler des logiciels permettant de réaliser ces traitements.
Dans cette partie, nous présentons quelques uns de ces logiciels, mais non pas dans but de faire une
comparaison. Il est à noter qu’en matière de télédétection, pour le traitement de ces images, le choix
d'un logiciel dépend de plusieurs facteurs tels que le résultat attendu à la fin des opérations.
KANA Fabrice
13
4.1- ENVI
Envi est considéré par beaucoup comme l'un des meilleurs logiciels de télédétection du
monde professionnel. Comme la majorité des logiciels de traitement des images de télédétection, il
possède un ensemble de fonctionnalités auxquelles sont associées des outils permettant de faire des
traitements et analyse. Il est édité par la société ITT Visual Information Solution1.
Envi comprend en un seul package des outils particulièrement avancés, mais néanmoins
interactifs et faciles d'utilisation : analyse spectrale, correction géométrique, analyse topographique,
analyse radar, fonctionnalités SIG raster et vecteur, support d'une large gamme de formats images,
…. Il est facile d'utilisation et ses algorithmes sont de grandes qualités.
4.2- ERDAS IMAGINE
Comme le logiciel précédent, Erdas permet de traiter des images et d'en extraire
l'information dont on a besoin, notamment pour la télédétection et les SIG. Il possède un ensemble
d'outils et de fonctionnalités pour effectuer des taches avancées de traitement et d'analyse tels que la
classification, l’ortho rectification, le mosaïquage, la reprojection et l'interprétation des images.
Ceux-ci permettent une bonne intégrité des données géospatiales pour la mise à jour d'un SIG. Pour
plus ample d'information, se reporter sur le site d'erdas. C'est un logiciel propriétaire et commercial.
4.3- ECOGNITION DEFINIEN
Logiciel propriétaire et commercial, il permet aussi le traitement et l'analyse des images.
Mais à la différence des autres, il offre une solution originale d’analyse d’image qui tire sa force de
son approche cognitive. En effet, en s’inspirant de la perception humaine, la solution ne traite pas le
pixel de manière isolée mais dans son contexte.
Pour ce faire l’image est tout d’abord segmentée en groupes de pixels montrant des
caractéristiques similaires. Ces groupes sont alors considérés comme des «Objets» ce qui rend
possible une interprétation basée sur les valeurs spectrales mais aussi sur la taille, la forme, le
contexte…
Cette approche, beaucoup plus riche que les classifications « par-pixel », augmente
considérablement les possibilités d’interprétation, en particulier pour les milieux complexes et les
images à hautes ou très hautes résolutions spatiales. (Source : www.geosystem.fr)
De manière générale, il possède des fonctions et outils pour traiter les images. Ces fonctions
utilisant une approche bien différente que celle des autres logiciels existants : celle de l'« Objet ».
Pour plus ample d'information, se reporter sur le site d'eCognition.
4.4- GRASS
A la différence des trois logiciels ci-dessus, Grass est un logiciel libre réalisé par l'équipe
GRASS Development Team. Mais comme les autres, il permet aussi le traitement des images de
télédétection. En effet, il possède les fonctionnalités et outils nécessaires pour traiter et analyser des
images. Une particularité est qu'il est de conception modulaire, c'est-a-dire que chaque fonction du
logiciel correspond à un module. Ce logiciel a été développé pour différentes plates-formes.
1
http://www.ittvis.com
KANA Fabrice
14
Exploitation d’images satellitaires à très haute résolution spatiale Google Earth© pour l’extraction d’objet
sur l’environement urbain : Application à la ville de Yaoundé (Cameroun)
Chapitre II
L’approche orientée-objet appliquée à l’extraction des objets dans
un environnement urbain
Comme l’approche basée sur le « pixel », l’approche orientée-objet (ou encore approche
basée sur l’objet) prend en compte en plus des informations spectrales, la forme et la texture
(Alban, 2005). Dans ce chapitre nous présenterons toute la démarche classique de l’approche
orientée-objet, en présentant les deux orientations (l’une ascendante et l’autre descendante) de
cette approche. Il est à note que le cheminement présenté est basée sur le processus utilisé par le
logiciel de télédétection eCognition, qui est l’un des meilleurs logiciel d’analyse d’image
orientée-objet.
1- L’approche orientée-objet
Dans un processus d’analyse d’une image dirigée par l’approche orientée-objet, l’information
nécessaire ne se trouve pas dans les pixels de manières individuelles. En effet, lors des
traitements, les logiciels utilisent à la fois l’information sur les images-objets homogènes (ou
agrégat de pixels) d’une part, et d’autre part l’information sur leurs relations mutuelles.
