III. Détetion de hangements à l'éhelle sous-pixelique 101
9. Performanes théoriques 153
9.4. Etude en fontion du fateur de résolution
En vue d'étudier pluspréisémentl'évolutiondu nombre de fausses alarmes en fontion
dufateurderésolutiononsidéré,nousherhonsàdénirlavarianed'uneimageBRenfontion
de sa résolution.
Le fateur de résolution entre deux images
u
etv
peut être vu omme un fateur dedégradation spatiale,ouenore entantque taillede fenêtre danslesquelsl'image
u
estmoyennéepour obtenir
v
. Ainsi, plus le fateur de résolution est fort, plus l'imagev
apparaît lisseompa-rativement à l'image
u
,i.e. plus la variane dev
est faible devant elledeu
. D'un point de vueplus onret, onsidérons une image
u
représentant une sène agriole, à une résolutiondonnée, susament bonne pourpermettrede distinguerlesparelles.Soituneimagev
delamême sène,plusle fateurderésolutionentre
u
etv
estfort,plusles pixelsdel'imagev
sontmixtes,i.e. plusleslabelsreprésentésdansunpixelsontsuseptiblesd'êtrenombreux.L'évolutiondelavarianeen
fontiondufateurdedégradationvientdonnonseulementdumoyennagedubruitmaisaussidu
mélange des motifsprésents dansl'image.Reprenonsle modèled'imageadopté setion9.1 selon
lequel une image quelonque
u
peut être onsidérée omme la somme de deux imagesindépen-dantes, l'une ontenantl'informationgéométrique(
I
),onstanteparmoreaux, etl'autre lebruit(
b
)supposégaussien.Notonsu = I + b.
Soient
N = |D |D
HR|
BR
|
le rapport de résolution onsidéré,u(N )
,I (N )
etb(N )
respetivement les imagesu
,I
etb
dégradées d'un fateurN
etσ 2 u(N )
,σ I(N) 2
,σ 2 b(N)
,σ 2
,σ (I) 2
etσ (b) 2
les varianesrespetives desimages
u(N )
,I(N )
,b(N )
,u
,I
etb
.Les imagesI
etb
étantsupposéesindépen-dantes, les images
I(N )
etb(N )
le sont aussi et la variane deu(N )
est égale à la sommedesvarianes de
I(N)
et deb(N )
,donσ u(N) 2 = σ 2 I(N ) + σ b 2
N .
(9.4.26)Dupointdevuedel'appliation,l'image
I
estsuperposableàlalabellisationave,parexemple,la valeur en haque pixelégale à lamoyenne dulabelorrespondant. Mêmesi e n'est pas réaliste,supposons dans un premier temps que haque label est équidistribué. La variane de l'image
I
dégradée vautalors
σ 2 I(N) = σ I 2
N ,
(9.4.27)et,don, lavarianede l'image
u
dégradéevaut simplementσ u(N) 2 = σ 2
N .
(9.4.28)Commedanslasetion9.1,eshypothèsespermettentd'érirelerésiduquadratiquemoyensurun
sous-domainede taille
k
souslaformeδ 2 k = k σ b(N) 2 = k σ N b 2
.D'après l'équation(9.1.2) ,lenombrede fausses alarmes assoié à une image de variane
σ u(N 2 )
, pour un sous-domaine dek
pixelsontenu dans undomainede
n
pixels,dépend durapport2σ δ k 2 2
i.e., aveesdernièreshypothèses, du rapportδ 2 k
2σ u(N 2 ) = k σ N 2 b
2 σ N 2 = kσ b 2
2σ 2 .
(9.4.29)Par onséquent, dans le as où les labels sont équidistribués, le fateur de résolution n'a pas
d'inuene sur lenombre defausses alarmes.
En pratique, les lasses sont en général très inégalement représentées dans une image
en observationde laTerre(parexemple,eau trèsminoritaire,forêtmajoritaire, et.).L'hypothèse
selon laquelleles lassessontéquidistribuées n'est donpas vériée habituellement etle mélange
deslassespeutêtretrèsvariabled'unpixelàl'autre.Parlasuite,noustentonsdedénirl'évolution
de lavarianeenfontiondufateurderésolutiond'unemanièreplusréaliste,àpartirde l'analyse
empiriques d'imagesréelles.
