III. Détetion de hangements à l'éhelle sous-pixelique 101
7.5. Comparaison ave des proédures statistiques lassiques
7.5.2. L'analyse de variane
Lemodèleaontrario(
H 0 (m)
)quenousonsidéronsonsiste,enunsens,àsupposerquel'imagen'estpasstruturée(elleorrespondàunelasseunique)etàs'étonnerdeluidéouvrirune
struture signiative, orrespondant à la lassiation de référene. Finalement, ette approhe
reposesurl'étudedesvarianesintra-lasses(leserreursquadratiques)relativementàlavarianede
l'image.Cepriniperappelleeluide l'analysede variane(ANOVA) [Saporta,1990 ℄ouramment
utiliséeenstatistique.Dansettesetion,nousproposonsd'envisagerladétetiondehangements
sous laforme d'uneanalyse de variane dansle but de omparer les deux approhes (ANOVAet
N F A
).L'analyse de variane (ANOVA) est une famille de modèles statistiques développée par
R.A. Fisherdanslesannées1920-1930 dontl'objetif estd'étudierl'inuene d'unou deplusieurs
fateurssurunevariablequantitative.Cetteméthodeesttrèsutiliséedanslesdomainesbiologiques,
médiauxetpharmaeutiquespouranalyserlasigniativitédeseetsd'unoudeplusieursfateurs
(parexemple,destraitements)surautantd'éhantillons.Ilexistediérentstypesde modèlesselon
lenombredefateursétudiés,etlanaturedesmodalités assoiéesaufateur(onparledemodèle
àeets xes,aléatoiresou mixtes).Danstousles as,l'analyse devariane peut être vueomme
une omparaison multiple de moyennes de diérents éhantillons onstitués par les diérentes
modalitésdesfateurs.Pournotreétude,nousnousintéressonspluspartiulièrementauasoù un
seul paramètre (appelé fateur) est suseptible d'inuersur les donnéesétudiées. Supposons que
e fateur puisse admettre
k
valeurs diérentes (les modalités). L'éhantillon de données global, de taillen
,peut êtredéomposéenk
éhantillonsdetaillen 1
,n 2
,...,n k
.Dansleasdumodèleà eets xes, les variables aléatoires qui modélisent les données orrespondant à la modalité
k
sont supposées indépendantes et de même loi
N (µ k , σ 2 )
. L'objetif est alors de déterminer si lavariabilité observée dans les données est uniquement due au hasard ou s'il existe eetivement
des diérenes signiatives entre les lasses, qui soient imputables au fateur. Il s'agitdon de
omparer les varianes empiriquesde haque éhantillonà lavariane de l'éhantillonglobal.
Le prinipe de laméthode de détetion de hangements quenous proposons est,en un
sens,assez prohed'uneanalyse de lavariane àeets xes,à unfateur. Cependant, e lien ne
peut êtreétabli quedansle ontexte où lalassiationet l'image observée (oulaséquene) ont
la mêmerésolution(i.e. sansproblème de désaggrégationde pixelsmixtes).En eet, leproblème
de la détetion de hangements HR peut être abordé en herhant à savoir si la lassiation
de référene a un eet sur l'image observée. Si la lassiation ontient
L
labels, l'image estonstituée d'unensemble de
L
éhantillonsde taillesn 1 , · · · , n L
orrespondanthaunàunlabeldonné.Chaquepixeldel'imageestassoiéàunseullabel,don
n 1 + · · · +n L = n
,oùn
représentelenombretotalde pixels(l'éhantillonglobal).L'analysedelavariane(ANOVAà1fateur)permet
d'évaluer les eets des
L
labels, omme s'ils orrespondaient à des traitements, sur les valeurs observées desn 1 , · · · , n L
pixels. Plus préisément, l'analyse de la variane onsiste à tester si la variabilité observée dans les données est uniquement due au hasard ou s'il existe eetivementdes diérenes signiatives entre les éhantillons, expliables par la lassiation. Les variables
aléatoires modélisant les données orrespondantes à haque label sont supposées indépendantes
et demême loi
N (µ l , σ 2 )
pour lelabell
.Il s'agitdeomparer lesvarianesempiriquesde haqueéhantillon à la variane globale de l'image. Les varianes empiriques sont de deux types : la
varianeintra-lasses(
σ intra 2
)quidéritlavariabilitéàl'intérieurd'unemêmelasseetlavariane inter-lasses(σ inter 2
)quidéritlesdiérenesentreleslassesetpeutéventuellementêtreexpliquée parla lassiation.Lavariane globalede l'image vautσ intra 2 + σ 2 inter
.Le test ANOVAonsisteà aepter l'eet de la lassiation sur l'image observée si le rapport pondéré de la variane
résiduelle (inter-lasses)sur la variane expliquée(intra-lasses) est signiativement trop grand.
