Critères de qualité “a priori”

Afin de pouvoir signaler à l’utilisateur d’éventuelles erreurs de segmentation, on peut définir un indice de qualité a priori des parcelles segmentées. Puisque les contours réels de l’objet détecté ne sont pas connus, cet indice est basé sur des critères de forme7_{, tels} que l’aire de l’objet (équation 2.20), sa compacité (équation 2.21), son aire par rapport à celle de sa boite englobante (équation 2.22) ou le nombre de ses sommets (équation 2.23) :

C1 = A (2.20)

C2 = A/p2 (2.21)

C3 = A/Ab (2.22)

C4 = Ns (2.23)

avec A l’aire de l’objet, p son périmètre, Ab l’aire de sa boite englobante et Ns le nombre de ses sommets.

La valeur de l’IMO pour les méthodes ICO ou TFL ou la valeur a du pic dans le spectre de Fourier pour la méthode FGI peuvent également être des indicateurs de qualité :

C5 = a ou IM O (2.24)

La logique floue (Zadeh 1965) peut alors être utilisée de façon élémentaire pour combiner ces critères sans leur fixer de bornes strictes. Par exemple, si l’on peut dire

7

IMO (3) Période (2) Direction Masque Segmentation Image

1 objet 3 objets 4 objets

Fig.2.20: Processus de segmentation en trois étapes. 1) Segmentation de l’image d’indice motif orienté qui sert de masque pour l’image de la période ; 2) segmentation de l’image de l’orientation masquée qui sert de masque pour l’image de la période ; 3) segmentation de l’image de la période. L’ordre des deux dernières segmentations n’a pas d’importance.

que l’aire d’une parcelle cultivée a plus de chance d’être égale à 2 ha que 0, 1 ha, on peut difficilement fixer une valeur unique pour définir la taille minimale d’une parcelle. On peut alors dire que 0 ha ne peut pas être l’aire d’une parcelle (possibilité égale à 0 %) ; que 2 ha peut être l’aire d’une parcelle (possibilité égale à 100 %) et définir une fonction croissante entre les deux (par exemple 1 ha peut être l’aire d’une parcelle à 50 %). La fonction d’appartenance de chaque critère est alors composée d’un seul sous-ensemble flou, de la forme d’un trapèze ou d’un demi-trapèze (figure 2.21).

x₁ x₂ x₃ x₄ x1 x2 x3=x4=µ 0 1 0 1 C_i Ci

Fig.2.21: Sous ensembles flous.

correspondant, l’appartenance de l’objet à la classe recherchée est tout à fait possible. Les valeurs obtenues pour chaque critère peuvent alors être combinées pour donner un critère global de qualité a priori, défini entre zéro et un. Plus celui-ci sera proche de zéro plus les contours détectés auront un risque d’être erronés. Les fonctions d’agrégation des critères peuvent être, par exemple :

• min : tous les critères doivent être vérifiés (à plus de α % fixé) pour que l’objet soit considéré comme appartenant à la classe recherchée ;

• max : au moins un critère doit être vérifié ;

• moyenne : l’objet est considéré comme appartenant à la classe recherchée si, en moyenne, les critères sont vérifiés.

Dans les trois fonctions citées, les critères ont tous le même poids. La fonction max n’est pas adaptée dans notre cas car un seul critère ne suffit pas à définir un objet. L’avantage de la fonction moyenne par rapport à la fonction min est qu’elle permet d’exprimer le fait que si un critère n’est pas vérifié, il peut être compensé par un autre : tous les critères sont importants, mais il n’est pas nécessaire que tous soient vérifiés en même temps.

L’objectif des méthodes présentées dans ce chapitre était la détection dans une image, d’objets dont la texture est orientée et périodique. Ceci sans connaissance a priori de la position et de l’orientation des objets dans l’image.

Trois méthodes ont été développées à partir d’outils d’analyse texturale déjà éprou- vés dans d’autres applications. La principale originalité de ces approches réside dans le fait qu’elles fournissent les contours des objets sous forme de polygones (objets vec- toriels et non en pixels). Leur avantage conséquent est qu’elles ne nécessitent en entrée que l’image à segmenter et quelques caractéristiques des objets facilement disponibles (taille minimale et intervalle des périodes recherchées). Le paramètre principal des mé- thodes (taille de la fenêtre glissante ou du filtre de Gabor) pourra en outre être déduit de l’ordre de grandeur des périodes.

Les résultats obtenus sur une image de synthèse montrent que la première méthode, basée sur une analyse bidirectionnelle du contraste, permet une segmentation des objets ainsi qu’une classification de la direction de leur texture parmi quatre classes. Les deux suivantes, basées sur une analyse fréquentielle, fournissent – outre la segmentation des objets – une estimation précise de la direction et de la période de la texture.

Ces trois approches sont évaluées et comparées dans le chapitre suivant, dans le cadre de l’application à la détection des parcelles de vigne sur des images aériennes à très haute résolution spatiale.

Application à la détection des vignes

Introduction

Les méthodes élaborées dans le chapitre précédent sont appliquées ici à des images aériennes à Très Haute Résolution Spatiale (THRS) de façon à comparer leur potentiel pour la détection et la segmentation des parcelles de vigne. Ce chapitre est constitué de cinq sections :

1. On présente tout d’abord une des zones d’étude de la thèse ainsi que les données de télédétection ou relevées sur le terrain.

2. On décrit ensuite le protocole expérimental avec les différents tests qui seront mis en œuvre ainsi que la méthode de validation de la segmentation.

3. Ces premiers éléments de validation permettront de mettre en évidence les avan- tages et inconvénients des différentes méthodes pour la segmentation des par- celles. La précision de la caractérisation de l’orientation et de la distance inter- rang sera également discutée.

4. Une analyse de sensibilité est alors menée de façon à décrire les caractéristiques optimales des données de télédétection à utiliser et en déduire des conditions de généralisation des méthodes.

5. Enfin, on présente un exemple de généralisation à la détection des vergers, ainsi que la limite de la méthode pour la détection de vignes en courbes.