Normalisation radiométrique relative

Nous avons développé une méthode simplifiée pour la normalisation radiométrique relative des images satellites acquises à haute résolution spatiale. Cette méthode n'exige pas de données atmosphériques, et tend à minimiser uniformément les effets de changement des conditions atmosphériques et solaires, par rapport à une image de référence. Le processus est basé sur le calcul de régressions linéaires qui relient les bandes spectrales des images dans la série à celles d’une image de référence. Trois étapes principales sont identifiées : le choix de l’image de référence, la sélection des cibles invariantes, et le calcul et l’inversion des régressions linéaires.

3.3.2.1.

Image de référence

Parmi l’ensemble des images de la série temporelle, une image de référence doit être choisie. C’est par rapport à cette image que toutes les autres seront normalisées. Il est donc important qu’elle réponde à plusieurs critères :

• Une couverture nuageuse minimale ; • Un faible pourcentage de pixels saturés ; • Une large dynamique de radiométrie ;

• Une date d’acquisition proche du milieu de la série.

Ces critères permettent de maximiser le nombre et la diversité de cibles invariantes détectables. L’image de référence que nous avons choisie pour normaliser les séries de 2003 et 2004 est celle acquise le 13 mai 2004.

3.3.2.2.

Sélection automatique des cibles invariantes

Afin de rendre le procédé de sélection des cibles invariantes (CI) objectif et pour obtenir un nombre suffisant de CI couvrant une large gamme spectrale, nous avons développé une technique de sélection automatique. L'organigramme de cette technique est représenté dans la Figure 9. Pour chaque image TOA dans la série temporelle, nous avons d'abord calculé une image multi#bande de différence (IMD), par une soustraction pixel à pixel de l'image de référence. Ensuite, nous avons appliqué à chaque IMD un ensemble de masques afin d’éliminer le maximum de pixels qui changent :

CemOA

: archive

ouverte

d'Irstea

# Le premier est un masque de nuage créé pour chaque date à partir de l’IMD (voir l’Annexe 4).

# Le deuxième est un masque de saturation fourni avec chaque image, il permet de repérer dans chaque bande spectrale les pixels affectés par une saturation radiométrique et de les ignorer.

# Le troisième masque sert à éliminer un nombre maximum de pixels liés aux zones de végétation qui varient au cours du temps. Ce masque doit être créé en principe à partir d’une carte d’occupation des terres agricoles ; en raison de l’absence de cette donnée dans notre application, nous avons utilisé le parcellaire de canne à sucre comme masque. Ceci nous a permis d’éliminer environ 60 % de pixels liées aux terres agricoles.

# Le quatrième permet de masquer l’océan afin de ne garder que les pixels terrestres.

Nous avons ensuite choisi, pour chaque date, les CI en se basant sur les histogrammes des pixels restant dans les quatre bandes spectrales de l’IMD.

La forme de l’histogramme de chaque bande après l’application des masques dépend des types de changements qui se produisent entre la date d’acquisition de l’image à normaliser et celle de l’image de référence. En effet, chaque bande spectrale est sensible à différentes sortes de changement ; ainsi un changement d’occupation du sol pourrait engendrer une modification significative des valeurs des pixels dans une certaine bande, mais pas dans les autres. Dans toutes les bandes spectrales de l’IMD, les pixels avec des changements relativement faibles sont groupés autour des modes des histogrammes. Ceci signifie que « la majorité » des pixels restant après l’application des masques, est considérée comme des cibles sans aucun changement (ou presque). Les valeurs de différence correspondant à ces pixels sont différentes de zéro en raison du changement des conditions d’acquisition d’image d'une date à une autre. Le reste de l'histogramme correspond aux pixels avec de vrais changements. Ces pixels peuvent être affectés par les différences des conditions d’acquisition d’image, mais leur effet comparé au vrai changement est négligeable. La Figure 10 montre, à titre d’exemple, l’évolution de l’histogramme de l’IMD calculée entre les deux images SPOT acquises le 26 février 2003 et le 13 mai 2004, dans le Vert.

CemOA

: archive

ouverte

d'Irstea

Correction radiométrique

Figure 9. Organigramme de la technique de sélection automatique des cibles invariantes.

CemOA

: archive

ouverte

d'Irstea

Pour chaque date, les histogrammes dans les quatre bandes de l’IMD sont décalés, de telle sorte que les valeurs de différence assignées aux majorités (modes) soient ramenées à zéro. Finalement, les pixels dans chaque IMD avec des valeurs proches de zéro simultanément dans les quatre bandes sont considérés comme invariants. Le terme « proche » a été traduit par 7% de l'écart type autour du mode de chaque histogramme. Ce pourcentage a été choisi après plusieurs essais sur une gamme allant de 2% à 20% ; il permet la sélection d'un nombre optimal de CI.

La validation de cette technique de sélection automatique des CI est représentée dans la section 3.3.4.1. Nous montrons, à titre d’exemple, dans la Figure 11 les CI sélectionnées automatiquement sur l’ensemble des images à normaliser. Nous signalons que les CI sélectionnées sur toutes les dates de la série représentent une moyenne de 0,044 % des pixels de la surface de l’île (10928 pixels), et incluent une large diversité de type d’occupation du sol.

Figure 10. Histogramme et valeur moyenne obtenus pour le canal Vert de l’image de différence calculée à partir des images acquises le 26 février 2003 et le 13 mai 2004 (référence) : a) avant l’application des masques, b) après l’application du masque des nuages, c) après l’application de tous les masques (nuages, saturation, parcelles de canne, océan).

3.3.2.3.

Calculs et inversion des régressions

Pour les cibles invariantes sélectionnées, nous avons extrait à partir des images TOA les valeurs de réflectance dans les quatre bandes spectrales. En utilisant ces valeurs, nous avons établi, pour chaque date, des régressions linéaires dans chaque bande de la forme :

CemOA

: archive

ouverte

d'Irstea

Correction radiométrique

b ax

y = + (4)

où y est l'image de référence et x les autres images alternativement. Dans la Figure 12, nous montrons un exemple de régression linéaire calculée dans le Vert pour normaliser l’image du 06 novembre2004 par rapport à l’image du 13 mai 2004. Il est à signaler que ces images sont acquises dans des conditions phénologiques différentes, comme le montre les couleurs différentes des parcelles de canne à sucre autour du littoral.

Les régressions linéaires calculées pour toutes les dates ont ensuite été appliquées aux images en réflectance TOA, pour construire une nouvelle série d’images normalisées entre elles.

Présentons maintenant la méthode de correction atmosphérique développée par le CNES pour produire les images TOC (i.e. images de réflectances au sol).

Figure 11. Cibles invariantes sélectionnées automatiquement sur l’ensemble des images : chaque point noir correspond à une cible.

CemOA

: archive

ouverte

d'Irstea

Figure 12. Régressions linéaires calculées automatiquement dans les quatre bandes spectrales (Vert, Rouge, PIR et MIR) pour normaliser l’image du 06 novembre 2004 par rapport à celle du 13 mai 2004.

CemOA

: archive

ouverte

d'Irstea

Correction radiométrique