REMOTE SENSING is the BACKBONE les problèmes de traitement d’images en télédétection REMOTE SENSING is the BACKBONE of the SPACE PROGRAM DR. NICHOLAS M. SHORT http://www.fas.org/irp/imint/docs/rst/Front/overview.html

télédétection remote sensing http://rst.gsfc.nasa.gov/Intro/Part2_4.html

http://rst.gsfc.nasa.gov/Intro/Part2_4.html

utilisation des informations dans différentes bandes de fréquences http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

high energy x-ray region visual image infrared region long wavelength radio telescope image views of the nearby Crab Nebula, which is now in a state of chaotic expansion after a supernova explosion first sighted in 1054 A.D. by Chinese astronomers).                                      http://rst.gsfc.nasa.gov/Intro/Part2_4.html

le précurseur de la photo aérienne ... Gaspard-Félix Tournachon, dit Nadar, 1820-1910

http://earth.esa.int/landtraining07/D2L4-Caetano.pdf

signaux aléatoires bidimensionnels les définitions et les propriétés fondamentales sont des extensions directes de celles qui sont données en traitement du signal monodimensionnel moyenne, variance corrélation, densité spectrale bruit blanc stationnarité (locale) filtrage des signaux aléatoires

signaux aléatoires bidimensionnels histogramme, densité de probabilité moyenne m = E(x) histogramme image variance, écart type dispersion autour de la moyenne E(x-m)2 histogramme de la dérivée de l’image corrélation extensions des notions 1D densité spectrale

La fonction d’autocorrélation a pour transformée de Fourier la densité spectrale Filtrage linéaire des signaux aléatoires bidimensionnels f(x,y) g(x,y) h(x,y) Bruit blanc 2D autocorrélation r(m,n)=s2d(m,n) (Impulsion à l’origine) Densité spectrale constante s2

Bruit blanc autocorrélation Densité spectrale constante s2 r(m,n)=s2d(m,n) (Impulsion à l’origine) Ici une seule réalisation : Fluctuations autour De la valeur moyenne

analyse spectrale des différentes régions (importance relative des hautes et des basses fréquences, direction privilégiée, est ce que le spectre d’un nouveau médaillon ressemble plus à l’un des différents spectres « appris » pour chaque région ? est ce que le spectre du nouveau médaillon ressemble au spectre des médaillons voisins ? plus de basses fréquences plus de hautes fréquences

classification grâce à une analyse spectrale plus fine est ce qu’on trouve des pics significatifs dans la transformée de Fourier de l’image ? Indication de directions privilégiées et de fluctuations assez périodiques dans ces directions privilégiées (interprétation de la transformée de Fourier en termes de sinusoïdes)

analyse fréquentielle bidimensionnelle les composantes fréquentielles les plus énergétiques

un des problèmes couramment rencontrés : décomposer l’image en régions assez homogènes séparées par des contours

télédétection caractériser les régions séparer l’image en régions détecter une forêt des champs des rivières des routes des bâtiments séparer l’image en régions champs routes batiments

nearest neighbour maximum likelyhood (gaussian)

Hughes phenomenon in some sense, nearly all of the high-dimensional space is "far away" from the centre, or, to put it another way, the high-dimensional unit space can be said to consist almost entirely of the "corners" of the hypercube, with almost no "middle". (This is an important intuition for understanding the chi-squared distribution.)

How different the results from different classifiers can be? Maximum likelihood Artificial Neural Networks Decision tree

Martin DE LA GORCE - Mohamed TRIGUI Décembre 2004 mise en œuvre élémentaire des champs de markov (ici pour décomposer une image en régions) principe : (issu des simulations en physique) l’affectation d’un pixel à une région est influencée par l’affectation des pixels voisins une approche fondée sur les probabilités (recherche au hasard, avec des itérations Rôle des champs de Markov pour régulariser une classification par k-means Martin DE LA GORCE - Mohamed TRIGUI Décembre 2004 http://www.tsi.enst.fr/tsi/enseignement/ressources/mti/markov/index.html

