Application au cas réel

Nous allons appliquer les approches précédemment proposées à un sous-échantillon des

sé-ries temporelles présentées dans le chapitre2, dans Alpes (29 dates) et sur l’ensemble de la série

de l’Atlas marocain (24 dates). Nous pourrons ainsi observer les avantages proposés par la

mé-thode, les contraintes liées au nombre de dates successives disponibles et les potentielles

limita-tions associées non seulement d’un point de vue visuel mais également en utilisant une partie des

métriques définies dans le chapitre2.

Le jeu d’endmembers calculé sera utilisé pour estimer les abondances via les algorithmes

FCLSU, SUnSAL et ELMM et appelé par la suiteWm. Il est calculé en suivant l’algorithme présenté

dans la section précédente avec un nombre de dates maximumn=2 (soit en considérant au

maxi-mum les deux jours antérieurs à la date sur laquelle nous estimons le jeu d’endmembers). Dans

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

pondance des autres matériaux n’est pas connue. On peut observer une diminution notable des

fausses détections en plaine avec le jeu d’endmembersWm ce qui confirme que l’objectif d’une

meilleure représentation des matériaux d’arrière-plan est atteinte. La détection de la neige semble

cohérente, on observe cependant une variation entre ELMM et les deux autres abondances sur la

partie Sud-Est de la zone, sans explication particulière.

F

IGURE

3.11 – Comparaison visuelle entre les performances des différents algorithmes d’estimation des

abondances de neige (fraction de neige) et les jeu d’endmemberW

t

(haut) etW

m

(bas) pour l’estimation de

la neige sur la zone des Alpes.

Sur la zone du Maroc, le jeu d’endmembers issu de MODImLAB est naturellement moins

per-formant du fait de l’absence dans les endmembers de spectre lié au sable. Cependant nous avions

observé dans le chapitre 2 que l’ajout d’un tel endmember n’améliorait pas les résultats. Nous

pouvons observer sur la Figure3.12que le résultat est une large présence de fausses détections.

L’approche présentée permet de proposer un jeu d’endmember bien mieux adapté à la zone et

limitant considérablement ces problèmes. Les différences au niveau de l’estimation des

propor-tions de neige ne sont pas visuellement différentiables

Résultats quantitatifs

Les résultats quantitatifs (Table3.1permettent de montrer que la nouvelle approche proposée

améliore les résultats sur l’ensemble des deux zones étudiées. Les avantages sont plus marqués

avec SUnSAL qui prend appui sur une bibliothèque plus large que FCLSU qui est plus contraint.

ELMM améliore de base les résultats mais n’est pas autant favorisé par la nouvelle bibliothèque

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

F

IGURE

3.12 – Comparaison visuelle entre les performances des différents algorithmes d’estimation des

abondances et les jeu d’endmemberW

t

(haut) etW

m

(bas) pour l’estimation de la neige sur la zone du

Maroc.

T

ABLEAU

3.1 – Moyenne du RMSE et du RMSE

_snow

suivant le protocole du chapitre 2 pour les différents

produits neige issus des différentes méthodes d’estimations des endmember et des abondances présentées.

Alpes françaises Atlas marocain

RMSE RMSE

snow

RMSE RMSE

snow

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

par rapport à SUnSAL. Cet effet confirme le fait que nous adaptons une partie de la variabilité

spectrale avec le jeu d’endmembers proposé, ce qui limite l’ampleur des facteurs d’échelle utilisé

par ELMM. Ces résultats montrent une amélioration par rapport à la méthode MODImLAB qui

utilisait un seuillage pour éliminer les faux positifs. Les approches basées sur les bundles sont

désavantagées par la méconnaissance des classes produites.

Dans l’Atlas marocain les résultats sont similaires avec un gain de quasiment 30% sur le RMSE

ce qui correspond aux résultats visuels obtenus. FDN et AEB ont par ailleurs des difficultés à

ex-traire une classe neige sur ces zones ce qui amène certaines cartes à être totalement vides. Le

pourcentage de neige étant très faible, les résultats en RMSE peuvent devenir meilleurs que les

approches FCLSU avec le taux important de fausses détections. Le seuillage par MODImLAB reste

le meilleur moyen de supprimer l’ensemble des fausses détection et d’améliorer les résultats.

Ces résultats ne correspondent qu’aux cartes obtenues aux dates permettant d’avoir n=2.

Ce-pendant, la couverture nuageuse en montagne est fréquente et ne permet pas systématiquement

d’utiliser ce nombre d’images consécutives. Nous avons par conséquent comparé l’effet du nombre

associé à n sur les résultats de SUnSAL qui proposait les meilleurs résultats. Ces résultats sont

présentés dans le tableau3.2et permettent de visualiser le RMSE moyen en fonction du nombre

d’images successives utilisées. Le nombre de dates du jeu de données sur lequel il est calculé

dé-pend directement de la couverture nuageuse. Nous pouvons alors observer (Table3.2) que seul

l’utilisation d’au moins n=2 permet d’améliorer significativement les résultats. Le cas n=0 montre

que l’estimation uniquement sur la date d’intérêt ne permet pas d’isoler un jeu d’endmembers

cohérent avec la zone.