Définition
Une image-objet est un groupe de pixel sur la carte. Chaque objet représente un espace
défini d’une scène, celui-ci fournissant les informations sur cette espace (eCognition User
Manual). Les premières images-objets sont généralement produites par un processus initial de
segmentation (eCognition User Manual).
Figure 7 : Hiérarchie des images-objets (Source : Manuel Utilisateur d’eCognition 8.64.0)
KANA Fabrice
15
Ce processus de segmentation est très important dans l’approche orientée-objet. En effet,
il permet de construire les objets en regroupant les pixels adjacents. Afin de ne pas altérer le
processus d’analyse, la construction des objets conserve la résolution initiale de l’image. Les
objets formés possèdent la valeur et l’information statistique des pixels qui les composent
(spectrale, géométrique), mais aussi les informations de texture, de forme et topologiques
(texture et relations contextuelles).
Ainsi faire une analyse orientée-objet va consister, de manière générale, à construire les
objets à partir des pixels de l’image, puis d’effectuer l’analyse sur ces objets. C’est ce processus
qui est utilisé dans le logiciel eCognition.
2- Le processus d’analyse orientée-objet
Le processus d’analyse orientée-objet commence par l’étape la plus importante qui est la
segmentation. Mais avant tout cela, dans un processus classique de traitement d’une image de
télédétection, il est important de ne pas ignorer les étapes de prétraitement des données tel que
les corrections géométriques, le géoréférencement ou géocodification.
Figure 8 : Processus d'analyse orientée-objet sur des images THRS (O. Boussaid & al, 2006)
2.1- Segmentation
Dans un processus d’analyse objet d’une image de télédétection, la segmentation est l’étape
permettant de fusionner les pixels de l’image en des régions. C’est pour cela qu’on dit qu’elle
s’insère dans la catégorie des algorithmes basés sur les régions (Cabral, 2006). Elle commence
initialement en considérant un pixel comme un objet. Puis en suivant une stratégie de
regroupement de pixels sur la base de l’homogénéité locale mesurée par la ressemblance entre
les objets contigus (Cabral, 2006), elle construit les objets-image. La procédure de
regroupement sous-jacente minimise l’hétérogénéité pondérée nh des objets résultants, où n est
la taille du segment et h une définition arbitraire de l’hétérogénéité.
Figure 9 : Niveau des objets-image (Source Manuel de référence d’Ecognition)
KANA Fabrice
16
Les critères d’hétérogénéité étant la base du processus de segmentation, leur choix est d’une
importance capital. Afin de produire des objets-images adjacents de taille similaire et de qualité
comparable, ce choix doit être en accord avec la réalité. En général, l’utilisateur doit définir les
paramètres suivants : (i) les poids relatifs aux canaux dans le processus de segmentation; (ii) le
paramètre échelle; (iii) les paramètres ndg et forme ; (iv) les paramètres lissage et compacité ; et
le nombre de niveaux hiérarchiques de la segmentation (Cabral, 2006).
Figure 10 : Principe de la Segmentation Multi-résolution
Il existe différent types de segmentation : Multi résolution, Quadtree, Chessboard. Dans le
cadre de cette étude nous utiliserons la segmentation Multi résolution dont le principe est donné
à la figure 10 (Sparfel & al, 2008), car elle permet d’obtenir les objets sous forme « fractal »,
optimal pour la présente étude. Elle minimise l’hétérogénéité moyenne des objets-images, tout en
maximisant leurs homogénéités (Manuel Utilisateur d’Ecognition 8.64.0).
Les Figures 11, 12 et 13 présentent l’impacte des paramètres d’hétérogénéité sur le résultat
de la segmentation.
Figure 11 : Impacte de l’échelle. Source (De JOINVILLE, 2010)
KANA Fabrice
17
Figure 12 : Impacte de la forme. Source (De JOINVILLE, 2010)
Figure 13 : Impacte du lissage et la compacité. Source (De JOINVILLE, 2010)
KANA Fabrice
18
2.3- Classification
La classification est la seconde phase de l'approche orientée-objet. En effet, la segmentation
multirésolution produit seulement les primitives des objets c'est-à-dire des objets de taille
approximativement équivalente et sans signification thématique (Alban, 2005). Le processus de
classification se base sur les règles fondées sur les propriétés spectrales, spatiales et contextuelles
pour la reconnaissance des objets-images.
