Chapitre III : Traitement d Images Traitement d amélioration et d extraction d indices

Transcription

1 Chapitre III : Traitement d Images Traitement d amélioration et d extraction d indices I. QUELQUES RAPPELS SUR LES BASES DU TRAITEMENT D IMAGES 1. Principe d acquisition d une image par un capteur: 2- Processus de Numérisation d images : Soit L min et L max les radiances min et max qui caractérisent le détecteur et soit DN les valeurs numériques de l image. Les relations reliant les DN aux radiances sont : Avec L la radiance exprimée en Wm-2sr-1 Remarques : la première relation est très importante quand on veut fabriquer des données image à partir de mesures physiques ; la deuxième relation est très importante quand on a l image et qu on veut remonter aux mesures physique pour faire une analyse radiométrique. Les L min et L max varient en fonction du type de capteur et aussi en fonction du canal et sont souvent inscrites dans un fichier.

2 3. Les différents types d images 3.1. Les images raster continue Les DN (Digital Number ou Valeurs Radiométriques) sont des valeurs quantitatives représentant des mesures physiques liées à la nature du système d acquisition (données de réfléctance, données d émittance, données de rétrodiffusion, données d altitude, etc..) 3.2. Les images Raster Thématique Les DN sont des valeurs qualitatives appelées des étiquettes qui ne représentent aucune mesure physique Les images vectorielles Elles sont souvent créées par vectorisation des images raster thématique 4. Les différents formats des images raster continue Il existe plusieurs format pour la diffusion des images les plus connu sont : 4.1. Le format BIL (Band Interleaved by Line): SPOT par exemple. SPOT SPOT Landsat_TM 4.2. Le format BSQ (Band Sequential) : Landsat_TM par exemple

3 4.3. Le format BIP (band interleaved by pixel) 4.4. Publishing format Ce sont les formats les plus utilisés par les logiciels de traitement de photos connus dans le commerce : JPEG (jpg) ; bitmap (bmp) ; TIFF (tif).

4 II. LES TRAITEMENTS D AMELIORATION 1. Introduction Il y a une grande variété de techniques d amélioration d'images. Le choix d une technique particulière dépend de l'application, des données disponibles, de l expérience et des préférences de l'analyste d'images. Dans cette partie, nous couvrirons les trois techniques les plus importants et les plus utilisées pour dans le processus d amélioration d images, qui sont l amélioration radiométrique, l amélioration spatiale et l amélioration spectrale. 2. l amélioration radiométrique «Radiometric enhancement» Avec cette technique, l amélioration des images se fait par des traitements portant sur les valeurs individuelles des pixels. 3. l amélioration spatiale «Spatial enhancement» Il s agit d améliorer les images par des traitements portant sur les valeurs individuelles des pixels et sur leurs voisinages. 4. l amélioration spectrale «Spectral enhancement» Ce traitement améliore des images multibandes (multispectrales), en transformant les valeurs de leurs pixels. 5. Exemples sous ERDAS Imagine L amélioration d images peut être exécutée dans deux modes différents : 5.1. Amélioration temporaire: quand une image est visualisée sur le Viewer, tous les changements subits par l image ne sont pas sauvegardés dans l image originale à moins de le confirmer

5 5.2. Amélioration permanente : Dans le cas où nous sauvegardons l image en tant qu'un autre fichier image. Ceci se produit chaque fois qu'un programme vous demande un nom de fichier de sortie : par exemple, tous les opérations sous Image Interpreter/Radiometric Enhancement qui produisent un fichier image en sortie (output) AMELIORATION RADIOMETRIQUE Les fonctions d amélioration radiométrique améliorent l image en utilisant les valeurs de chaque pixel dans chaque bande. La technique d amélioration radiométrique la plus populaire est la technique d étalement de la dynamique (contrast stretching). L étalement de la dynamique transforme les valeurs numériques originales des Pixels (DN), en niveaux de luminosité sur le moniteur en utilisant une LUT de recadrage. Cette LUT sera systématiquement enregistrée avec son image. Il existe trois types de LUT de recadrage de la dynamique : Recadrage par l application de LUT linéaire ; Recadrage par l application de LUT non linéaire ; Recadrage par l application de LUT par palier.