T

ABLEAU

3.2 – RMSE en fonction du nombre de dates utilisé pour calculer le jeu d’endmemberW

m.

WtSUnSAL WmSUnSAL

n=0 (30 dates) 0.178 0.212

n=1 (20 dates) 0.162 0.165

n=2 (15 dates) 0.159 0.136

n=2 (concaténé) 0.159 0.177

Cet effet, dû probablement aux artefacts, peut être observé en utilisant les 3 images successives

et en les concaténant. En utilisant les mêmes masques que sur la méthode originelle, le nombre

de pixels sur lequel est effectué l’estimation des endmembers est alors le même que pour le

cal-cul de l’erreur de reconstruction. Les résultats montrent que dans ce cas, le jeu d’endmembers

estimé sur cet ensemble de trois images ne permet pas d’améliorer les résultats par rapport au jeu

d’endmembers issus de MODImLAB.

Nous pouvons par ailleurs observer l’effet du calcul de l’erreur de reconstruction sur la

sé-lection d’un jeu d’endmembers approprié. Si nous utilisons K=100, nous pouvons observer le

résultat en RMSE de chacun de ces jeux d’endmembers s’il est utilisé pour estimer la couverture

de neige (Figure3.13). Les résultats présentés en Figure 13 montrent que l’ensemble des

estima-tions effectuées par VCA ne permet pas de bien représenter le milieu. L’erreur sur le RMSE peut

être doublée, ce qui confirme la nécessité de sélectionner un jeu d’endmembers. On observe

éga-lement que sur les dates oùn =2, l’ensemble sélectionné fait partie de ceux qui amènent une

erreur minimale du RMSE. Au contraire lorsqu’un nombre inférieur d’images successives est

uti-lisé, le jeu d’endmembers isolé est moins systématiquement celui amenant les meilleurs résultats,

voire pas du tout.

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

F

IGURE

3.13 – Ensemble des RMSE correspondant à chaque estimation faite par VCA (W

_k

) en fonction de

chaque dates (points rouges). Les cercles rouges correspondent auxW

_m

retenu via l’erreur de

reconstruc-tion. En abscisse la date avec en vert l’estimation effectué avecn=2, en orangen=1 et en rougen=0

3.6 Perspectives

Nous avons pu voir dans ce chapitre que les méthodes de démélange spectral dépendent

di-rectement du modèle d’observation utilisé. Dans le cas où un modèle linéaire est présupposé lors

de la réflexion des rayons du soleil au sol, le démélange spectral est vu comme une succession

de deux étapes. La première est la construction d’une bibliothèque de spectres correspondant à

la zone tandis que la seconde est l’estimation des abondances correspondant à chacun de ces

matériaux. Ce sont ces abondances qui seront au final utilisées dans les applications réelles pour

identifier et quantifier la présence de divers matériaux dans la scène choisie.

L’estimation de la bibliothèque de spectre est un point crucial de ces approches qui pose de

nombreuses difficultés liées à la représentation géométrique de cette image. Si un certain nombre

d’approches proposent d’estimer ces spectres représentatifs sur l’image, nous avons vu que les

résultats sont peu concluants sur des images hyperspectrales et d’autant plus problématiques sur

des images multispectrales. Ces dernières ne proposant qu’un faible nombre de bandes spectrales,

la contrainte du nombre d’estimations est importante. De plus la correspondance de ces

end-members estimés avec des matériaux réels est complexe. Une partie des applications utilisent en

conséquence une bibliothèque fixe, prédéfinie, de spectres correspondant aux matériaux

recher-chés. Dans ce cas la correspondance des spectres est connue mais l’adaptabilité à chaque scène

n’est pas assurée.

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

test, elle n’est pas dénuée de limitations. En premier lieu elle nécessite une hypothèse forte, celle

de la continuité temporelle de la scène. Si sur des images MODIS celle-ci peut être envisagée, des

images moins fréquentes telles que celles fournies par LANDSAT présenteront des difficultés à

rentrer dans cette hypothèse. Ensuite nous utilisons une série de masques pour isoler les zones

d’arrière-plan non contaminées par notre matériau cible. C’est ici une difficulté majeure qui

né-cessite une première estimation ou un zonage fait par l’opérateur. Si ces opérations ne sont pas

faites même grossièrement, il est possible que des pixels enneigés soient détectés comme étant

des spectres correspondant à l’arrière-plan, diminuant ainsi les performances de la méthode. La

seconde limitation importante est la surface occupée par ces masques. Si le masque

correspon-dant au matériau cible est trop important, ou si la zone est totalement ennuagée, la série

tempo-relle n’est plus utilisable, limitant la validité de l’approche.