Ainsi les objets-images sont regroupés au sein des groupes de structure appelés Classes. Une
classe étant un ensemble d'objets-images ayant la même structure au sein de l'image. La figure
ci-dessous présente ce processus de classification sous le logiciel eCognition.
Figure 14 : La classification orientée-objet sous eCognition (Source: Alban, 2005)
KANA Fabrice
19
3- Les principales approches d’analyse orientée-objet
Dans un problème d’extraction de l’information d’une image, l’objectif est de déterminer la
meilleure option possible qui satisfasse les résultats attendus. En général on distingue deux
orientations :
•
Si on sait au préalable ce qu’il veut extraire de l’image, mais ne sait pas comment
l’obtenir, on parle d’Approche Descendante
•
Si par contre on doit déterminer ce que les objets générés représentent en réalité après le
processus d’extraction, on parle d’Approche Ascendante.
3.1- Approche Descendante
L’idée sur laquelle repose cette approche est qu’au départ on sait les objets que l’on veut
extraire, mais on ne sait pas comment y parvenir. En modélisant les objets désirés, le système
essaie de trouver la ou les meilleure(s) méthode(s) pour les extraire (Alban, 2005). En général,
on modélise un système d’extraction des objets dirigé par les connaissances. Les méthodes
descendantes conduisent généralement à des résultats locaux, car elles ne gèrent que les pixels ou
les régions en adéquation avec la description du modèle (Alban, 2005).
La principale difficulté de cette approche repose sur la modélisation des connaissances des
objets. Le milieu urbain étant composé d’une multitude d’objets, une connaissance unique ne
peut les identifiés de manière univoque (Puissant & al, 2006). D’où la construction de manière
efficace d’une base de règle de connaissances qui va permettre de mieux extraire l’ensemble des
objets multiples du milieu urbain.
Une méthode reposant sur cette approche est donnée dans Puissant & al (2006). Elle donne
l’avantage de construire un ensemble de connaissances prenant en compte les caractéristiques
intrinsèques des objets (géométriques, relationnels) et les propriétés des objets dans une image
THRS (spectraux et spatiaux). Cette méthode relève une précision selon laquelle l’ordre de
détection des objets possède un impact significatif sur les résultats de la classification.
3.2- Approche Ascendante
Elle repose sur le fait que les objets générés n’ont aucun sens et il nous revient de déterminer
ce que représentent ces objets. Ces objets (ou primitives des objets-image) sont générés grâce à
un ensemble d’outils statistiques et de paramètres pour traiter l’ensemble de l’image (Alban,
2005). On modélise en général un système d’extraction des objets dirigé par les données. L’idée
étant qu’après avoir extrait les primitives-objets des images, on utilise ces données pour
construire une stratégie qui va améliorer le processus de classification.
Ces méthodes segmentent l’image entière, elles rassemblent les pixels dans des régions qui
répondent à des critères d’homogénéité et d’hétérogénéité (Alban, 2005). Une méthode basée sur
cette approche est donnée dans Nobrega & al (2006). Elle donne cet avantage qu’elle combine
les bandes multispectrales originales, les bandes d’analyse en composant principal – ACP et les
caractéristiques géométriques et contextuels, pour améliorer la classification.
KANA Fabrice
20
Chapitre III
Une approche d’extraction des objets basée sur la classification
orientée-objet appliquée à la ville de Yaoundé
L’approche présentée ici est basée sur la méthode de Puissant & al (2006), pour laquelle
nous ajouterons quelques principes de la méthode de Nobrega & al (2006).
La méthode de Puissant et al est une méthode descendante, basée sur les connaissances.
Elle présente l’intérêt d’intégrer les règles de connaissance pour améliorer la classification sur un
environnement urbain. Le principe de cette méthode décrite dans Puissant & al (2006) en trois
étapes est le suivant :
Lors de la première étape, l’image est segmentée en régions homogènes et connexes de
pixels, par l’utilisation de la méthode de segmentation multi résolution. La seconde étape est
l’acquisition des exemples apprentissage : 50 régions représentatives de chaque type d’objets
urbains élémentaires sont sélectionnées, puis caractérisées suivant leurs propriétés spectrales,
spatiales et contextuelles, et enfin labellisées interactivement en se conformant sur la
connaissance experte de la zone d’étude. La troisième étape est l’apprentissage des règles de
classification automatique à partir des régions représentatives caractérisées et labellisées. Ces
règles sont ensuite utilisées pour la classification des images.