Sous l'hypothèse
H 0 : µ 1 = . . . = µ L ,
la variable
R = σ 2 intra /(L − 1) σ inter 2 /(n − L)
suitlaloideFisher
F (L − 1, n − L)
etletestANOVApermetderejeterl'hypothèsenulled'égalité desmoyennes (i.e.d'aepter leseets delalassiation)quandle rapportR
est tropgrandparrapport auxquantiles de laloi
F (L − 1, n − L)
.Le modèle
N F A
déritsetion 7.2est déni àpartir de l'hypothèseH 0
et lamesureδ
.Ensupposant quelalassiationetl'imageobservée sontde mêmerésolution(i.e. tousles pixels
sontpurs),l'erreurquadratique
δ 2 (v D )
mesuréeentrel'observationetsonestimationpeutêtrevue ommelavarianeinter-lassesdumodèleANOVA(varianerésiduelle).Ilrevientdonàomparerla variane intra-lasses de haque éhantillon à la variane de l'éhantillon global (
δ 2 (v D )/σ 2
)alors quele prinipe de l'analyse de variane reposesur la omparaison des varianes empiriques
intra-lasses et inter-lasses à la variane de l'éhantillon global. Dans le adre de la détetion
de hangements à partir d'images BR, ette approhe n'est pas diretement utilisable. En eet,
l'analysede lavarianesupposede pouvoirdéomposerunéhantillonglobalendiérentsgroupes
dénis selon les modalitésdu fateur onsidéré (ii, selonles lasses). Cettedéompositionn'est
pas possibleà partir de donnéesBRdanslamesureoù lavaleur en haquepixelrésulte alorsdes
ontributions de plusieursmodalités.
Lamodélisationaontrarioaprouvésoneaitédansleadrede diversesappliations
de détetion(f.[Desolneux etal.,2003,Dibos et al.,2005 ,Cao et al.,2005℄).Sonutilisationest
motivée en grande partie par le fait qu'elle onduise à des méthodes de détetion réduites à
un unique paramètre :le nombre moyen de fausses détetion autorisé. L'objetif de ette partie
est d'explorer sonpotentielpour ladétetion de hangements de taillesous-pixelliqueà partir de
séquenesd'images.Pourela,nousommençonsparaborderertainsaspetsnumériquesliésàla
miseenoeuvredumodèleaontrariodéniauoursdeehapitre(f.hapitre8).Enpartiulier,
nousdérivonsles algorithmesmonotemporeletmultitemporeladoptéspourlareherhedu
sous-domainespatialsur lequellaséquene d'imagesest laplusohérente avelalabellisation.
La méthode de détetion de hangementsque nous proposons est basée sur la
dénition d'un ritère appelé nombre de fausses alarmes pour lequel nous onstruisons un
algorithmesuivantleprinipedel'éhantillonnagealéatoire(RANSAC)introduitenanalyse
d'images par [Fishler et Bolles,1981℄.
8.1. Problématique
EtantdonnéesunelabellisationHRetuneimageouuneséqueneBRdelamêmesène,
le nombre de fausses alarmes est déni, dans le as monodimensionnel, pour tout sous-domaine
spatialdu domaineimage par
N F A( | D | , δ(v D ), σ) = |D
BR| C |D | D |
BR
| Γ inc ( | D | − |L|
2 , δ(v D ) 2 2σ 2 ),
où, pour tout
x ≥ 0
eta > 0
,Γ inc (a, x) = Γ(a) 1 R x
0 e − t t a − 1 dt
. Dans le as multitemporel, une expression analogue est obtenue pour tout sous-domaine spatio-temporel (f. proposition 7.4.2).Un sous-domaineest alors déteté omme ohérent aveune labellisationdonnée s'ilorrespond
au sous-domainequiminimisele
N F A
.Cedernierdépendde lataillede l'image BR,dunombrede labels, de la tailledu sous-domaine
D
onsidéré, de l'éart-type du modèle naïf et du résidu quadratique umulésure sous-domaineδ 2 (v D ) = X
y ∈ D
v(y) − X
l ∈L
α l (y)µ(l)
! 2
.