Pour ette analyse, nous onsidérons, en tant qu'images de résolution maximale (
u
),des images de fration de ouvertalulées sur desimages Spot/HRV de laplaine du Danube.
Rappelonsquelafrationdeouvertestunparamètrelinéaireenfontiondelarésolution.L'analyse
est réalisée à partir de siximages aquises àdes dates diérentes : les15 et 31 Otobre 2000,le
22 Février, 18 Avril, 06 Juin et 05 Juillet 2001. Chaque image a été dégradée spatialementpar
moyennage par blosde taille
√ N × √
N
,pour√
N ∈ J1..80K
.En eet, lavarianed'une imaged'une même sène peut êtretrès variable d'unedate àl'autre dans lamesureoù le signal envoyé
par un type d'oupation du sol peut être très diérent selon les dates et partiulièrement les
saisons et, de plus, ertaines lassespeuvent apparaître ou disparaître au ours dutemps faisant
ainsi varier le mélange des lasses au sein d'un pixel BR. La gure 9.2 présente l'évolution des
éart-typesde haqueimage en fontiondufateurde résolution
N
onsidéré.Remarquons que l'évolution des éart-types des diérentes images est relativement
si-milaire, aveun niveau plusou moinsélevé selonla date d'aquisition. Pluspréisément, sur et
éhantillon, la valeur de l'éart-type diminue à l'approhe de l'hiver, jusqu'à environ
0.1
enFé-vrier, puisaugmente à l'arrivée de l'étépour atteindre une valeur d'environ
0.27
en Juillet. Pourhaque image onsidéré, l'éart-type diminue de moinsen moinslorsque le fateur de résolution
N
augmente. En eet, ildiminue d'environ0.05
entre le fateurN = 1
etN = 20 × 20
,puis àpeu près d'autantentre
N = 20 × 20
etN = 80 × 80
.Modéliser ette fontion nous permettrait de dénir un modèle réaliste de la variane
d'une image en fontion du fateur de résolution
N
, et de l'introduire dans l'expression duN F A
(9.1.2) .Le nombre de fausses alarmes adopteraitalorsvraisemblablement pour paramètre le fateurde résolutionN
,e quinouspermettraitd'étudier soninuene surla détetion.0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60 70 80
05/07/01 06/06/01 18/04/01 22/02/01 31/10/00 15/10/00
Rapport de résolution
Ecart−type de l’image
Fig. 9.2.:Evolution de l'éart-type en fontion du fateur de résolution. Eart-type alulé sur
des images de fration de ouvert de la série ADAM (éhelle SPOT), et sur leurs
dégradations spatiales pour des fateurs allant de
1
à80
. Les ourbes sontrelative-ment superposables. Imageaquise le 15/10/2000 en marron (jaune), le 31/10/2000
en rouge, le 22/02/2001 en turquoise, le 18/04/2001 en vert, le 06/06/2001 en bleu
et le05/07/2001 en mauve.
L'objetifde ehapitreestd'évaluerempiriquementlesperformanesetlimites
de ladétetionen fontiondesdiérents types dehangementssuseptiblesd'apparaître
dans une image BR. Ce hapitre présente plusieurs expérienes réalisées à partir de
données simulées. La partie IV sera ensuite onsarée à la présentation des résultats
obtenus dans des as réelsd'appliations.
10.1. Evaluation de la performane des résultats
La méthode dérite dans le hapitre 7 a été développée dans l'objetif de déteter un
ensemble de pixels BR ohérent ave une labellisation HR donnée. Les pixels détetés par ette
méthode doiventdonorrespondreaux pixelsde l'imagequisontsanshangement parrapportà
la date de référene à laquellelalassiation a été réalisée.Le omplémentairede et ensemble
représentealors l'ensembledespixelsorrespondants aux hangements.