Par contre Nobrega & al (2006) présente dans ces travaux une méthode ascendante, basée
sur les données, qu’il utilise pour l’extraction des routes dans un environnement urbain. Outre les
bandes originales d’une image, cette méthode utilise les bandes ACP.
Notre approche se base sur ces deux différentes méthodes, car nous nous basons sur le
principe de Puissant & al (2006) avec certaines légères modifications, aider bien sur des
explications contenus dans De JOINVILLE (2010), tout en utilisant quelques principes de
Nobrega & al (2006) tels que les bandes ACP.
Cette approche ne se veut pas révolutionnaire, car les deux objectifs ici est d’une part de
voir la possibilité de coupler deux méthodes dont l’une ascendante et l’autre descendante, et
d’autre part le potentiel que peut fournir les images gratuites THRS Google Earth© du milieu
urbain pour la recherche.
Cette approche sera utilisée pour essayer de classifier les bâtiments, les routes, la
KANA Fabrice
21
végétation, les sols nus, etc … d’un environnement urbain. Classification très complexe, comme
relevée dans l’introduction. Une complexité est relevée avec l’objet Bâtiment, car dans un milieu
urbain les bâtiments n’ont pas la même forme géométrique. Ainsi que, pour l’objet Route, on
observe parfois une confusion au niveau de la texture entre les pavés (parkings, trottoirs) et les
routes tel qu’on connait (chaussée).
1- Matériels
i.
Image à Très Haute Résolution Spatiale
Les données images utilisées dans le cadre du travail correspondent à un extrait d’images
acquis gratuitement depuis la plateforme Google Earth©. La démarche pour l’acquisition de cette
image est donnée dans le paragraphe suivant.
Google fournir pour l’extraction d’une image le logiciel Google Satellite Maps
Downloader (Voir figure ci-dessus). C’est un outil permettant de télécharger des petites images
de la zone d’étude depuis Google Map. Les paramètres Left Longitude et Top Latitude
correspondent aux coordonnées du point supérieur gauche de la zone d’étude. Par contre Right
Longitude et Bottom Latitude sont les coordonnées du point inferieur droit.
Figure 15 : Interface du logiciel Google Satellite Maps Downloader
KANA Fabrice
22
Dans notre cas, nous avons eu comme coordonnées du point supérieur gauche : 3,88ºN /
11,47ºE ; Coordonnées du point inferieur droite : 3,82ºN / 11,58ºE.
Par la suite nous avons utilisé l’outil Combine satellite images (Image ci-dessous) de ce
même logiciel pour avoir une mosaïque couvrant la zone de travail, à 1 m de résolution (20736
lignes x 11520 colonnes), dans le système de coordonnées WGS84.
Figure 16 : Création de la mosaïque couvrant de la zone de travail
Figure 17 : Un extrait de l’image de la zone d’étude (Source : Google Earth 2010)
ii.
Données Spatiales de terrain
Les travaux de Venard & al (2009) ont montré une bonne fiabilité du géo référencement des
images Google Earth©. Malgré que l’article relève que l’erreur de positionnement soit de l’ordre
de 5 m en longitude (Figure 18), par rapport aux données GPS collectées sur le terrain, il
présente que d’un point de vue spatiale, le géo référencement des images Google Earth© apparait
suffisamment fiable et précis.
En effet la figure 18 extrait de l’article de Venard & al (2009) présente des coordonnées GPS
KANA Fabrice
23
relevées lors des descentes sur le terrain. Superposées sur l’image Google, on observe un
décalage entre ces points et la route sur l’image. Ceci est très avantageux, car en plus de la
gratuité de ces images, on note une résolution spatiale de 1m par pixel.
Figure 18: Comparaison des routes GPS et des routes d'une image (Venard & al, 2009)
iii.
Logiciels utilisés et traitements réalisés
L’ensemble des données utilisées ont été traitée à l’aide des logiciels Erdas Imagine et
eCognition, dédié au traitement d’image. La grande majorité des traitements ont été effectués sur
le logiciel eCognition. Erdas Imagine n’a été utilisé que dans le cadre de production des
composantes ACP, nécessaires pour les traitements utilisés dans la méthode proposée.