Lehoixde l'éart-typedumodèlenaïfestdisutédanslasetion7.3,ilestxé égalàlavariane
empirique de l'image BR. De ette manière, nous nous attendons, en partiulier, à e que la
méthodenedéteteriendansuneimagedebruitblan.Touslesparamètresdu
N F A
s'obtiennent don diretementàpartir desdonnées,à l'exeptiondurésiduquadratiqueumuléquidépend delafamille
{ µ(l) } l ∈L
desmoyennesdeslasses,inonnueapriori.Ilestalorsnéessaired'estimerlesmoyennes
µ(l)
aratéristiquesdehaquelabell
avantde pouvoiralulerlesrésidusquadratiques pourunsous-domaineonsidéré,puisleN F A
quiluiest assoié.L'estimationde ettefamillede paramètreset de la détetion sont deux problèmes étroitement liés dans le sens où laqualité del'estimationinuene nettementellede ladétetion.
Lesméthodeslassiquesd'estimationtellesquelaméthodedesmoindresarrésherhent
à optimiser, pour une distane donnée, l'adéquation entre un modèle déni et les données. Par
exemple, laméthode desmoindresarrésestimeraitlafamille
µ
en résolvant leproblèmemin
µ ∈R L
X
y ∈ D
v(y) − X
l ∈L
α l (y)µ(l)
! 2
.
Cetypedeméthodesestextrèmementsensibleàlaprésenedepointsaberrantsdanslamesureoù
leurobjetifestdes'approherautantquepossibledelatotalitédel'éhantillon,partantduprinipe
qu'ilyauratoujoursassezdebonnesvaleursdansl'éhantillonpourmoyennerl'eetdeséventuelles
grandes déviations.Laprésened'un simplepoint aberrant quiseraitloinde lasolutionsuraità
biaiserfortementle résultatnal.Dans leontextede ladétetionde hangements en partiulier,
les pixels orrespondants à des hangements jouent le rle de points aberrants dans le sens où
leur utilisation pour l'estimation des moyennes risque de la perturber fortement. Les méthodes
robustes, tellesque les M-estimateurs,LMedSou RANSAC ont été introduitesdans l'objetif de
fairefaeàeproblème.LaméthodedesM-estimateurs[Zhang et al.,1994℄,parexemple,permet
une bonne estimation, même en présene de
50%
de pixels inorrets, en pondérant la distaneonsidérée. Le hoix de la pondération reste, ependant, déliat à déterminer. Le prinipe de la
méthode RANSAC (Random Sampling Consensus), proposée par [Fishleret Bolles,1981℄, est
d'utiliser un sous-ensemble de l'éhantillon aussi petit que possible et de le ompléter ave des
données onsistentes lorsque 'estpossible plutt que d'utiliserle plusde données possibles pour
obtenir une solutionetd'en éliminerensuite les mauvais points. Pluspréisément,supposons que
l'on séletionne au hasard un sous-ensemble desdonnées et que nous estimions les paramètres à
partirdeesous-ensemble.Parhane, ilpeutarriverquelesous-ensembleonsidéréneontienne
auun point inorret, l'estimation des paramètres est alors orrete est permet de partitionner
l'ensemble des données entre points orrets et inorrets. La stratégie RANSAC est basée sur
l'idée selon laquelle répéter ette proédure d'éhantillonnage aléatoire un grand nombre de fois
doitpermettred'obtenirunesolutionsatisfaisante.Cetteapprohe,introduiteenanalysed'images
par[Fishler etBolles,1981℄,permetunebonneestimationmêmeenprésenedenombreuxpoints
inorrets (environ
50%
).Cependant, elleest limitée,à sontour,parlehoix arbitraired'un seuilà partir duquel déiderqu'unsous-ensembleest en adéquationave lemodèleonsidéré.
