Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites

Projet GIZ-CRTS Formation en Télédétection spatiale et SIG CRTS, 18-21 janvier 2016 Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Abderrahman ATILLAH Adresse: Secteur 21, Angle Av. Allal El Fassi et Av. Assanawbar, Secteur 21, Hay Riad, RABAT Tèl: 037715448/98 Fax: 037711435 www.crts.gov.ma Email: atillah@crts;gov.ma Traitement d image? Réponse à un Problème particulier Choix d une technique de traitement?? Thème? Période Type de données satellites Résolution/Echelle Disponibilités données terrain 1

Amélioration visuelle Traitement d image : Réponse à un Problème particulier Définition du thème d intérêt Résultat non satisfaisant Choix des outils de traitement Traitement Visualisation du résultat Résultat satisfaisant Carte thématique d aide à la décision Intégration dans une BD SIG Pré traitements numériques des images : -Corrections géométriques qui permettent -de superposer les images multidates -de faire les mosaïquages spatiaux -d ccquérir un référenciel cartogrpahique: géoréférencement -Corrections radiométriques -Calibration des valeurs radiométriques des canaux et Standardisation des images dans le temps -Passage des valeurs radiométriques aux valeurs géophysiques -Corrections atmosphériques -Elimination les effets perturbateurs de l atmosphère 2

Prétraitements numériques des images Amélioration visuelle des images : -Rehaussement des contrastes spectraux de l image : -Aide à la définition etàla distinction des objets - Travail sur l histogramme des canaux -Filtrage spatial des pixels -Elimination des artefacts et des bruits (Filtre passe bas ) -Homogénéisation des structures et régions (Filtre passe bas.) -Détermination des structures Fines ( Filtre passe haut ) -Travail sur le voisinage des pixels Amélioration visuelle des images 3

Traitement numérique des images (Principales Méthode d extraction de l information) 1. Techniques semi automatiques : méthode de la photo interprétation 2. Techniques automatiques : Transformations des images (Combinaisons multi bandes) création des néo canaux par combinaison multibandes: - combinaisons de canaux, - Analyse statistique. Classification des images. - classification non supervisée, - classification supervisée. Photo-interprétation visuelle de l image La Photo-interprétation: c est l analyse visuelle d une image (par un interprète et la localisation d un(des) objet(s). Elle est basée sur des clefs d interprétation : couleur, structure, texture, ombre, forme, taille -Elleviseàproduireuneinformationrelativeàunlieuetdépendante d une thématique. - Le résultat de cette photo-interprétation est variable selon le champs thématique étudié. 4

Photo interpretation : Technique de Stratification - Identification des différentes structures (structure parcellaire, structure linéaire, ) -Numérisation des informations par dessus de l image - Passer du mode raster (image) au mode vecteur (couverture) Trois mode de représentation des informations vectorielles : - Polygone :surface - Ligne : structure linéaire - point : information ponctuelle -Vectorisation - Assignation des labels 9 Etablissement de la nomenclature Nomenclature sous forme d arborescence Espaces naturels et semi naturels Forêt Parcours Sable/plage Incultes Carrières Forêt dense Sable mouillé Sable sec Sol nu Roche nue Extr. sable Extr. autres matériaux Forêt claire Broussaille 1. Espaces naturels et semi naturels 2. Territoires artificialisés 3. Surfaces en eau et zones humides 4. Territoires agricoles 10 5

Exemple de produit d occupation du sol élaboré par photo interprétation Province d Agadir 11 Exemple de produit d occupation du sol élaboré par photo interprétation Carte de stratification au 1/50.000 de la province de Kénitra (Maroc) Légende Zones de cultures non irriguées Zones de cultures irriguées Plantations Forêt Parcours et inculte Grandes villes Légende Petites villes Villages (douars) 6

Carte de stratification au 1/50.000 de la province de Kénitra (Maroc) Légende Zones de cultures non irriguées Zones de cultures irriguées Plantations Forêt Parcours et inculte Grandes villes Légende Petites villes Villages (douars) Méthodes automatiques d extraction de l information Principales méthodes d extraction de l information thématique à partir des images satellitaires : création des néo canaux par combinaison multi bandes : - combinaisons de canaux, - Analyse statistique. Classification d images. - classification non supervisée, - classification supervisée. 7