2- Méthode proposée
a. Production des composants ACP
La forte corrélation des bandes originales d’une image satellite THRS ne permet pas
d’extraire de manière efficace certains objets du paysage urbain tels que les sols nus, sols
KANA Fabrice
24
imperméables (Nobrega & al, 2006). La procédure de génération des bandes ACP est présentée
par la figure suivante.
Figure 19 : Génération de l’image ACP avec Erdas Imagine
Nous obtenons par ce processus une image sur trois bandes (ACP1, ACP2 et ACP3). L’ACP
nous permet de filtrer du bruit et de rehausser l'information contenue dans l'image originale. Car
souvent plus facilement interprétables que les données sources. Nobrega & al (2006) montre
dans ces recherches que les espaces comme les sols nus et les surfaces bâtis sont plus facilement
détectables avec ces nouveaux canaux par rapport aux canaux originaux.
Dans notre cas, nous utilisons les bandes ACP pour le calcul de nouveaux indices comme
définis dans les travaux de Nobrega & al (2006) ; indices définis à la section c. Pour détecter les
sols nus, nous utilisons la bande 3 afin de définir un nouvelle indice, qui se relève être d’une
grande capacité. Dans le cas de la détection de l’ombre, nous utilisons la bande 1 de l’ACP. En
ce qui concerne la bande 2 de l’ACP, nous avons constaté que celle-ci n’a pas un impact
significatif dans la détection des surfaces bâtis comme nous la montré Nobrega & al (2006) dans
ces travaux.
b. Segmentation Multirésolution
Afin de faire l’extraction des objets du milieu urbain, il est nécessaire de faire un
regroupement des pixels de l’image au sein objets-images, base de la classification orientéeobjets.
KANA Fabrice
25
La segmentation Multirésolution est appliquée sur les 3 canaux de l’image Google earth©.
Les trois autres canaux ACP n’étant pas pris en compte dans le processus de segmentation. Afin
d’obtenir des objets-images de taille proche des objets à identifier, ceci pour des meilleurs
résultats de la segmentation, l’utilisation des paramètres suivants est requise: Scale parameter de
30, Shape de 0.9 et Compactness de 0.1 (Nobrega & al, 2006).
Figure 20 : Résultat de la Segmentation Multirésolution sur notre image en utilisant les paramètres
de Nobrega & al
Figure 21 : Segmentation avec Scale parameter = 20, Shape = 0.2 et Compactness = 0.7
KANA Fabrice
26
Il nous a été très difficile de définir le paramètre Shape. En effet un ensemble de
segmentations ont été effectuées, afin de voir celle qui produit le mieux des objets images
proches des éléments à extraire. Cette seconde image (Figure 21) montre que la segmentation a
construit des objets-images assez proches des objets réels à identifier tels que l’eau, les
bâtiments, les routes, la végétation, l’ombre. Ce qui n’est pas le cas de la segmentation de la
première image. Cela nous montre que l'on ne peut pas qualifier de meilleure segmentation avec
certains paramètres. L'essentiel est de garder à l'esprit la question suivante : quel sont les objets à
identifier?, car c'est cela qui va permettre d'obtenir la meilleure segmentation pour le traitement a
effectué.
Dans le cadre de notre travail (figure 22), nous avons pu constater que l’obtention des régions
proches des objets à identifier était bonne pour les valeurs Scale parameter de 20, Shape de 0.5
et Compactness de 0.7. Il reste néanmoins que l’on peut changer de valeur pour cette
segmentation en testant des segmentations ayant un Shape à 0.6 et un Compactness variant entre
0.1 et 0.5. Tests que nous n’avons pas eu le temps d’effectué lors de ce travail, par contrainte de
temps.
KANA Fabrice
27
Figure 22: Segmentation avec Scale parameter = 20, Shape = 0.5 et Compactness = 0.7
c. Classification
Si le processus de segmentation a été réalisé sans grande difficulté sur l’image Google
Earth©, il n’en est pas de même pour le processus de classification. Les images Google Earth©
présentent malgré leur forte précision spatiale, de très faible résolution spectrale qui pourrait
avoir un impact sur le processus de classification.
Un des problèmes dont peut souffrir le processus de classification est que les images Google
Earth© sont fournies sur trois canaux : le rouge, le vert et le bleu (RVB). Donc on ne dispose pas
d’images satellites « brutes ». Mais on bénéficie de l’avantage que les images Google sont
parfaits pour une première identification visuelle qui va améliorer la classification, car les images
RVB sont bien plus proches des couleurs naturelles.
