1.3 La détection de changements d’occupation des sols à partir d’images à
1.3.2 Les méthodes image-à-image versus les méthodes par post-
Le choix de la méthode de détection de changement est conditionné par la zone
et l’objet étudié, ainsi que par les caractéristiques des données et leur disponibilité. Il
existe ainsi une grande variété de méthodes. Dans [Coppinet al. 2004,Lu et al. 2004],
les auteurs ont revu et catégorisé les différentes méthodes existantes selon ces critères.
On peut distinguer deux familles de méthodes : les comparaisonsimage-à-imageet les
comparaisons par post-classifications. Parmi ces deux familles, nous pouvons citer
les méthodes suivantes :
1.3.2.1 Les comparaisons image-à-image.
Elles regroupent un nombre important de méthodes qui dans la majorité des cas,
ne fournit aucune information sur la nature des changements. Ces méthodes, le plus
souvent non-supervisées, ne nécessitent pas d’échantillonnage préalable et reposent sur
un seuil de changement. Parmi la catégorisation recensées dans [Luet al. 2004], citons
les plus connues :
– Les méthodes algébriques telles que la soustraction et la division d’images,
mais aussi les vecteurs de changement. Dans les deux premières approches, les
changements sont identifiés sur l’image des différences (ou l’image des ratios
dans le cas d’une division d’images), les pixels dont les valeurs sont faibles sont
considérés comme du non-changement alors que les valeurs de pixels plus élevées
1.3. La détection de changements d’occupation des sols à partir d’images
à THRS
Les images aux dates 1 et 2 ne devraient pas
être indépendantes car l'erreur serait
minimisée. Le traitement de la date 2 en
prenant compte l'image de la date 1
augmente significativement l'erreur.
ACQUISITION :
- Distortions géométriques
- Capteur
- Plateformes
- Type de paysage
ACQUISITION :
- Distortions géométriques
- Capteur
- Plateformes
- Type de paysage MODIFICATION DE L'IMAGE :
- Correction géométrique
- Correction radiométrique
- Conversion de données
MODIFICATION DE L'IMAGE :
- Correction géométrique
- Correction radiométrique
- Conversion de données
ANALYSE DE L'IMAGE :
- Analyse quantitative
- Méthode de classification
- Post-traitement
ANALYSE DE L'IMAGE :
- Analyse quantitative
- Méthode de classification
- Post-traitement
CONVERSION DES
DONNEES :
- Raster vers vecteur
- Vecteur vers raster
CONVERSION DES
DONNEES :
- Raster vers vecteur
- Vecteur vers raster
EVALUATION DE L'ERREUR
- Echantillonnage
- Autocorrélation spatiale
- Précision du positionnement
- Matrice d'erreur
- Données de référence
EVALUATION DE L'ERREUR
- Echantillonnage
- Autocorrélation spatiale
- Précision du positionnement
- Matrice d'erreur
- Données de référence
PRODUIT FINAL
- Erreur spatiale
- Erreur thématique
PRODUIT FINAL
- Erreur spatiale
- Erreur thématique
POSITIONNEMENT
- géoréférencement
- Unité minimum
POSITIONNEMENT
- géoréférencement
- Unité minimum
DATE #1
DATE #2
Figure 1.15 – Sources d’erreurs dans la procédure de détection de
change-ments par télédétection (modifiée de [Biging et al. 1998]). Les erreurs
s’accu-mulent tout au long de la chaîne de traitements
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
correspondent à un changement [Nelson 1983]. Ces méthodes sont
particulière-ment simples à mettre en place mais ne caractérisent le changeparticulière-ment que par son
intensité et non par sa nature. L’analyse par vecteur de changements repose sur
la même approche [Bruzzone & Prieto 2000b,Lambin & Strahler 1994].
L’évolu-tion de chaque pixel est représentée par un vecteur de changement correspondant
aux couples de leurs valeurs spectrales ent
1 ett
2. Les vecteurs peuvent alors être
représentés dans l’espace spectral : leur intensité permet de détecter la présence
de changements, et leur direction distingue différents types de transitions.
– Les méthodes de transformation comme les analyses en composantes
princi-pales [Richards 1984] ou encore le Tasseled Cap [Crist & Cicone 1984] sont une
alternative aux précédentes. Une unique transformation est appliquée
simultané-ment aux deux images et les changesimultané-ments peuvent être séparés et caractérisés à
l’aide des composantes résultantes. Dans le cas de l’analyse en composantes
prin-cipales, les premières composantes extraient l’information la plus redondante :
elles correspondent ainsi aux zones de non-changement. Les changements peuvent
alors être identifiés dans les composantes suivantes.
– Les méthodes par classification consistent à combiner les informations des
deux images et à réaliser une unique classification pour détecter les
change-ments. Bien que ces méthodes soient particulièrement intéressantes d’un point
vue pratique, elles ne mettent pas en évidence toutes les transitions d’occupation
du sol et nécessitent souvent des seuillages fixés plus ou moins arbitrairement
par l’opérateur. D’une part, on peut distinguer les classifications non-supervisées
[Hame et al. 1998]. Dans [Bruzzone & Serpico 1997], les auteurs font l’hypothèse
que les zones de changement suivent une distribution a priori gaussienne et
calculent des probabilités de changements à l’aide de l’algorithme
Espérance-Maximisation (expectation-maximization). On peut aussi citer quelques-unes des
classifications supervisées complexes qui ont été mises en oeuvre pour
détec-ter toutes les transitions d’occupation du sol. Par exemple, une méthode
su-pervisée par arbre de décisions a été réalisée par [Weismiller et al.1977] mais
les résultats se sont avérés insuffisants par rapport aux données de référence.
L’utilisation des réseaux de neurones permet d’obtenir des résultats intéressants
comme le montrent par exemple les travaux de Liu et Lathrop en milieu
ur-bain [Liu & Lathrop 2002] ou encore Gopal et Woodcock en milieu forestier
[Gopal & Woodcock 1996]. Néanmoins, l’inconvénient de ces méthodes
super-visées est l’étape d’apprentissage car elle nécessite un ensemble d’échantillons
représentatifs de l’ensemble des transitions. En effet, si l’on se base sur une
vé-rité de terrain, cela est souvent une tâche difficile, voire impossible à réaliser,
notamment dans le cas de photographies ou d’images anciennes.
1.3. La détection de changements d’occupation des sols à partir d’images
à THRS
1.3.2.2 Les comparaisons par post-classification.
Elles consistent à réaliser une classification indépendante pour chaque image puis
de comparer les classifications a posteriori. Cette approche est probablement la plus
largement utilisée au vu des publications parues récemment sur le suivi de l’occupation
du sol par télédétection [Pham et al. 2007,Wang et al.2009,Yuan et al. 2005]. Elle se
distingue par sa capacité à identifier les transitions d’occupation des sols alors que
les comparaisons image à image mettent le plus souvent en évidence les zones de
changements et de non-changement. De plus, les méthodes par post-classifications ont
l’avantage d’être plus robustes aux variations des conditions atmosphériques et des
conditions illuminations aux deux dates d’études. Enfin, elles ont l’avantage de pouvoir
traiter assez facilement des images provenant de capteurs différents. Les méthodes les
plus souvent employées sont supervisées mais peuvent aussi être non-supervisées. En
revanche, elles présentent l’inconvénient majeur de cumuler les erreurs produites au
niveau de chaque classification et nécessitent aussi le plus souvent des seuillages fixés
plus ou moins arbitrairement par l’opérateur.