6 A. Recadrage par l application de LUT linéaire Le recadrage linéaire de la dynamique, appelé aussi steching linéaire est utilisé surtout quand la dynamique de l image ne fait pas appel à toutes les possibilités offertes par le codage des niveaux de gris. A.1 - Principe de la méthode Soit I [i,j] l image de départ et I [i,j] l image recadrée. Soient [min, max] l intervalle des intensités présentes dans l image et [kmin,kmax] l intervalle disponible (0,255) image codée sur 8 bits. L étalement de la dynamique correspond à la transformation linéaire T suivante : avec Remarque : Les étalements linéaires des images n entraîne pas de distorsion de la radiométrie de l image Il sont utilisés pour l amélioration visuelle et l analyse d image min max Histogramme de l image origine

7 A.2 - Visualisation standard Sous ERDAS Étalement linéaire par défaut (visualisation par défaut des images). Par défaut, le visualisateur applique systématiquement un étalement linéaire de (2* l'écart type) Ceci signifie que les Pixel avec les DN en dehors de l intervalle [moyenne 2*σ, moyenne + 2*σ] sont affichés avec 0 et 255 respectivement, alors que ceux situés dans cette marge sont étirés de 0 à 255. Image de sortie (déjà étalée) Concrètement, cela signifie que dans un ouverture standard d image sous Erdas, le programme appliquera toujours ce type d étalement linéaire, à moins de lui demander de ne pas le faire en cochant sur No Stretch. Visualisation sans streching Sous ERDAS No stretch. Il est possible de visualiser une image sans aucun stretching pour voir les valeurs des DNs brutes. Ouvrir une image dans un viewer mais cette fois cocher les deux Fit to Frame and No Stretch options. Sous Raster/Contrast/General Contrast cliquer sur Breakpts pour voir la LUT. Noter que la LUT est définie par les points de (0, 0) à (255, 255). Image de sortie sans étalement dynamique

8 Les points breaks, permettent de travailler directement sur la LUT pour améliorer l image en étalant l histogramme selon les propriétés de l histogramme de l image. Ces changements seront visibles sur l image affichée sur l écran. A.3 - Steching linéaire Sous ERDAS Linear stretch : Il est similaire à la méthode par défaut, mais cette fois le point de départ et le point final peuvent être choisi de manière arbitraire. Choisir Method to Linear, Apply.

9 B. Streching non Linéaires Dans ce cas précis, nous nous contenterons pas d appliquer seulement, la même LUT à toute l image (pente constante), comme c est connu dans le cas du stetching linéaire. Sinon, nous appliquons une LUT non linéaire qui va accroître le contraste sur une plage de l histogramme et décroître le contraste sur une autre. Ce type d amélioration du contraste peut être utilisé pour faire croître ou décroître progressivement le contraste d une image sur une plage donnée de l histogramme. B.1. Cas particulier de LUT non linéaire : Correction Gamma C est l application d une fonction de recadrage non linéaire dont les caractéristiques sont les suivantes : Image de sortie plus claire Etalement linéaire Image de sortie plus sombre Remarque : γ peut prendre les valeurs de 0 à l infini; la valeur par défaut de γ est 1 correspondant à un étalement linéaire.

10 B.2. Cas particulier de LUT non linéaire : stretching par palier Le stretching par palier permet l amélioration du contraste d une portion spécifique des niveaux de gris de l image en divisant la LUT en trois sections : faible, moyen et forte radiance. Cette technique est très utilisée pour améliorer le contraste des zones ombrées. Fort contraste sur les faibles radiances Fort contraste sur les radiances moyennes Fort contraste sur les fortes radiances B.3. stretching par palier sous ERDAS Commencez par appliquer un streching linéaire, et puis modifiez la (LUT) en insérant des breakpoints. Ajoutez les breakpoints avec le bouton ; retirez les breakpoints inutiles avec le bouton. Vous pouvez également les déplacer avec l'outil de flèche indicatrice. Continuez jusqu'à ce que vous réalisiez l amélioration de contraste désirée. En rouge, encerclé, l outil de création de breakpoints pour faire varier la pente de l histogramme.