Mais qu’à cela ne tienne, nous avons cherché à rendre cette classification aussi meilleur que
possible en n’utilisant que ces canaux de base, en plus des trois canaux ACP. Une première étape
a été de définir un ensemble d’indices intervenant dans l’algorithme de classification.
Indice BARE_GI: (ACP32*B)/-100000. Cet indice permet de mettre en évidence les
sols nus (Nobrega & al, 2006)
Indice IB3: sqrt4(R*R + V*V). Cet indice permet d’obtenir la forte brillance des
objets-images.
Indice MSAVI5 : (2*R+1-sqrt (rt6 (2*R+1)-8*(R-V)))/2. Comme le NDVI, il permet
de mettre en évidence la végétation.
Indice NDVI7 : (R-V/R+V). Indice de base en télédétection pour la mise en évidence
de la végétation.
Indice NDWI8 : (R-B/R+B). C’est un bon indice pour la détection de l’eau. Il permet
aussi de faire la différence entre la rosée sur la végétation et les vraies étendues
d’eau.
Indice SHADOW_GI: (B-ACP19). Très bon indice pour la détection des zones
d’ombre lors de la classification (Nobrega & al, 2006).
2
Bande 3 de l’image en Analyse en Composants Principales
Indice de Brillance
4
Racine carrée
5
Modified Difference Vegetation Index
6
Carrée
7
Normalized Difference Vegetation Index. La formule pour une image satellite brute est (PIR-R/PIR+R)
8
Normalized Difference Water Index
9
Bande 1 de l’image en Analyse en Composants Principales
3
KANA Fabrice
28
A ce niveau du processus, il est nécessaire de choisir la méthode de classification. Dans le cas
d’une classification oriente-objet, le logiciel eCognition offre deux méthodes de classification.
Celle basée sur le plus proche voisin (nearest neighbor), et la logique floue basée sur des
fonctions d’appartenances. Dans le cas de cette étude nous avons utilisé la classification par la
logique floue en utilisant les fonctions d’appartenances ou Membership function.
La classification basée sur les fonctions d’appartenance floue consiste à décrire les classes
grâce à quelques caractéristiques, auxquelles on affecte une fonction de probabilité (Alban,
2005). Ainsi nous avons défini 7 types de classes : Eau, Bâtiments, Route, Sol_Nu, Ombre,
Arbres et Pelouse.
Pour chacune de ces classes, nous avons associés des zones d’apprentissages. 10 zones
d’apprentissages ont été définies pour chaque classe. Le processus de définition des zones
d’apprentissage peu être étudier dans De JOINVILLE (2010). Une première inquiétude ici a été
de se demander si une zone d’apprentissage affectée à une classe A, pouvait être effectuée à une
classe B lors du processus de classification.
L’étape suivante a été la définition des fonctions d’appartenance pour chaque classe. Nous
avons procédé par intersection des caractéristiques spectrales et thématiques des objets-images,
en plus des indices définis plus haut. Le processus de création des classes s’est fait une par une.
La première classe a été l’Eau, puis par exclusion, nous avons créé les autres classes. Chaque
nouvelle classe créée étant définie en plus de ces fonctions d’appartenance que lui sont propres,
de l’exclusion de la dernière classe créée.
3- Résultats et Évaluation
Les résultats montrent une classification assez juste, malgré les inconvénients au niveau
spectrale dont souffrent les images Google Earth©.
KANA Fabrice
29
Figure 23 : Extrait de l’image Google Earth© (à gauche), extrait de la classification (à droite)
On constate à l’issue de la classification une grande confusion entre les classes bâtiments
et routes pour certains objets-images, ceci dut à la grande similarité de leur caractéristiques
radiométriques. Nous avons aussi remarqué qu’en étudiant les indices NDWI et MSAVI, on
caractérisait mieux les étendues d’eau de la terre. Nous avons réalisé un « masque » de l’eau par
seuillage sur l’IB (< 60), le NDWI (<= 0.13) et le MSAVI (<= 0.05). Le résultat parait très
satisfaisant, même si l’on observe de légère confusion au niveau de la végétation en période
humide, très chlorophyllienne qui s’est rattachée à la classe Eau.
La classe végétation quant à elle, a été caractérisé par seuillage sur les indices IB (< 100),
NDVI (entre 0.01 et 0.12) et NDWI (entre 0.1 et 0.25). La figure 24 présente la description de la
fonction d’appartenance pour l’extraction de la classe végétation.