L'évaluationquantitativedesperformanesestdéliatedansleasréelàpartirdumoment
oùelledépenddelavéritéterrain,diileàétablir.Deplus,lesdiérentstypesd'erreursde
déte-tionquipeuventseproduiren'ontpasnéessairementlamêmeimportaneselonl'appliation.Pour
s'aranhir du problème de la vérité terrain, l'analyse des performanes est réalisée uniquement
sur desdonnées simulées (f. setion 10.2).L'évaluation quantitative des performanes est alors
réalisée en omparant les pixels détetés omme ohérents ave la labellisation (dits struturés)
aux pixelsorrespondanteetivementàlalabellisationd'aprèslavéritéterrain.Pluspréisément,
ils'agitdeompterlenombredepixelsdétetésàtortetlenombrede détetionsmanquées.D'un
point de vue statistique, es erreurs peuvent être vues omme des erreurs dites, respetivement,
de type
1
et2
, en dénissant l'hypothèse nulledu test par :'le domaineD
n'est pas struturé'.De manière plusgénérale, laméthode réalise une erreur de type
1
lorsqu'elle rejette l'hypothèse nulleàtort(fauxpositif),etune erreur detype2
lorsqu'ellel'aepte àtort(fauxnégatif).Dans e hapitre,notons qu'un pixelest dit déteté lorsqu'ilest déteté parla méthode a ontrario. Ilne s'agitdon pas d'un pixelreprésentant unhangement mais, au ontraire,d'un pixelohérent
avelalabellisation.L'analyseempiriquedesperformanesestfondéesurl'évaluationdesquantités
suivantes, trèsutiliséesdanslalittérature pour e type d'étude.
Dénition 10.1.1 (Positifs) L'ensemble des positifs est l'ensemble des pixels détetés omme
ohérents avelalabellisation de référene.
P P P P
P P P P
P P
Déision
Vérité
sanshangement (A+C) avehangements (B+D)
sanshangement vraispositifs(A) faux positifs(B)
(A+B) nombre de pixelsstruturés nombrede pixels nonstruturés
etdétetés omme tels et détetésomme struturésàtort
avehangements faux négatifs vrais négatifs
(C+D) (C) (D)
Tab. 10.1.:Réapitulatifdesdiérents typesd'erreurs.
Lespixelspositifsorrespondentdonauxpixelsdétetéssanshangements.Ladénitionsuivante
permetde distinguer,parmilespixelspositifs,euxquiont étédétetés àtortde euxquiontété
détetés àraison.
Dénition 10.1.2 (Vrais positifs) L'ensembledesvraispositifsestl'ensembledespixelspositifs
qui sont,en réalité,ohérents avelalabellisation.
Du point de vue de l'appliation, l'ensemble des vrais positifs orrepond à l'ensemble des pixels
détetés ommeohérents avelalabellisation(i.e. sanshangements)etquilesonten réalité.A
l'inverse, les faux positifs orrespondent aux pixels positifsi.e. détetés par le
N F A
omme despixels sans hangement, mais quine orrespondent pas en réalitéà la labellisation de référene.
D'unpointdevuethématique,lesfauxpositifssontgénéralementappelésnon-détetions puisqu'il
s'agit des pixels de hangement non détetés. De la même manière, nous dénissons l'ensemble
des négatifs.
Dénition 10.1.3 (Négatifs) L'ensembledesnégatifsestl'ensembledespixelsnondétetés,i.e.
onsidérés omme non-ohérents avelalabellisation.
Les pixelsnégatifssont don supposés orrespondre aux pixels de hangements. Dans l'ensemble
desnégatifs(pixelsnon-détetés), ilfautdistinguereuxquin'ontpas étédétetés àraison(vrais
négatifs) de euxpour lesquelsladétetion àéhoué (fauxnégatifs).
Dénition 10.1.4 (Vrais négatifs) L'ensembledesvraisnégatifsestl'ensembledespixels
néga-tifs quiorrespondent eetivementàdespixels de hangements.
Al'inverse,lesfauxnégatifsorrespondentauxpixelsnégatifsqui,enréalité,sontohérentsavela
labellisationet,paronséquent,auraientduêtrepositifs.Letableau10.1présenteunréapitulatif
de esdiérentstypesd'erreurs.