11 B.4.1. Cas particulier de LUT non linéaire : stretching par égalisation Stretching par égalisation d histogramme Dans cette approche, les valeurs d'image (DN brut) sont assignées aux grandes luminosités sur la base de leur fréquence d'occurrence, de sorte que les niveaux de luminosité les plus élevés soient assignés aux valeurs d'image qui se produisent fréquemment AMELIORATION SPATIALE Les techniques d amélioration spatiale modifient les valeurs de Pixel, en se basant sur les valeurs des Pixel environnants, et ne traitent pas chaque pixel pris individuellement. C est la différence avec les techniques d amélioration radiométrique. L amélioration spatiale traite en grande partie, la fréquence spatiale, qui est la différence entre les valeurs les plus élevées et les plus basses d'un ensemble contigu de Pixel On définit la fréquence spatiale comme «nombre de changements de valeur de gris par unité de distance». A. Le Filtrage par convolution ou Filtrage spatial Le Filtrage par convolution est employé pour changer les caractéristiques de fréquence spatiale d'une image. Dans le cas d une image numérique, nous avons l équation de convolution discrète :

12 B. Principe du filtre spatial : Le principe de la méthode de balayage par masque est le suivant : Sur chaque pixel de l image f, le filtre ou fenêtre ou encore masque est dénoté par la matrice wij, il vient recouvrir une surface de l image xij de même dimension que wij centré sur le pixel courant. C. Exemples d amélioration spatiale Image bruitée par des rayures horizontales (à gauche) ; nettoyée par filtrage (à droite) Image bruitée par des rayures verticales (à gauche) ; nettoyée par filtrage (à droite) Image à lignage oblique (à gauche) ; nettoyée par filtrage (à droite) Image radar bruitée par le speckle (à gauche) ; Nettoyage du speckle (à droite)

13 D. Filtrage spatiale sous ERDAS Sous Erdas, il y a deux façons pour accéder au menu de filtrage : D.1. Méthode 1 : En passant par le menu du Viewer Ouvrir l image et appliquer un filtrage spatiale sur cette image en allant sous Raster/Filtering/Convolution Filtering set Kernel to 3x3 Low Pass. Choisir Edit pour voir la matrice de convolution. Fermer le kernel editor, et cliquer sur Apply the filter. D.2. Méthode 2 : En passant par l icône Interpreter

14 E. Amélioration spatiale par Fusion d images Il est possible d améliorer la résolution spatiale des images multispectrales, si nous disposons d une bande panchromatique de meilleure résolution spatiale. Les images résultantes consécutives à cette fusion ont une meilleure résolution spatiale, grâce à la meilleure définition spatiale du canal panchromatique et gardent une bonne résolution spectrale portée par les différents canaux qui composent l image multispectrale de départ. La fusion de résolution permet donc de combiner les avantages des deux genres d'images en les regroupant dans une seule. Nous pouvons par exemple fusionner une image SPOT mutltispectrale (20m) avec une autre image SPOT panchromatique (10m). Nous pouvons également fusionner une image Landsat ETM+ (30m pour les bandes VIR) avec son canal panchromatique (15m). L image Landsat ETM+ possède un canal panchromatique (15m). Fusion Sous erdas Cliquer sur le module Interpreter, sélectionner Spatial Enhancement /Resolution Merge. Dans la fenêtre Resolution Merge choisir High Resolution Input File imagepanch.img (image panchromatique), Multispectral Input File to multispec.img (image multispectrale), Output File to imagemerge.img (image de sortie). Sous Data Type changer Output to Unsigned 8-bit. Cliquer sur OK pour démarrer le processus.