Parailleurs,laminimisationdu
N F A
néessiteidéalementl'explorationombinatoirede tous les sous-domaines de l'image. Cette reherhe exhaustive n'est ependant pas envisageableen pratiquedanslamesureoù,mêmepouruneimagettede
256
pixels,ilfaudraitanalyser2 256 ≃ 1, 15.10 77
sous-domaines, alors que les images réelles ontiennent plutt de l'ordre de10 000
pixels haune. En remarquant que les sous-domaines pour lesquels l'estimation des moyennes
est meilleure sonteux pour lesquels les résidusquadratiques sont minimaux, nousproposons de
restreindre l'explorationaux sous-domainesséletionnésdans l'esprit de lastratégieRANSAC.
L'algorithme que nous adoptons pour la détetion repose don sur la ollaboration
entre le prinipe d'éhantillonnage aléatoire que nous venons de dérire et le ritère
probabi-liste du nombre de fausses alarmes déni dans le hapitre 7 de manière à s'aranhir du hoix
d'un seuil arbitraire de déision lors de la phase d'estimation des paramètres tout en réduisant
le nombre de sous-domaines à tester. Une ollaboration de e type a déjà été mise en oeuvre
par[Moisan etStival, 2004 ℄ pour ladétetion de rigiditéet l'estimationde lamatrie
fondamen-tale en vision stéréosopique. Cette méthode permetla détetionde rigiditéet l'estimationde la
matrie fondamentale lorsque les données ontiennent jusqu'à
90%
de points aberrants,perfor-manes très supérieures à elles obtenues jusqu'à présent par les meilleures méthodes robustes
dansunontextesimilaire[Torret Murray,1997 ,Salvi etal.,2001 ℄.Dansleadredenotreétude,
le
N F A
permetd'évaluer le degré de signiativitéd'un sous-ensemblerelativement àune label-lisation,etde déiderainsisilesous-ensembleleplussigniatiftrouvé parl'algorithmepeut êtreonsidéré ommesigniativementohérentavelalabellisation(
N F A << 1
) ou sie niveaudeohérene aurait puêtreobtenu parhasard.
Dans un premier temps, nous présentons setion 8.2 les algorithmes de détetion dans
les as monodimensionel et multidimensionnel, i.e. selon le nombre d'images BR utilisées. La
setion8.3abordeleproblèmedunombred'itérationsàeetuer,enpratique,demanièreàgarantir
une détetion ontenant un minimum de fausses alarmes. Pour nir, la setion 8.4 présente une
stratégiede séletionde sous-systèmesen vued'optimiser l'algorithme.
8.2. Algorithme
L'algorithme que nous proposons pour minimiser le
N F A
repose sur une exploration aléatoire dessous-domainesde l'image BR,gouvernée parlastratégied'éhantillonnagealéatoireadoptéepourl'estimationdesmoyennesdeslasses(f.8.1).Mêmesilesapprohes
multidimensio-nelleetmonodimensionellessonttrèsprohes,lefaitqu'unpixeldonnénesoitpasnéessairement
valide àtoutes les dates, dansle as multidimensionel, néessiteune approhe partiulière. Nous
présentons don, danslasetionsuivante,l'algorithmemonodimensionelavant d'aborderertains
aspetsspéiques aumultidimensioneldanslasetion8.2.2.
8.2.1. Cas monodimensionnel
Avant de reherher ledomainequi minimisele nombrede faussesalarmes,le alul du
N F A
néessitel'estimationdesmoyennesdeslasses.Dansl'espritdelastratégied'éhantillonage aléatoire évoquée setion 8.1, nous proposons, à haque itération, de séletionnerL
pixels dudomaine image, et d'estimer les moyennes
µ
à partir des valeurs de esL
pixels. Le système àrésoudre, alorsbien déterminé,est forméde
L
équations de typev(y) = X
l
α l (y)µ(l),
pourlesquellesles observations
v(y)
etlesproportionsde haquelabeldanslepixely
,α l (y)
,sontonnues. Cesystèmeétantdéterminéàpartirdutiragealéatoirede
L
pixels dansl'image,riennegarantit qu'il soit numériquement inversible (les
L
labels ne sontpas néessairement représentés parespixels).Dans l'objetifde pouvoir traiteraussiles systèmesnon-inversibles,nous utilisonslaméthode de déompositionen valeurs singulières(SVD f.[Presset al.,1988 ℄)pourestimer la
famille
{ µ(l) } l ∈L
quiorrespondàl'observationdesL
pixels.Cependant,nousverronsSetion8.4que la restritionde l'étude aux systèmes inversibles (et bienonditionnés) permet d'aélérerle
tempsde alul,lessystèmesnoninversiblesne onduisantgénéralementpas au
N F A
minimum.Une méthode derésolutiontelle queladéompositionLUest alorsplusindiquée.