Méthodes automatiques d extraction de l information Création de néo-canaux - La transformation des images est un procédé qui combine le traitement des données de plusieurs bandes spectrales pour compresser le nombre ou extraire de nouveaux canaux -Basée sur des opérations arithmétiques (addition, soustraction, multiplication, division) pour la transformation des bandes originales en de "nouvelles" images de manière à rehausser certains éléments moins évidents dans la scène originale. - l opération s effectue pixel par pixel Extraction de l information thématique contenue dans les bandes spectrales des images: ex. production de biomasse ou évolution de types d occupation du sol, déforestation, changement des cultures (soustraction entre deux images prises à des dates différentes) 15 Méthodes automatiques d extraction de l information Création de néo-canaux -La transformation des images est un procédé qui combine le traitement des données de plusieurs bandes spectrales pour compresser le nombre de ces bandes ou extraire de nouveaux canaux. -Basée sur des opérations arithmétiques (addition, soustraction, multiplication, division), cette opération transforme les bandes originales en de "nouvelles" images de manière à rehausser certains éléments moins évidents dans la scène originale. - l opération s effectue pixel par pixel -C est la création des indices 16 8

Calcul d indices statistiques - C est l opération la plus commune utilisée dans de nombreux domaines (géologie, écologie, agriculture,...) Il est basé sur le calcul de rapports spectraux : la division d images (le calcul de rapports entre deux bandes spectrales différentes) permet de rehausser les variations subtiles dans la réponse spectrale de différents types de surface, pour : Extraire l information thématique contenue dans les bandes spectrales des images: Ex. production de biomasse ou évolution de types d occupation du sol, déforestation, changement des cultures (soustraction entre deux images prises à des dates différentes) 17 Indice de végétation -La végétation : - réfléchit fortement dans le Proche Infra Rouge (Canal PIR) - et absorbe fortement dans le Rouge (Canal Rouge, R) -Les autres types de surface comme le sol nu et l'eau ont des réflectivités presque égales dans ces deux zones du spectre. Il est donc facile de différencier la végétation des autres types de surface en utilisant cette transformation 9

Avantage du NDVI : réduction de l effet de variation de l illumination du à la topographie Indice de végétation NDVI = (PIR - R) / (PIR + R), R = canal rouge, PIR : canal Proche Infrarouge Les valeurs sont comprises entre 0 et 1, 0 = sol nu (désert), près de 1 : très forte végétation, Avantage du NDVI : -Réduction de l effet de variation de l illumination du à la topographie -Meilleure taux de recouvrement et bonne estimation de la densité du couvert végétal (intensité de l activité photosynthétique) et de la biomasse (indication des rendements, détection des déficits hydriques, maladies) -Meilleure comparaison des indices pour chaque région donnée: facilité d analyse et d interprétation - Bon suivi de l évolution de la végétation et des stades phrénologiques 20 10

Indice de végétation (NDVI) Indice de végétation (NDVI) NDVI de la région SE de Bruxelles : TM4 (PIR) et TM3 (R) LANSAT TM: NDVI = (TM4 TM3) / (TM4 + TM3) 22 11

Indice de végétation Exemples d applications de combinaison de canaux pour la génération de l Indice de végétation NDVI = (PIR R) / (PIR + R) SPOT: NDVI = (XS3 XS2) / (XS3 + XS2) 23 Exemple d indice de végétation NOAA/AVHRR Avril 2009 12

Evolution des indices de végétation dans la région de Chaouia Doukkala 3 ème décade de février 08 3 ème décade de mars 08 3 ème décade d avril 08 Autres Indices Exemples d applications de combinaison de canaux : Indices de brillance: IB = (PIR² + R²) 0,5 C est un indice qui caractérise les sols (couleur, humidité, texture, structure) NDWI : Normalised Difference Water Index NDWI : (PIR IRC) / (PIR + IRC) NDWI = R(0.S6 um)- R(1.24,um)/R(0.86 um)+ R(1.24um) Il existe d autres indices : - Indice de minéralité - Indice de couleur -Indice de verdure de la végétation - 13

Indice de brillance Indice de couleur 14

NDWI Analyse statistique : Analyse en Composante Principale (ACP) C est une analyse statistique qui permet la réduction du nombre de bandes à traiter avec la création de nouveaux canaux (néocanaux) non corrélés. 15

A C P -L Analyse en Composantes Principales (ACP) est une opération effectuée sur plusieurs canaux, dans le but est d améliorer la qualité des images, de supprimer les redondances d informations et de compiler les données. -L objectif est de générer des axes ou composantes principales expliquant la position des individus au sein du groupe. Le résultat prend la forme de plusieurs nouveaux canaux, présentant un intérêt explicatif décroissant. Pour les images multispectralesà plus de trois canaux, l intérêt est de pouvoir afficher l ensemble de l image. L ACP permet de réduire le nombre des canaux à 3 de façon à pouvoir les superposer. Canaux A C P Le premier canal (ACP1), le plus intéressant, présente la radiance globale de l image, améliorant considérablement les contrastes. Ce canal, d une grande richesse thématique, est une bonne représentation synthétique de l image. Le deuxième (ACP2), rend compte des principales différences spectrales entre les canaux sources. Il est en général très bien adapté à l étude de la végétation et est assez fortement corrélé avec le canal proche infrarouge et dans une moindre mesure avec l indice de végétation normalisé. Le troisième (ACP3) est généralement constitué du bruit résiduel, et ne présente que rarement de l intérêt. Les pixels aberrants ou les défauts des capteurs, qui apparaissent sur ce canal, sont ainsi absents des deux autres. 16

