Les méthodes de détection orientées-objets

Les méthodes précédemment citées s’appliquent en majorité sur des images

satel-litales à moyenne ou haute résolution spatiale (par exemple sur des données MODIS,

SPOT, LANDSAT...). La détection de changements à partir de données à THRS

repré-sente un cas particulier pour lequel l’intégration d’informations spatiales (ou

contex-tuelles) est un paramètre indispensable pour aboutir à de bons résultats, étant donnée

la variabilité photométrique existante à l’intérieur d’une même classe. Il est ainsi

né-cessaire de prendre en compte la dimension spatiale des données à THRS dans des

méthodes de détection de changements ou dans les méthodes de classifications à une

date.

On parle de méthodes « pixel-par-pixel » lorsque celui-ci est défini comme

élément de référence pour la classification. L’opération consiste, dans la

majo-rité des applications, à les regrouper selon un critère de ressemblance spectrale

[Caloz & Collet 2001]. Le principal inconvénient des méthodes de classification par

pixel est qu’elles ne tiennent pas compte des liens spatiaux inhérents aux objets. La

résolution spatiale influence ainsi considérablement la qualité de ce type de

classifi-cation. Dans le cadre d’une utilisation de données à THRS, étant donné que la

ré-solution spectrale des capteurs diminue avec l’augmentation de leur réré-solution

spa-tiale [Aplin et al. 1999, Key et al.2001](cf. section 1.2.2.3) les méthodes « pixel par

pixel » s’avèrent inadaptées. Par ailleurs, la variabilité spectrale des pixels

définis-sant les classes d’occupation du sol augmentant en fonction de leur résolution

spa-tiale (cf. section 1.2.3.2), le pixel seul n’est alors plus représentatif d’une classe donnée

[Aplin et al.1999,Cushnie 1987,Woodcock & Strahler 1987] et les résultats manquent

Chapitre 1. Le suivi des changements d’occupation et d’utilisation des sols

en milieu urbain et péri-urbain à partir d’images de télédétection à THRS

le résultat d’une classification pixel par pixel est statistiquement cohérent, il ne l’est

pas toujours spatialement [Robin 1995]. Dans [Wang & He 1990], la prise en compte

de la texture est considérée comme complémentaire de l’information spectrale. Dans

[Smits & Annoni 2000], les auteurs ont établi des distances basées sur une analyse

de textures par matrice de coocurrence et sont parvenus à atteindre un taux

d’er-reurs comprenant les sous-estimations et les sur-estimations de seulement 15 %. Dans

[Inglada & Mercier 2007], les auteurs se basent sur les distributions des pixels dans des

fenêtres de voisinage pour effectuer la classification. Bien que ces méthodes fournissent

des résultats intéressants, le choix de la dimension de la fenêtre reste discutable. Les

objets étant représentés à différentes échelles, il conviendrait de définir une fenêtre

pour chaque objet étudié.

En ce qui concerne les méthodes de classification pixel par pixel, des améliorations

méthodologiques significatives ont été apportées afin de prendre en compte

l’infor-mation spatiale des valeurs de chaque pixel. On peut notamment citer les méthodes

basées sur la création de nouvelles composantes issues de matrices de cooccurrences

[Haralick 1979, Puissant et al.2005] ou l’utilisation de morphologies mathématiques

[Benediktsson et al.2003,Dalla Mura et al. 2008].

Les approches « orientées-objet » peuvent être de deux ordres : soit le

regroupement des pixels en objets repose sur des données auxiliaires

numéri-sées (cartes, documents d’urbanisme, photo-interprétation) [Bruzzone & Prieto 2000a,

Smits & Annoni 1999, Walter 2004], soit il s’appuie sur une segmentation au

préa-lable de l’image en régions [Baatz & Schape 2000, Benz et al. 2004, Puissant 2003].

Ces méthodes, qui visent à extraire des objets spatialement consistants dans l’image,

permettent ainsi de s’affranchir du problème des pixels isolés mal classés. Dans

[Bruzzone & Prieto 2000a], les auteurs ont mis en évidence une augmentation

signi-ficative de la précision des changements détectés en prenant en compte le voisinage

de chaque pixel. Dans le cas d’une intégration d’information auxiliaire, la précision

des changements détectés dépendra en premier lieu de la précision des documents

cartographiques. De même, dans le cas d’une méthode reposant sur une étape de

seg-mentation, cette dernière est déterminante pour la précision des résultats. Les

ap-proches « orientées-objet » permettent une caractérisation plus approfondie de chaque

classe, la classification peut prendre en compte des informations de texture, de forme et

de contexte en plus de l’information spectrale. En conséquence, les classifications par

pixels sont progressivement délaissées en faveur des méthodes « orientées-objet » qui

re-présentent une solution plus adéquate pour les images à THRS dans de nombreuses

ap-plications [Aguejdad et al. 2006, Benz et al.2004, Blaschke et al. 2000, Bovolo 2009,

Chapitre 2

Analyse et caractérisation de la

texture dans les images de

télédétection

Sommaire

2.1 Généralités sur la texture . . . . 43 2.1.1 La notion d’échelle . . . 44 2.1.2 La notion d’isotropie . . . 45

2.2 Méthodes d’analyse et de caractérisation de la texture . . . . 46 2.2.1 Analyse statistique . . . 46 2.2.2 Analyse fréquentielle . . . 49

2.3 Choix d’une méthode d’analyse de texture adaptée aux don-nées à THRS . . . . 57

Le chapitre précédent a mis en évidence la difficulté d’analyser les images à THRS

au niveau du pixel. Pour ce type de données, une analyse au niveau des objets

géo-graphiques paraît plus adaptée. Il est ainsi nécessaire de se doter d’outils de

carac-térisation de la distribution spatiale de la photométrie à l’intérieur d’un même objet

géographique. C’est la notion de texture. Cette partie est consacrée à la description et

l’analyse de la texture d’une image. Nous la définissons tout d’abord avant d’effectuer

une revue succincte des méthodes d’analyse utilisées en télédétection. Enfin, nous

pré-sentons la méthode de description qui sera utilisée dans toutes les étapes de traitement

de ce travail.

2.1 Généralités sur la texture

L’analyse de la texture reste un problème ouvert dans le domaine de la vision par

ordinateur. Il n’existe pas de définition mathématique exacte de la texture qui résulte

plutôt d’une perception cohérente d’une entité observée dans une image. Par exemple,

dans [Maitre 2003], la texture est définie de la manière suivante :

« Une texture est un champ de l’image qui apparaît comme un domaine

cohérent et homogène, c’est-à-dire formant un tout pour un observateur. »

Chapitre 2. Analyse et caractérisation de la texture dans les images de

télédétection

Bien que la perception d’une texture donnée soit évidente pour l’observateur, elle

reste très difficile à représenter mathématiquement : d’une part, il n’est pas trivial de

représenter les liens spatiaux qui existent au sein d’un même objet, et d’autre part,

définir des descripteurs qui assurent une invariance par changement d’échelle,

d’orienta-tion, d’éclairage, de couleur, etc. (comme c’est le cas pour l’interprétation humaine) est

une tâche délicate. En conséquence, un nombre important de définitions et d’approches

associées ont été développées pour des applications spécifiques [Tuceryan & Jain 1998].

Nous détaillons quelques-unes de ces méthodes dans la suite de ce chapitre.

Dans le document Contribution de la texture pour l'analyse d'images à très haute résolution spatiale : application à la détection de changement en milieu périurbain (Page 50-53)