La dénition du
N F A
repose sur la probabilité, pour un sous-domaineD
, d'observerune erreur quadratique partiulièrementfaible sous l'hypothèse
H 0
(modèlenaïf). Unefois ettefamille de moyennes estimée, l'erreur quadratique obtenue entre l'observation et l'estimationest
don aluléeen haque pixel
y
dudomaine, soitr(y) = v(y) − X
l ∈ L
α l (y)µ(l)
! 2
.
Le aluldu
N F A
assoiéàunsous-domaineD
sefaitalorsdiretementàpartirdes paramètresliés aux images entrées et de la somme des erreurs quadratiques obtenues pour tous les pixels
de
D
.Cependant, la propositionsuivante permetd'optimiser lareherheduN F A
minimum enremarquant que, pouruneimagedonnée, le
N F A
nedépendpas diretementd'un sous-domaineD
mais seulement de son ardinal et, de manière monotone, des erreurs quadratiques umulées sur le sous-domaineD
(P
y ∈ D r(y)
).Proposition 8.2.1 Notons, pour
D ⊂ D
BR,δ 2 (v D ) = P
y ∈ D r(y)
. SiD
BR= { y i } i=1... |D
BR|
etpour tout
(y i , y j ) ∈ D 2
BR,on a
i ≤ j ⇔ r(y i ) ≤ r(y j )
,alorsarg min
D ⊂D
BR|D|=q
N F A( | D | , δ(v D ), σ) = { y 1 , · · · , y q } .
Démonstration.
Si
r
est ordonnéalors pour toutD ∈ D
BR,δ 2 (v D ) ≥ δ 2 (v { y 1 ,y 2 , ··· ,y |D| } )
. LafontionN F A
étantroissanteen
δ
,sonminimum estobtenu pourle sous-domaine{ y 1 , · · · , y q }
.2
En triant les résidus quadratiques par ordre roissant, il sut don de onsidérer haque
sous-domaine dansl'ordrede sesrésiduspour minimiserle
N F A
.En eet, rappelonsque ladénitiondu
N F A
assoié à un sous-domaineD
repose sur la probabilité que le résidu umulé observé soit partiulièrementfaible pour l'hypothèse aontrario(H 0
), i.e.inférieure àunertainδ 2
,et siδ 2 1 < δ 2 2
, alorslaprobabilitéque lerésiduumulé soitinférieur àδ 1 2
estinférieure àellequ'ilsoitinférieur à
δ 2 2
.L'itération de e proessus un grand nombre de fois permet une exploration aléatoire
des sous-domaines, et la reherhe du
N F A
minimum se faitsur toutes es itérations. Le sous-domainequiminimiseleN F A
estalorseluiquiestleplusohérentavelalabellisation,i.e.elui quirejette lemieuxl'hypothèse naïve.L'algorithme3utilise,en entrée, unelabellisationHR, uneimage BR, et admet pour unique paramètre le nombre totald'itérations. Il permetd'obtenir, en
sortie,lesmoyennesdeslassesassoiéesau
N F A
minimalobtenu,lavaleurduN F A
minimaletlesous-domaine
D ⊂ D
BRorrespondantauN F A
minimal,i.e.pourlequell'imageestohérenteave lalabellisation.