15 AMELIORATION SPECTRALE L amélioration spectrale est le procédé de créer de nouvelles données spectrales à partir des bandes disponibles. Les nouveaux canaux sont générer sur la base d un traitement pixel-àpixel, en appliquant des opérateurs (par exemple soustraction, division), aux pixels correspondants dans les bandes existantes. L amélioration spectrale est applicable seulement aux images multibandes. Les utilisations typiques des techniques d amélioration spectrale sont : Extraire de nouveaux canaux (néo-canaux) qui sont plus facile à interpréter par l'oeil (plus discriminant pour les classifications par exemple) ; Réduire la redondance des données multispectrales et hyperspectrales des canaux similaires en utilisant des techniques de compressions ; Trouver une combinaison de composition colorée la plus discriminante. Les techniques d amélioration spectrale les plus couramment employées sont : Les Ratios et Indices : Calcul de canaux indices, très utilisés dans l étude de la végétation et la prospection des minéraux ; Analyse en composante principale (ACP) pour compresser les données redondantes des images multibandes ; Décorrélation streching : Application des techniques de streching aux composantes principales d une image ; RGB to IHS : transformation des canaux de l espace RGB à l espace IHS ; Tasseled Cap : Rotation des axes des données image pour optimiser l étude de la végétation ; Natural color : Simulation de couleur naturel pour les données TM. A. Spectral Ratioing Le Ratio spectral est l opération de division des DN d une bande spectrale par les DN des pixels correspondant d une autre bande spectrale. Un avantage important des images de ratio est leur indépendance relative aux variations des états d'illumination de scène (Lillesand & Kiefer, p. 513). Calcul des rapports de canaux par le Model Maker Pour calculer n importe quel ratio, On doit créer d abord un modèle graphique en utilisant le Modeler. Cliquer sur Modeler (dans le panneau des icones) choisir Model Maker Une page vide de modèle graphique est ouverte. Nous utiliserons maintenant la palette de l'outil du générateur modèle pour construire le modèle. Utiliser pour ajouter une image raster, pour ajouter une fonction, et pour connecter les images raster à la fonction, et la fonction à l image raster en sortie. Double-click sur l image en entrée; Donner le nom de l image à traiter et Déclarer comme Float. Cliquer sur OK.

16 Procédure Modeler du Rapport de canaux B. Les Indices Spectraux Les indices spectraux sont utilisés pour caractériser les objets naturels sur les images multispectrales, souvent caractérisées par un nombre limité de bandes. Ces indices s appuient sur la variabilité spectrale de ces objets qui varie en fonction de longueur d onde, marquée sur leur signature spectrale. Le rapport entre les bandes extrêmes caractérise les propriétés des éléments recherchés. La végétation : Pour la végétation c est l Indice de Végétation, qui est le rapport entre la bande Proche InfraRouge, qui caractérise le maximum de réflectance et le Rouge, minimum de réfléctance. Ce rapport est généralement normalisé pour éviter les valeurs infinies Indice de Végétation par Différence Normalisée NDVI (Normalized Difference Vegetation Index) Exemple sur ERDAS Imagine Cliquer sur Interpreter/ Spectral Enhancement / Indices Ouverture de la boite de dialogue indices.

17 Nous pouvons apercevoir le modèle graphique de quelques indices parmi ceux qui sont affichées sur la liste. Pour visualiser le modèle graphique de cet indice (par exemple le NDVI) sélectionner le et puis cliquer sur View. Il faudra cependant noter que les modèles graphiques des indices figurant sur la liste ne sont pas tous disponibles.

18 La lecture de l image NDVI : Les niveaux (valeurs) les plus claires correspondent aux valeurs d indices les plus élevés. Toutefois, pour mieux visualiser cette image et pour que les valeurs soient mieux contrastées, il est préférable de reclasser cette image (voir le chapitre classification) en lui attribuer une palette de couleurs. Les couleurs chaudes (rouges et jaunes) pour les indices les plus élevés et les couleurs froides (vert pale et bleu) pour les valeurs les plus faibles.

19 B. Analyse en composante principale ou Principal Components Analysis Cliquer sur Interpreter (in Icon panel) / Spectral Enhancement / Principal Components Choisir l image en entrée TM.img et l image en sortie TM_pc.img. Cocher Stretch to Unsigned 8-bit sous Output Options, et choisir Number of Components Desired 7 cliquer OK. Visualiser les bandes ACP canal par canal en sélectionnant Gray Scale dans la boite dialogue de Raster Options. Commenter C. Tasseled Cap Transformation Appliquer la transformation Tasseled Cap en cliquant sur Interpreter/ Spectral Enhancement / Tasseled Cap Visualiser l image source et les trois premières bandes de l image de sortie dans des viewer séparés.