Lanotiondefauxnégatifs(ouerreursdetype
2
)etdefauxpositifs(erreursdetype1
)esttrès utilisée dansla littérature. IntroduiteparNeyman et Pearson [Neyman etPearson, 1967 ℄ en
1930,elleestadoptéeenstatistiquesmaisaussidansleadredenombreusesappliations(analyses
médiales, reonnaissane de formes,reherhe dansdesbasesde données, et.).Le pourentage
de faux positifs(
nombredefauxpositifs
nombretotaldepositifs
× 100 = A+B B × 100)
, parexemple, permet de quantier lepourentage de pixels détetés à tort par rapport au nombre total de détetions. Cependant, il
peut être intéressant d'analyser les diérents types d'erreursrelativement à la réalité plutt que
relativementàl'ensembledesdétetionsounon-détetions.Eneet,pardénition,lesfauxpositifs
font partie des pixels de hangements, en réalité, et les faux négatifs font partie des pixels sans
hangements.Cetteremarquenousinviteàonsidérerlepourentagedefauxnégatifsrelativement
àla vérité
nombrede faux négatifs
nombre réelde non-hangements
× 100 = C
A + C × 100
(10.1.1)et lepourentagede faux positifsrelativementàlavérité
nombrede faux positifs
nombreréel de hangements
× 100 = B
B + D × 100.
(10.1.2)Dans e hapitre, nous réalisons une série d'expérienes à partir de données simulées
omme dérit dans la setion 10.2. Intuitivement, les deux prinipaux fateurs suseptibles de
perturber la qualité de la détetion sont, d'une part, la présene d'un trop grand nombre de
pixels de hangements dansl'image et,d'autre part, le taux d'oupation d'un hangement dans
le pixel BR onerné. Nous analysons l'évolution des diérents types d'erreurs obtenus selon le
nombredepixelsohérentsavelalabellisation(sanshangements)quisontprésentsdansl'image
BR (setion 10.3), puis selon la surfae d'impat d'un hangement dans un pixel BR dans la
setion 10.4.
Pour haque expériene réalisée, nous présentons le pourentage d'erreursobtenues au
total et en distinguant les faux positifs des faux négatifs, puis les pourentages de faux négatifs
relativement au nombre réel de pixels sans hangements, et les pourentages de faux positifs
relativement aunombreréelde pixelsde hangements.
10.2. Simulation des données sans hangements
Les images utilisées dans e hapitre ont été simulées en utilisant des aratéristiques
géométriques issues d'un extrait de taille
256 × 256
d'une image Spot/HRV de la plaine duDanube 1
.Cetextraitaétésegmentéen100régionsparlaméthodede[MumfordetShah, 1989 ℄à
l'aided'un algorithmede roissanederégions[Koeper etal., 1994℄(modulesegtdulogiielde
traitementd'imagesMegaWave2 2
).Unlabel
l ∈ { 0, 1, · · · , 9 }
aensuiteétéattribuéaléatoirement àhaque région.L'image ainsiobtenue estappeléelabellisation(.f.gure10.1),etsa résolutionorrespondàelledesimagesHR que nousutilisons.
Apartirde ettelabellisation,uneimageHRest simuléepartiragealéatoire,en haque
pixel,selonuneloinormale paramétréeen fontiondulabelorrespondantaupixelonsidéré.Une
1
ImagedelasérieADAM(AssimilationdeDonnéesetAgro-Modélisation)miseàdispositionparleCNES.
2
Logiielgratuitdetraitementd'images,f.http://www.mla.ens-ahan.fr/ Cmla/ Mega wave/
moyenne
µ l
estassoiéeàhaquelabell
,µ l ∈ { 0, 0.1, · · · , 0.9 }
,etl'éart-typedehaquelabelest xée en général à0.05
(i.e. lademi-distane inter-lasses). Une imageobtenue de ette manière est présentée gure10.1pourles éarts-typeσ = 0.05
,etσ = 0.1
.L'imageBRrésultedumoyennageparblosdetaille
N
del'imageHR.Sousl'hypothèse selon laquelle les pixels sont des arrés adjaents, l'image HR est supposée prendre des valeursonstantesdanshaquearré
1 × 1
,etl'imagemoyennéeadmetenhaquepixellavaleurmoyennede l'image HR obtenue sur le arré
√ N × √
N
orrespondant. Lagure 10.1, à droite,présente uneimageBRsimuléeàpartird'uneimageHR obtenuepartiragegaussiend'éart-type0.05
puismoyennage parblosde taille
16 × 16
.(a) Labellisation. (b) HR
σ = 0.05
. ()HR,σ = 0.1
. (d) BR,σ D
HR= 0.05
.Fig. 10.1.:ImagesHR simuléespartiragegaussienàpartirde lalabellisation (a),aveun
éart-type
σ = 0.05
(b) etσ = 0.1
(). L'image BR (d) est obtenue par moyennage del'image HR (b)parblosde taille
16 × 16
.Les images ainsisimulées sont,paronstrution,ohérentes avelalabellisationutilisée
pour la simulation. Pour analyser les performanes de la méthode de détetion, nous proposons
d'introduiredeshangements surles imagessimulées.