Assigner
σ
àl'éart-type de l'image.Initialiser
δ min 2
etN F A min
à+ ∞
.Itérer
N
fois1. tireruniformément etindépendament
L = |L|
pixelsy
deD
BR,2. estimerlafamille
µ
desmoyennes des labels àl'aidedeséquationsv(y, µ) = X
l ∈L
α l (y)µ(l),
formées poures
L
pixels,3. alulerl'erreurquadratique
r(y) = (v(y) − P
l ∈L α l (y)µ(l)) 2
,pourtouty ∈ D
BR,4. trier
D
BR en un veteur(y i ) 1 ≤ i ≤|D
BR
|
selon l'ordre roissant des erreursobtenuesr(y i )
:les
L
premièresaumoinssontnulles.5. initialiser
δ 2 = P L
i=0 r(y i )
(i.e.δ 2 = 0)
,6. pour haque indie
i = L + 1
ài = |D
BR|
,ajouter à
δ 2
l'erreurrésidueller(y i )
dupixely i
,si 'est laplus petitevaleur obtenue sur toutesles itérations, à taillede domainetesté
égale( si
δ 2 < δ 2 min [i]
), alorsmettreàjour
δ min 2 [i]
,aluler lavaleurdu
N F A
orrespondante,si e
N F A
est lemeilleurobtenujusqu'àprésentpourundomainedeette taille,(siN F A[i] ≤ N F A min
) alorsmettreà jour
N F A min
etsauvegarderl'ensembleD = { y k } k=1..i
.n si
nsi
7. npour
nitérer
Algorithme 3: Minimisationdu
N F A
dansleas monodimensionnel.8.2.2. Cas multidimensionnel
L'expression multidimensionnelledu nombre de fausses alarmes (7.4.53) est analogue à
elle obtenue dansle as monodimensionnel. Cependant, il n'est pas envisageable d'adopter une
approhe séquentielle (omparaisondes
N F A
minimauxobtenus séparément avel'algorithme3 pour haque image) pourdéteterles hangements sur une séquene d'images.En eet,lesous-domainespatialorrespondantàl'argumentdu
N F A
minimalaluléséparémentpourhaquedaten'estpasrévélateurdeshangementsquiapparaissentsurlesautresimagesdelaséquene.Cetype
d'approhe pourrait davantage êtreutilisédans le but de déterminer quelleimage de laséquene
est la plus ohérente ave la labellisation de référene que pour la détetion de hangements
dans unadre spatio-temporel,où deshangements sontsuseptiblesde seproduire àdiérentes
dates sansêtrevisiblessurlesautresaquisitions.Toutefois,unraisonnementsurl'intersetiondes
domaines les plussigniatifs obtenus séparément à haquedate pourrait êtreenvisagé,bien que
lourd àmettreenoeuvrelorsquel'ensembledespixelsvalidesestdiérentàhaquedate.Deplus,
dans leontexte de ladétetion de hangements de type d'oupationdu sol,ilest néessairede
onsidérer l'évolution temporelle des intensités et, don, d'analyser la séquene multitemporelle
dans son ensemble plutt que séparément pour haque date. Par onséquent, nous proposons
d'utiliser l'expressionmultidimensionnelledu
N F A
dans leadre d'uneapprohe vetorielle pourdéteter le domaine spatio-temporel des hangements. Plus préisément, il s'agit de onsidérer
haque point de la grille spatiale de manière vetorielle, et de minimiser le
N F A
à partir desdiérenesvetorielles.Danse as,siunpixelestinorretsuruneimage, ilestrejetépourtoute
la série.
L'approhe vetorielle peut aussi être utilisée, par exemple, pour les images
multispe-trales où haque image admet le même domaine de dénition. Dans le as multitemporel, pour
une date onsidérée, lavaleur observée n'est généralement pas utilisableou aessible pour tous
les pixelsdu domaine. Deplus, l'ensembledes pixelspour lesquels les valeurs sontaberrantes ou
manquantes varieselonles datesd'aquisitions.L'approhevetoriellene peut donpasêtremise
en oeuvrediretementàpartirde l'algorithme3dansleas de séquenestemporelles,àmoinsde
restreindrel'étudeaudomainespatialsurlequellesvaleursaquisessontvalidesàtouteslesdates.
Ledomained'analyserisquealorsd'êtreonsidérablementréduit.Enrevanhe,nousproposons(f.
algorithme4) une variante de l'algorithme3 adaptée à l'utilisationd'un domainespatio-temporel
restreint aux pixelsorrets,domainevariableselonles dates etpixels onsidérés.
Dans et objetif,rappelons les notationsde la setion7.4pour dénirles domainesde
validité. Si
T
représente l'ensemble des dates d'aquisition des images de la séquene, etD
BRle domaine image, le domaine spatio-temporel sur lequel les données sont valides est alors un
sous-domaine de
D
BR× T
, notéΩ
.Notre objetif est alors de déteter dans quel sous-domaine spatio-temporelω
du domaine valideΩ
la séquene d'images BR est enore ohérente ave lalabellisation haute résolution. L'algorithme est très prohe de l'algorithme 3 dérit pour le as
monodimensionnel, ave quelques diérenes spéiques prinipalement dûes au fait que les
do-maines spatiaux validesne soientpas identiques àhaque date.Pour tout pixel