d (x,y, ci) première classification par les k-means chaque échantillon (x,y) a une valeur f (x,y) initialisation affecter un numéro de classe i à chaque échantillon au hasard boucle calculer la moyenne sur les valeurs des échantillons (centre ci) de chacune des classes pour chaque échantillon, affecter maintenant le numéro de la classe dont le centre ci est le plus proche de cet échantillon ; test d’arrêt réitérer ce processus jusqu’à stabilisation la distance de chaque échantillon à chacun des centres de classe ci est calculée d (x,y, ci)

il faut essayer d’améliorer ce résultat qui ne tient pas compte du fait qu’un pixel doit appartenir à la même classe que ses voisins

champs de markov chaque pixel a une probabilité d’appartenir à une classe on commence par assigner aléatoirement la classe à laquelle appartient le pixel en fonction de cette probabilité 1/2 proba d’appartenance 1/3 1/6 classe 1 2 3 1 1/2+1/2=1 3 assignation à une classe en fonction du résultat du tirage d’une valeur aléatoire génération équirépartie 1/3+1/6=1/2 2 1/6 1 au départ, cette probabilité est fonction de la distance au centre de la classe (la somme sur l’indice i des probabilités doit valoir 1)

Champs de Markov (plus élaboré et plus souple que la morphologie mathématique mais sur des bases similaires : on souhaite qu’un pixel ait la plupart du temps les mêmes caractéristiques que ses voisins …) 1. initialisation

2. Modification de la probabilité d’appartenance (ou plutôt du degré de sûreté ou de confiance) x Si le pixel d’intensité x est bleu et la majorité de ses voisins aussi, la probabilité d’appartenance à la classe « bleu » est augmentée (et par conséquent les autres sont diminuées Analogue à un lissage (filtrage passe bas) suivi d’une décision de classement 3. Processus itératif : augmentation du facteur de correction (inverse de la « température ») de sorte que les probabilités se rapprochent de zéro ou de un

si un des voisins appartient à la classe i (x,y+1) les voisins on modifie la probabilité d’appartenance du pixel à chacune des classes : si un des voisins appartient à la classe i (x,y+1) les voisins (cas le plus simple) (x-1,y) (x,y) (x+1,y) (x,y-1) distance de l’intensité du pixel au centre de la clase termes de pénalisation liés à l’appartenance des voisins facteur de pondération positif décroissant vers zéro en fonction du numéro d’itération (« température ») facteur de normalisation signe négatif d’après la théorie il faut que les probabilités soient de la forme g.exp (u)

une fois que les probabilités ont été calculées (à un coefficient g près), il faut les normaliser (somme des probabilités égale à 1) effectuer à nouveau un tirage aléatoire en réduisant légèrement la « température » T quand la température est très basse : une seule des probabilités se rapproche de 1, car les autres probabilités s’amenuisent (après la normalisation décroissance de T les probabilités décroissent sauf la plus grande

rôle du coefficient b 1 0.3 choix des voisins 4 8

réglage de la sensibilité

U(c) = energie_cliques distance du pixel à la classe c rajout de 1 à 4 termes beta si fonction Gibbs : calcule une réalisation de la loi de Gibbs pour chaque pixel pour chaque classe c calcul de U(c) et de exp(-U(c)/T (proba de chacune des classes) Energy : calcul de l’énergie totale choix aléatoire d’une classe en fonction de ces probabilités SA : itérations température décroissante nouvelle réalisation aléatoire Gibbs évaluation de l’énergie totale (vérification)

première approche commencer par analyser l’histogramme de l’image qui peut donner de bonnes indications sur le nombre de classes, les seuils pertinents etc ... évaluer si les méthodes sophistiquées proposées par les chercheurs améliorent nettement les résultats dans le cas du problème étudié ...

quelques problèmes de télédétection comptage

exemple élémentaire de télédétection

reconnaître des objets observation renseignement

De l’importance du contexte dans l’interprétation d’une image

analyse de l’extension d’un feu de forêt projet ariana inria

IGN France International Introduction à la Télédétection Michaël TONON IGN France International paramètres de surface Utilisation du sol, végétation, état de surface ... structures linéaires visibles sur l’image infrastructures, réseau hydrographique ... Les images de télédétection sont une source importante de données pour la mise à jour de données géographiques http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