10.3. Inuene du nombre de pixels sans hangement
Dansette setion,nous proposonsde testerlarobustessede laméthodeen fontionde
laproportiondepixelstouhéspardeshangementsdansl'imageBR.Engénéral,lesméthodes
dé-veloppéespouretyped'appliationsnepermettentpasdedéteterleszonesdehangements dès
que lenombretotalde pixelstouhés pardeshangements onerne uneparttropimportantedu
nombretotaldepixelsde l'image.Parexemple,laméthode de[LeHégarat-Masle etSeltz,2004 ℄
pour ladétetionde hangements surdesimages BRatendaneàdéteterdes hangementssur
tousles pixelsdel'image dèsqueelle-iontientplusde
20
à30%
de pixelsde hangements.Ce type de onguration se produit en réalité si les hangements ouvrant la totalitédes pixels BRsont nombreux, mais aussi s'ilmanque une des données (par exemple, si le hamp de vision du
satelliten'estpasexatementidentiqued'unepériodeàl'autre)ousilavaleurmesuréeenertains
pixels est aberrante(nuages, problèmesde apteur, et.).
Dansetobjetif,nousommençonsparprésenter lamanièredontleshangements sont
introduitssur lesimagessimulées(setion 10.3.1),puisnousdérivons lesexpérienesréaliséeset
les résultatsobtenus (setion 10.3.2).
10.3.1. Simulation des hangements
Lenombrede pixelsutilisablesdansuneimagepeutnettementdiminuerselonlaposition
dusatellited'uneaquisitionàl'autre,ainsique,parexemple,avel'apparitiondenuagesouvrants,
ou de hangements de type de ouvert aetant toute la surfae d'un pixelbasse résolution. De
plus, selonles paramètresd'aquisition (date,heure, bande spetrale,et.) etlasène étudiée,le
ontrastedel'imagevarieetsonanalyseestplusoumoinsévidente.Danslehapitre9,nousavons
misenévidenel'importaneduniveaude ontrastedel'imagepourladétetiondehangements,
où le ontraste est déni par le rapport signal sur bruit de l'image. Dans ette setion, nous
proposons d'analyser la performane de la méthode en fontion du nombre total de pixels sans
hangements présents dans l'image pour diérents niveaux de ontraste xés, à partir d'images
simulées omme dérit dans la setion 10.2. Plus préisément, nous expérimentons la méthode
surdesimages BRrésultantesdumoyennage spatiald'imagesHRsimuléesomme déritdansla
setion 10.2aveles éart-typessuivants:
σ = 0
, i.e. image onstante par moreaux (suivant la labellisation) à valeurs dans l'ensembledes valeurs moyennes{ 0, 0.1, · · · , 0.9 }
.
σ = 0.05
,i.e. lademi-distaneinterlasses.
σ = 0.1
,i.e. ladistane interlasses.Leséart-typesnulsouégauxà
0.1
orrespondenttypiquementàdesaslimitespourl'appliation.En eet, les images présentent, en réalité, une variabilité à la fois interlasses et intralasses.