Figure 24 : (Membership Function) à gauche celle sur l’indice NDVI, et à droite celle sur l’indice
NDWI
Afin d’améliorer au mieux la classification, nous avons ajouté d’autres caractéristiques
pour décrire de manière précise une classe. La principale difficulté que nous avons rencontrée est
l’inconvénient dont souffrent les images Google Earth©, car on ne dispose pas d’une image
satellite brute. Les indices n’étant pas assez précis, du point de vue où ceux ont été conçus pour
travailler sur des images satellite « brute ».
KANA Fabrice
30
Afin de tester l’efficacité d’un processus de classification en télédétection, on utilise une
matrice carrée appelée matrice de confusion. Travaillant avec la version gratuite du logiciel
eCognition, nous n’avons pas eu la possibilité d’avoir cette matrice. Celle-ci n’étant pas intégrer
dans la version gratuite. En contrepartie, la version gratuite du logiciel offre la possibilité de voir
la stabilité de la classification et la meilleure classification sous forme de tableau (figures 25 et
26), ce qui permet une évaluation rapide de la classification.
Figure 25 : Table représentant la stabilité de la classification
Figure 26 : Table représentant la meilleure classification
On a une moyenne de probabilité d’appartenance très bonne pour la majorité des classes,
sauf pour la classe Pelouse, où cette moyenne est très faible.
KANA Fabrice
31
La figure (figure 25) suivante présente des extraits de la classification sur notre mosaïque
couvrant la zone de travail.
Figure 27: Quelques extraits de la zone de travail (résultat de la classification)
KANA Fabrice
32
CONCLUSION ET DISCUSSION
Les résultats de ce mémoire sont très encourageants, en plus des potentialités offertes par
le logiciel eCognition, elles nous ont permit de voir le potentiel offert par Google Earth© comme
source d’image. Ce qui s’avère une opportunité majeure en termes de coût aussi bien dans le
cadre d’un projet personnel ou dans la recherche. Ce potentiel avait déjà été remarqué par les
travaux de Venard & al (2009). Toute fois ces images ne doivent être utilisées seules comme
source de données, car afin d’améliorer les résultats de classification faites sur celle-ci, il est
impératif de coupler d’autres sources de données. Tels que les cartes de cadastre, les MNT, les
données des descentes sur le terrain et pourquoi pas des images satellitaires « brutes » si l’on
arrive à en obtenir, malgré leur coût.
L’utilisation conjointe d’une méthode descendante et ascendante, dans un processus de
classification, peu être considéré comme une nouvelle piste pour le développement d’une
nouvelle méthode optimale pour l’extraction objets. Surtout dans un environnement urbain. Mais
déjà dans le cadre de ce mémoire, nous avons du faire face à des difficultés empêchant de mener
des réflexions plus poussées sur cette piste. Difficultés liées particulièrement au logiciel
eCognition, car la version utilisée était gratuite donc n’offrant pas toute les potentialités du
logiciel. Mais les premiers résultats montrent que cette approche est à explorer.
Ce mémoire nous a permis d’aborder le monde de la télédétection, avec notamment la
notion telle classification orientée-objet, de comprendre comment sont élaborées les cartes
thématiques depuis des images satellites, et aussi de comprendre l’utilisation du logiciel
eCognition dont nous ignorions l’existence avant d’entreprendre les travaux.
En fin de compte nous aboutissons à la conclusion que le problème d’extraction d’objets
en environnement urbain reste un problème difficile, même avec l’arrivée des images Très Haute
Résolution Spatiale. Il est encore plus complexe pour la ville de Yaoundé où l’on observe des
constructions aléatoires de part et d’autre, ne suivant aucune réglementation en termes de types
et méthodes de construction.