Rouge (R) Proche Infra-Rouge (PIR) nécessité de traiter un pixel comme un vecteur (chaque composante est l’intensité dans une bande de fréquence, p.ex. image couleur RVB)

Principal Components Analysis

l’image satellite est vue sous un angle variable il y a déformation Compensation de la distorsion pour la mise en correspondance

mise en correspondance d’images (voir aussi stéréo vision) (recherche de points caractéristiques) http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

http://www.imv-hanoi.com/Uploaded/Documents/Introduction%20a%20la%20teledetection%20-%20Tonon.pdf

- Recherche des coordonnées de points caractéristiques (angles) - Appariement de ces points sur les deux images modèle (carte) et photo Identification des paramètres de la transformation (par exemple déformation quadratiques)

Régénérer une image : ré-échantillonnage ; interpolation

détection de batiments réalisation d’une représentation tridimensionnelle (abscisse, ordonnée et altitude) interprétation de l’éclairage et des ombres (voir les cours de synthèse d’images) si possible stéréovision

recherche de lignes p ex routes transformée de Hough + variations rapides cf détection de contours + tenir compte d’informations connues a priori

Moussa KONÉ, Angora AMAN, Constant Yves ADOU YAO, Lacina COULIBALY et SUIVI DIACHRONIQUE PAR TÉLÉDÉTECTION SPATIALE DE LA COUVERTURE LIGNEUSE EN MILIEU DE SAVANE SOUDANIENNE EN CÔTE D’IVOIRE Moussa KONÉ, Angora AMAN, Constant Yves ADOU YAO, Lacina COULIBALY et Kouakou Édouard N’GUESSAN Résumé La région de Korhogo, au nord de la Côte d’Ivoire est caractérisée par une végétation savanicole de type soudanien. La forêt classée du mont Korhogo, située à proximité de la ville de Korhogo, est soumise à une forte pression anthropique. Dans cette étude, on vise à déterminer l’impact des actions de l’humain sur la transformation de la couverture ligneuse naturelle et cultivée entre 1986 et 2000. La méthode de classification dirigée à l’aide de l’algorithme du maximum de vraisemblance a permis de réaliser les cartes de la végétation à partir d’images TM (1986) et ETM+ (2000) de Landsat avec un taux de classification global respectif de 97 % et 98 %. De ces cartes, est extraite la couverture ligneuse. Ainsi, au niveau du site de la forêt classée du mont Korhogo, la couverture ligneuse a augmenté de près de 19 %. La couverture ligneuse dans les sites autour de la forêt classée s’est également accrue. Le plus fort taux (38 %), celui de la zone périurbaine, est dû aux cultures de l’anacarde, du manguier et du teck. L’introduction de la culture de ligneux dans la zone autour de la forêt classée a permis de la préserver des actions anthropiques néfastes. Ceci pourrait à long terme contribuer à la stabilisation du climat local. Mots-clés : déforestation, télédétection, couverture ligneuse, savane.

Carte de la végétation a) En 2000 b) En 1986 http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf

Taches forestières numérisées à partir des cartes de la végétation de 1986 et de 2000 http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404181500.pdf

Évolution du couvert forestier du bassin du Congo mesurée par télédétection spatiale Philippe Mayaux, Valéry, Michel Massart, Michelle Pain-Orcet, Frédéric Achard BOIS ET FORÊTS DES TROPIQUES, 2003, N° 277 Exemple de déforestation observée dans la région de Géména (RD Congo), entre 1986 et 1994 http://bft.cirad.fr/cd/BFT_277_45-52.pdf

Le traitement de l’image, réalisé par le Cirad-forêt et le laboratoire Geotrop du Ciradamis, permet de visualiser le tracé des pistes d’exploitation, en fonction de leur ancienneté

navigation d’un robot importance des connaissances « a priori » sur l’environnement ! très difficile de se baser uniquement sur la vision http://ethesis.inp-toulouse.fr/archive/00000163/01/avina.pdf

Attention aux fausses interprétations ! (the ‘‘face’’ on mars) http://tempetedudesert.com/reaidy_livre.pdf