Cependant,le reouvrementdesdiérentes lassesn'estquepartielen général,'estàdire quela
variane interlassesest inférieure à ladistane interlasses. Considérer es diérents éart-types
pourlasimulation revientnalementàonsidérerdes niveauxde ontraste forts(
σ = 0
),moyens(
σ = 0.05
) et faibles(σ = 0.1
).Dansl'objetifd'analyserl'inuenedunombrede pixelssanshangements vis-à-visdes
performanes de la détetion, nous proposons d'introduire des hangements sur les images BR
simulées ave es diérents niveaux de ontraste et dans une proportion allant de
0
à100%
del'image. Ces hangements aetent l'intégralité des pixels basse résolution, ils sont simulés en
dégradant par unbruitimpulsionnelles imagespréédemmentsimulées avediérents niveaux de
ontraste. Plus préisément, il s'agit d'aeter des intensités aléatoires à
p
pourents des pixelsd'uneimage
v
,equirevientàtransformerv
en uneimagev ′
telleque, pourtoutpixely ∈ D
BR,v ′ (y) =
b(y)
sin(y) = 1
v(y)
sin(y) = 0,
(10.3.3)
où
n
est unhampde variablesaléatoiresdeBernoulliprenantlavaleur1
aveprobabilitép
est lavaleur
0
aveprobabilité1 − p
etb
est unhamp de variablesi.i.d.uniformément distribuéesdansl'intervalle
[min v, max v]
.Laloalisationdes pixelsde hangements est don tiréealéatoirement dansl'image,etlanouvellevaleurquileurestattribuéeestainsiompriseentrelesvaleursminimaleet maximalede l'image.En partiulier, ilse peut qu'elle soit,parhasard, très prohede savaleur
initiale.Lespixelsonernés risquentalorsde ne pas êtredétetés.Parailleurs,lepourentagede
pixels modiésn'est pas toujourspréisément égalà
p
.Cettevariabilitéseréperute diretement sur laquantiation de laqualité desrésultats.Dans lasetion10.3.2, nousprésentons les expérienes réaliséeset les résultatsobtenus
ave desimagessimulées de ettemanière.
10.3.2. Résultats
Dans ette setion, les performanes de la méthode vis-à-visdu nombre total de pixels
de hangementsprésentsdansl'imagesontprésentéespourdesimagessimuléesavelarésolution
du apteur Spot/HRV pour la haute résolution et du apteur Meris pour la basse résolution
omme indiqué dans la setion 10.2. Le rapport de résolution que nous onsidérons dans ette
partie est don onstant, égal à
16
. Les hangements sont simulés sur les images BR ommeindiqué danslasetion10.3.1.Pourunpourentage
p
dehangements donnés,nousréalisons500
tests à partir de
500
images représentant le même paysage mais ontenantp%
de hangementstirés aléatoirement. Pour nous aranhir du biais introduit par le tirage aléatoire des pixels et
des valeurs qui leur sontattribuées lorsde lasimulation des hangements, les résultats quenous
présentons ii orrespondent en général à la valeur médiane des résultats obtenus pour es
500
expérienes, ou lavaleurmoyenne lorsqu'elle estplusinformative.
Apartird'uneimageBRsimuléeommedéritdanslasetion10.2etde lalabellisation
(setion 10.2),l'algorithmereherhelesous-domainebasserésolutionquiminimisele nombrede
fausses alarmes.Le seulparamètre laissé àl'utilisateurest le nombred'itérationsà réaliser.Dans
la setion 8.3, le problème de l'estimation du nombre d'itérations néessaire est abordé, mais la
omplexitéduproblèmenepermetpasd'enfaireuneestimationraisonnable.Cependant,rappelons
quelenombred'itérationsdoitêtred'autantplusélevéquelespixelssanshangements sontrares
dansl'image.En eet,les bonspixelspourl'estimationdesmoyennes deslassessontalorsrares,
etlaprobabilitédelesséletionnerparhasarddevienttrèsfaible.Enpratique,pourquelesrésultats
soientomparables,nousproposonsde réaliserhaqueexpérieneaveunnombrexed'itérations
(
600 000
), mêmes'ilpeut arriver quedavantage d'itérationssoientnéessaires pourmener àbien la détetion,en partiulierlorsque l'imageontienten majoritédespixels de hangements.La gure 10.2 présente, en pourentage du nombre de pixels de l'image, la médiane
des erreurs obtenues pour es 500 expérienes en fontion du pourentage de bruit impulsionnel
(hangements) introduit,etpour desimages de diérentsniveaux de ontraste,simulées aveun
(hangements) introduit,etpour desimages de diérentsniveaux de ontraste,simulées aveun