KANA Fabrice
33
Références Bibliographiques
Pedro CABRAL, "ÉTUDE DE LA CROISSANCE URBAINE PAR TÉLÉDÉTECTION", SIG
ET MODÉLISATION, École des Hautes Etudes en Sciences Sociales, Thèse de Doctorat, 17
novembre 2006
Olivier De JOINVILLE, "Classification d’une image satellite avec Definiens Developper
Trial", Travaux pratiques sur DEFINIENS, ENSG-DIAG, 2010
O. Boussaid, D. Sheeren, A. Puissant et P. Gançarski, "Développement d'une ontologie pour
la classification d'images en télédétection", Colloque International de Géomatique et d'Analyse
Spatiale - SAGEO'2006, Strasbourg, 11-13 septembre 2006
Lénaig SPARFEL, Françoise GOURMELON, Iwan Le BERRE, "APPROCHE ORIENTÉEOBJET DE L’OCCUPATION DES SOLS EN ZONE CÔTIÈRE ", Revue Télédétection, 2008,
vol. 8, n° 4, p. 237-256, (2008)
Cedric VENARD, Eric DELAITRE, Yann CALLOT, Mohamed OUESSAR, Dalel
OUERCHEFANI, "Exploitation d’images satellitaires à très hautes résolution spatial fournies
par Google Earth©. Exemple d’application à l’étude de l’ensablement d’oliveraies en Tunisie",
Revue Télédétection, 2010, vol. 9, n° 1, p. 59-71, (2009)
Puissant A., D. Sheeren, Weber C., Wemmert C., P. Gançarski, "Amélioration des
connaissances sur l’environnement urbain : intérêt de l’intégration des règles de connaissance
dans les procédures de classification". Interactions Nature-Société, analyse et modèles,
UMR6554 LETG, La Baule 2006
Trimble Germany GmbH, 2010, User Guide of eCognition Developper 8.64.0, German
R. A. A. Nobrega, C. G. O’Hara, J. A. Quintanilha, “Detecting roads in settlements
surrounding Sao Paulo city by using object-based classification”, 2006
Regis Caloz, Abram Pointet, “Analyse comparative de la classification contextuelle et du
maximum de vraisemblance : synthèse et cas d’étude”, Télédétection, 2003, nº 2-3-4, p.311-322
Lassieur Stephanie, “ Utilisation de la télédétection et des techniques SIG pour détecter et
prévenir les activités de déforestation illégales”, Rapport de stage Master 2eme année SIG et
Gestion de l’Espace, Université Jean Monnet, NATO NC3 Agency (La Haye, Pays-Bas), MarsSeptembre 2006
O.Boussaid, D.Sheeren, A.Puissant, P. Gancarski, “ Développement d’une ontologie pour la
classification d’image en télédétection”, Colloque international de Géomantique et d’Analyse
Spatiale – SAGEO’2006. Strasbourg, 11-13 septembre 2006
KANA Fabrice
34
Maelle AUBERT, Marc DESPINOY, “Mise à jour de la cartographie de l’occupation des sols à
Efate (Vanuatu) par l’utilisation d’image très haute résolution (THR) du satellite Formosat-2”,
rapport technique, Projet GERSA, Décembre 2008.
Alban Thomas, “Application de l’approche orientée-objet à l’extraction de fragments forestiers
à partir de scènes Spot”, DESS SIGMA 2005
Bokhary, Marwa A. M. “Comparison between Pixel Based classification and Object Base
feature Extraction Approaches for a very Higt Resolution Remote sensed Image”, 2007
AUDA Yves, DUCROT Danielle, GASTELLU-ETCHEGORRY Jean-Philippe, HAGOLLE
Olivier, INGLADA Jordi, MAISONGRANDE Philippe, CLARET Virginie, MARAIS
SICRE Claire, VERT-PRE Stéphane, Chantal DECHAMP, René ROUX, “Enjeux et
perspectives de la télédétection multi temporelle à Très Haute Résolution Spatiale”, 2008
Florent Lafarge, Xavier Descombes, Josiane Zerubia, “Noyaux texturaux pour les problèmes
de classification par SVM en télédétection”, Theme COG – Systèmes cognitifs - Projet Ariana,
Rapport de recherche nº 5370, Novembre 2004, 39 pages
Web graphie
http://e-cours.univ-paris1.fr/modules/uved/envcal/html/rayonnement/2-rayonnement-matiere/27-signatures-spectrales.html
http://fr.wikipedia.org/wiki/Ikonos
http://eoedu.belspo.be/fr/satellites/quickbird.htm
KANA Fabrice
35

exploitation d`images sa résolution spatiale d`objets sur l

Transcription

Documents pareils

Utilisation de Google Earth V 05

Tutoriel Google Earth - Académie de Montpellier

TUTORIEL GOOGLE EARTH

Utiliser Google earth : un outil puissant et … gratuit mais controversé

HUAWEI MediaPad - Extenso Telecom

Téléchargeable ici - FSJP - Université de Ngaoundéré

Recherche, veille sur le WEB : exemple d`outils gratuits

Les bons paramètres pour Google Chrome

Présentation PowerPoint

Google en profondeur