CLASSIFICATION DES IMAGES 17

Classification - C est le procédé qui permet le regroupement des pixels homogènes en classes. -Chaqueclasseestidentifiéeparuncodeouunecouleur. -Le regroupement se base sur les statistiques et les caractéristiques spatiales et spectrales des pixels. - La classification a pour objectif de transformer les mesures radiométriques (CN) en des classes ayant une signification thématique. Exemple Image brute Image classifiée Classification PRINCIPE Chaque pixel de l image (A) est affecté à une certaine classe ou thème (eau, forêt, maïs, ) (B) en se basant sur les caractéristiques statistiques de la valeur de l'intensité du pixel. C est la reconnaissance de regroupements spectraux. -Regroupement des ensembles de pixels similaires (dans l espace à n dimensions) en classes distinctes 36 18

CLASSIFICATION DES IMAGES Processus de classification : Notion de classes : Classes spectrales: classes discriminées grâce à l information contenue dans les images Classes thématiques: les classes que l utilisateur cherche à séparer Le processus de classification est composé des étapes suivantes: 1. Choixdescanauxàutiliser 2- Identification et Etablissement des classes thématiques et des classes de signatures spectrales correspondantes(apprentissage spectrale) 3. Découpage de l espace spectral ou choix des distances(fixation des limites : mesurer les distances des signatures) a) distances circulaires (euclidienne, ) b) distances elliptiques (par blocs, quadratiques, par corrélation, ) c) distances coniques. 37 CLASSIFICATION DES IMAGES 4- Classification de chacun des pixels en fonction de sa signature spectrale /classes spectrale donnée: - Identification et Classement des pixels en fonction de leur valeurs numériques (leurs signatures spectrales) : identification de groupes homogènes de pixels (dans un espace à N dimensions) et regroupement en classes 5- Vérification des résultats : évaluation et amélioration N.B. - La classification est faite sur des données multi spectrales : elle utilise l'information spectrale contenue dans les valeurs d'une ou plusieurs bandes spectrales pour classifier chaque pixel individuellement Deux approches Connaissance a priori sur les signatures des classes Pas de connaissance a priori sur les signatures des classes Classification supervisée Classification non supervisée 38 19

Classification non dirigée : automatique - Pas d information a priori sur le terrain (pas d échantillons) -Aucune information sur les signatures spectrales n est communiquée à l ordinateur -Elle utilise généralement un algorithme de classification basé sur l analyse de l histogramme de l image dans les différentes longueurs d onde disponibles (analyse de la distribution de l ensemble des signatures spectrales des pixels de l image). Processus Classification non supervisée -L algorithme définit le centre des classes spectrales en fonction de leur densité de distribution -Regroupement des pixels sur la base des signatures spectrales similaires -Tous les pixels seront alloués à l une ou l autre classe en fonction de 39leur distance par rapport aux centres de classes Classification non dirigée Généralement l opérateur spécifie trois paramètres: Lenombredeclasses, L algorithme de classification, Le nombre d itérations. Validation: - accepte la classification -rejette la classification Redéfinit les paramètres Image Seuillage radiométrique des canaux de l image Interprétation des résultats: -assignation d étiquettes aux différentes classes (observations du terrain / documents exogènes). Algorithme de traitement (nuée dynamique, blocs, ) Avantage: rapide Inconvénient: basée exclusivement sur les signatures spectrales qui ne correspondent pas toujours à des catégories naturelles bien identifiées Image «classée» radiométriquement Affectation thématique 40 20

CLASSIFICATION SUPERVISEE Connaissance du Terrain (parcelles tests) Image Seuillage radiométrique des canaux de l image Algorithme de traitement (maximum de vraisemblance /approche probabiliste) (approche métrique) ( approche pixels purs,..) Echantillonnage Terrain/ Image Image «classée» thématiquement Validation de la classification Classification supervisée ou dirigée Classification supervisée : classification basée sur une méthode statistique, mais à philosophie déterminante 42 21

Classification dirigée L opérateur détient des connaissances a priori sur la nature des objets contenus dans l image. L opérateur communique ces informations à l ordinateur pour son apprentissage. L opérateur identifie des zones d entraînement sur l image: - Bien répandues sur l image, - Nombre suffisant de pixels / classe Classification supervisée L opérateur choisit un algorithme de classification: Méthode par hypercube Méthode par minimum de distance Maximum de vraisemblance 43 CLASSIFICATIONS Traitement Numérique des images Image d origine Image classifiée 44 22