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.

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 47-50)