Caractérisation texturale des surfaces boisées dans une image Ikonos de la région de Montréal Pierre Bugnet Langis.

Présentation au sujet: "Caractérisation texturale des surfaces boisées dans une image Ikonos de la région de Montréal Pierre Bugnet Langis."— Transcription de la présentation:

1 Caractérisation texturale des surfaces boisées dans une image Ikonos de la région de Montréal
Pierre Bugnet Langis Gagnon (CRIM) François Cavayas (Université de Montréal)

2 Plan Problématique Rappel sur la texture Pré-traitements
Création des images de texture Détermination des textures optimales Classification supervisée Post-traitements Conclusion

3 Problématique Importance des surfaces boisées:
rôle écologique (cycle de l’oxygène, habitats fauniques, biodiversité) santé et bien-être des résidents (parcs urbains) Fragmentation continuelle des surfaces boisées: nécessité d’un suivi régulier Apport des images-satellite à très haute résolution pour la cartographie des surfaces boisées

4 Partie d’une image panchromatique Ikonos (résolution de 1 mètre)
Problématique Partie d’une image panchromatique Ikonos (résolution de 1 mètre)

5 Agrandissement d’une image Ikonos (résolution de 1 mètre)
Problématique Agrandissement d’une image Ikonos (résolution de 1 mètre)

6 Problématique Comment extraire les surfaces boisées d’une image panchromatique Ikonos ?

7 Problématique Image Ikonos-2 panchromatique
Spectre couvert: 450 à 900 nm. Prise le 21 août 2000 à 15h31 Région du Mont Saint-Bruno 12004  pixels Résolution spatiale de 1 mètre Couverture nuageuse nulle Angle de visée de 71 degrés

8 Problématique Image Ikonos-2 panchromatique
Spectre couvert: 450 à 900 nm. Prise le 18 mars 2000 à 15h40 Région de Montréal 12004  pixels Résolution spatiale de 1 mètre Couverture nuageuse nulle Angle de visée de 74 degrés

9 Problématique Résolution spatiale des images Ikonos  beaucoup d’information à traiter Besoin d’adapter les techniques d’analyse spatiale développées antérieurement La texture comme outil de caractérisation des surfaces boisées

10 Rappel sur la texture Mesures de textures à partir de la matrice de co-occurrence (Haralick, 1973) Histogrammes des sommes et des différences (Unser, 1986) calculs beaucoup plus rapides besoins réduits en espace-mémoire excellente approximation des mesures de Haralick Exemple de caractérisation texturale à partir d’une image artificielle

11 Rappel sur la texture Fenêtre de calcul sur la sous-image (55 pixels)
Valeurs numériques correspondantes Matrice de co-occurrence (pas=1, dir. horizontale)

12 Rappel sur la texture Fenêtre de calcul sur la sous-image (55 pixels)
Valeurs numériques correspondantes Matrice de co-occurrence (pas=1, dir. horizontale)

13 Rappel sur la texture Mesures de Haralick (1973)

14 Rappel sur la texture Mesures de Haralick (1973)
Moyenne = 0.6 Contraste = 0.55 Correlation = Énergie = 0.265 Entropie = Homogénéité = Pmax = Écart-type = 0.44 Moyenne = 1 Contraste = Correlation = Énergie = 0.16 Entropie = 0.82 Homogénéité = 0.45 Pmax = Écart-type = 0.6

15 Rappel sur la texture Mesures de Unser (1986)

16 Rappel sur la texture Image artificielle (512512)
espacement de 12 pixels espacement de 24 pixels Image de texture ‘homogénéité’ f=15, p=1, dir. horizontale Image de texture ‘homogénéité’ f=15, p=12, dir. horizontale Image artificielle (512512)

17 Pré-traitements Création de sous-images
Photo-interprétation d’une sous-image tracé d’un masque de vérité-terrain (pour boisés) tracé de masques pour les sites d’entraînement Égalisation locale de la sous-image par l’histogramme

18 Sous-images (512512 pixels)
Pré-traitements Sous-images (512512 pixels)

19 Pré-traitements Masque de vérité-terrain (forêt)
Sites d’entraînement (forêt, gazon et résidentiel)

20 Sous-image égalisée localement par l’histogramme
Pré-traitements Sous-image égalisée localement par l’histogramme Sous-image initiale

21 Création des fichiers de texture
4 images de texture ‘moyenne’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘moyenne’ (f, p, moyenne des 4 directions) 4 images de texture ‘contraste’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘contraste’ (f, p, moyenne des 4 directions) 4 images de texture ‘correlation’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘correlation’ (f, p, moyenne des 4 directions) 4 images de texture ‘énergie’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘énergie’ (f, p, moyenne des 4 directions) Sous-image égalisée Fichier (.pix) de textures (f, p) 4 images de texture ‘entropie’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘entropie’ (f, p, moyenne des 4 directions) 4 images de texture ‘homogénéité’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘homogénéité’ (f, p, moyenne des 4 directions) 4 images de texture ‘pmax’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘pmax’ (f, p, moyenne des 4 directions) 4 images de texture ‘écart-type’ (fenêtre=f, pas=p, 4 directions) Image normalisée ‘écart-type’ (f, p, moyenne des 4 directions)

22 Création des fichiers de texture
Moyenne Contraste Correlation Énergie Entropie Homogénéité Pmax Écart-type (f=5, p=1)

23 Détermination des textures optimales
(11 classes) Fichier f-p.pix KCLUS Classification non-supervisée à partir des 8 textures CHNSEL 4 textures permettant la meilleure distinction inter-classes Classification non-supervisée à partir des 8 textures (f=5, p=1)

24 Classification supervisée
Création des signatures texturales à partir des sites d’entraînement Classification supervisée par maximum de vraissemblance Résultats de la classification taux de détection: fausses alarmes:

25 Classification supervisée
Surface boisée Surface gazonée Surface bétonnée Fichier f-p.pix Sites d’entraînement 4 images de texture optimales CSG Signatures des classes MLC Sous-image classifiée (fenêtre f, pas p) Classification supervisée à partir des 4 textures optimales (f=5, p=1) TD FA

26 Classification supervisée
Surface boisée Surface gazonée Surface bétonnée Classification supervisée à partir des 4 textures optimales (f=35, p=2)

27 Post-traitements Transformation de l’image classifiée en format binaire (forêt/non-forêt) ‘Labeling’: étiquettage des régions détectées sur l’image binaire élimination des petites régions (surface inférieure à 1% de l’image) Transformation de l’image résultante en format binaire (forêt/non-forêt) Calcul des nouveaux taux de détection et de fausse alarme

28 Post-traitements Image classifiée en format binaire et contour de vérité-terrain (classe forêt en blanc) Image classifiée après ‘Labeling’ et contour de vérité-terrain (classe forêt en blanc) (f=5, p=1)

29 Post-traitements Image classifiée en format binaire et contour de vérité-terrain (classe forêt en blanc) Image classifiée après ‘Labeling’ et contour de vérité-terrain (classe forêt en blanc) (f=35, p=2)

30 Post-traitements Sous-image initiale, surfaces boisées détectées (rouge) et contour de vérité-terrain (vert)

31 Conclusion Applications de cette méthode Contraintes d’utilisation
autres images Ikonos (saison, angle de visée) autres types de forêt (nature, taille et densité des arbres) Autres avenues de recherche