Cette approche ne semble par conséquent pas utilisable en opérationnel, cependant dans

des cas spécifiques elle peut permettre d’améliorer sensiblement les résultats face aux méthodes

usuelles. La connaissance de ces techniques et limitations devrait permettre cependant

d’appor-ter une vision générale et de proposer une prochaine piste de recherche, non développée dans

ce manuscrit, qui consisterait à fixer un endmember dans le protocole d’estimation. Ce spectre

fixé, qui correspondrait au matériau que l’on recherche, deviendrait alors un sommet du simplex,

contraignant les autres estimations d’endmembers et limitant le risque d’un endmember mixte.

Cette approche a été partiellement testée lors de cours avec des élèves ingénieurs. Si celle-ci est

toujours en cours de test dans nos projets de recherche, elle semble prometteuse même si limitée

par la résolution spectrale du capteur.

Plus généralement les méthodes de démélange sont sensibles à la complexité du milieu. Plus

l’image est complexe, plus la difficulté sera importante pour estimer correctement les

endmem-bers et les abondances. L’estimation des endmemendmem-bers dépend directement, pour les méthodes

présentées ici, de la présence de pixels purs dans l’image. Sur les images proposées sur MODIS,

la résolution spatiale de 250 m limite considérablement la validité de cette hypothèse. De même

cette grande résolution spatiale augmente le nombre de matériaux possibles et par conséquent la

complexité de l’estimation des abondances. Si l’on additionne la variabilité spectrale et la faible

résolution spectrale, ces images sont extrêmement difficiles à traiter.

On peut alors se dire que l’utilisation d’images de plus haute résolution pourrait contrer ces

problèmes. Cependant si on étudie des images telles que celles issues de SPOT, le faible nombre

de bandes spectrales entraîne la détection de zones agricoles comme de la neige. Celles issues de

Sentinel-2 présentent une plus grande résolution spectrale, mais sont issues de deux capteurs à

des résolutions spatiales différentes. Il faut alors faire un choix entre la résolution spatiale et la

résolution spectrale. Il serait dès lors intéressant de combiner les particularités de chaque capteur

pour maximiser l’information disponible. On parle alors de fusion.

L’amélioration de nos méthodes d’observation semble alors dépendante de l’amélioration des

résolutions spatiales et spectrales. Celle-ci pourrait être effectuée via le lancement d’un nouveau

capteur adapté, au coût particulièrement important, ou à un traitement numérique des

informa-tions disponibles. Nous verrons dans le chapitre suivant les outils de fusion qui permettent

d’ef-fectuer ces opérations, nous montrerons les avantages que cela peut apporter sur la détection de

la neige mais nous proposerons également une nouvelle approche, très générale, permettant de

fusionner l’ensemble des capteurs imageant une même zone .

3.7 Conclusion

Nous avons pu voir dans ce chapitre l’importante complexité de l’application des algorithmes

de démélange spectrale, et plus généralement de la modélisation de l’observation. Plus

particuliè-rement dans le cadre d’images multispectrales, la faible dimension spectrale des images contraint

les algorithmes d’estimation des endmembers et des abondances. Face à la variabilité spatiale

et spectrale des matériaux évoquée dans le chapitre introductif, il est alors logique que ces

algo-rithmes soient limités, ce que montre bien nos expérimentations. De plus la qualité des images

CHAPITRE 3. LE DÉMÉLANGE SPECTRAL SUR DES IMAGES MULTISPECTRALES

et la présence d’artefacts ou de pixels mal définis limite manifestement l’utilisation des méthodes

classiques tel que AEB ou FDN adaptant la variablité spectrale par l’estimation des endmembers.

Si ELMM permet de l’adapter dans l’estimation des abondances, nous restons confrontés à la

né-cessité d’obtenir une base d’endmembers fiable.

Face à cette problématique nous avons proposé d’exploiter la série temporelle de ces images

multispectrales (rarement disponible pour des images hyperspectrales) afin de contraindre

l’es-timation des endmembers. En basant notre hypothèse sur le fait que le milieu n’évolue que

fai-blement entre deux images, ce qui est majoritairement valable pour les images MODIS, nous

pro-posons d’estimer les endmembers sur la date cible puis de tester leur pertinence sur les images

précédentes. Nous avons ainsi montré que lorsque plusieurs images successives sont

considé-rées (idéalement 3), le jeu d’endmembers isolé est plus fiable et permet de meilleurs résultats sur

l’image de neige. En cela nous répondons à la seconde question de ce manuscrit.

Malgré tout nous restons limité par la résolution spatiale de nos images. Pour cela nous

al-lons dans un dernier chapitre explorer et développer les outils de fusion pour les images

multis-pectrales afin de répondre à la troisième et dernière question de ce manuscrit : Est-il possible de

généraliser la fusion de données pour une acquisition multimodale à partir de capteurs optiques ?

Chapitre 4

La fusion d’images optiques

« Qu’est-ce que c’est que ce pays ?

C’est pas possible. Il fait au moins...

-8000 ! »

Numérobis - Astérix Et Obélix :

Mission Cléopâtre

Sommaire

4.1 Pourquoi fusionner ? . . . 96

Dans le document Fusion de données de télédétection haute résolution pour le suivi de la neige (Page 105-112)