Techniques d’extraction en t´el´ed´etection

Le spectre des techniques d´eploy´ees pour l’extraction d’´el´ements curvilignes d’images de t´el´ed´etection est tr`es large. Le niveau d’automatisation de ces techniques varie ´egalement consid´erablement. Certaines n´ecessitent un nombre d’op´erations important pour pouvoir fonctionner, alors que d’autres peuvent, `a partir d’un petit nombre d’hy-poth`eses de d´epart, fonctionner avec une bonne autonomie. La mise `a jour de syst`emes d’information g´eographique `a partir des donn´ees de t´el´ed´etection est un sujet de re-cherche habituel. De plus en plus on voit l’´emergence de techniques qui essayent de tirer parti de l’information contenue dans les donn´ees des syst`emes d’information g´eo-graphique [Qua04]. D’une mani`ere g´en´erale le d´eveloppement de techniques d’extraction d’´el´ements curvilignes sur des images satellitales est tr`es important. Le probl`eme est tou-jours ouvert. L’automatisation du processus est encore loin d’ˆetre atteinte. N´eanmoins, des progr`es substantiels ont ´et´e faits, en particulier avec l’av`enement des images `a tr`es haute r´esolution spatiale – citons par exemple l’am´elioration du contrˆole des donn´ees par des m´ethodes statistiques [GGPD04] ou l’utilisation plus pouss´ee de m´ethodes com-bin´ees d’appariement et de multi r´esolution [ZC04].

Il convient de souligner que la plupart des approches actuelles d’extraction d’´el´e-ments lin´eaires sont des combinaisons de diff´erents types de m´ethodes ; discriminer parmi ces m´ethodes pour les regrouper en grandes tendances devient de plus en plus difficile. Ainsi, les techniques principales sont pass´ees en revue en insistant sur les plus utilis´ees. Les quatre premi`eres techniques pr´esent´ees le sont dans un ordre chronologique vis-`a-vis de leur utilisation en t´el´ed´etection. Ainsi, les techniques reposant sur la mor-phologie math´ematique ont fait l’objet de recherches importantes en t´el´ed´etection `a la fin des ann´ees 1980. La transform´ee de Hough a ´et´e ´etudi´ee en t´el´ed´etection principale-ment au d´ebut des ann´ees 1990. Avec l’av`eneprincipale-ment de capteurs `a haute r´esolution (puis `a

2.1 Extraction d’´el´ements curvilignes d’images de t´el´ed´etection 31

tr`es haute r´esolution) spatiale les techniques multi r´esolution ont pris un essor particulier depuis le milieu des ann´ees 1990, et continuent `a ˆetre tr`es ´etudi´ees actuellement. En-fin, les techniques utilisant l’int´egration de connaissances sont ´etudi´ees en t´el´ed´etection principalement depuis la fin des ann´ees 1990 par l’interm´ediaire de syst`emes experts le plus souvent. La derni`ere technique pr´esent´ee est la classification. La classification est utilis´ee depuis qu’existent les capteurs multi spectraux et est toujours beaucoup utilis´ee ; souvent en amont des autres techniques.

2.1.4.1 Morphologie math´ematique

Le traitement d’image par morphologie math´ematique consiste `a mettre en relation les pixels d’une image avec ceux d’un ´el´ement structurant [CC01]. Par exemple la figure 2.2 pr´esente la dilatation et l’´erosion d’ une image par un ´el´ement structurant 3 × 3 fait de 1, il s’agit d’un filtrage. L’extraction d’´el´ements curvilignes comme des routes repose alors sur la diff´erence d’intensit´e qu’il existe a priori entre l’´el´ement curviligne et le fond de l’image. Caloz et Collet [CC01] insistent sur l’importance et l’aspect critique du choix de l’´el´ement structurant car il influence de mani`ere tr`es significative le r´esultat du filtrage. Ainsi, si l’on utilise un ´el´ement structurant comme celui pr´esent´e sur la figure 2.2, qui est dit `a “voisinage ´etendu” (car on utilise les huit pixels qui cernent le pixel central ), l’´erosion est forte (il reste peu de pixels) et la dilatation est forte (beaucoup de pixels ont ´et´e ajout´es). En revanche si l’on utilise comme ´el´ement structurant les pixels du “voisinage restreint” (c’est-`a-dire les quatre pixels au-dessus, en dessous, `a droite et `a gauche du pixel central, donc formant la forme “+”), la dilatation et l’´erosion sont plus nuanc´ees. Dans le cas de l’extraction d’´el´ements lin´eaires on utilise des ´el´ements structurants directionnels que l’on fait tourner.

32 2. ´Etat de l’art

Image originale Dilatation Érosion Élément

structurant

Fig. 2.2 – Op´erations ´el´ementaires en morphologie math´ematique [Qua04].

L’´erosion et la dilatation sont les deux op´erations ´el´ementaires de la morphologie math´ematique. Les autres op´erations sont pour la plupart des op´erations de combinaison plus ou moins complexes de ces deux op´erateurs. Par exemple, on parle d’ouverture pour une ´erosion suivie d’une dilatation ; dans le cas inverse (dilatation puis ´erosion), il s’agit d’une fermeture.

Une combinaison d’´erosions conditionnelles, la squelettisation, est utilis´ee pour ne garder que les lignes de force dans une image [CC01], figure 2.3. Fitzback [Fit99] utilise cette technique pour s’affranchir des points isol´es dans l’image. Ansoult et al. ont utilis´e cette technique combin´ee `a un “´elagage” pour mettre en ´evidence les structures lin´eaires ferm´ees (figure 2.3), il s’agit de l’algorithme watershed7 [ASL90]. Les m´ethodes qui mettent en œuvre des outils de morphologie math´ematique, n´ecessitent pour la plupart un pr´e-traitement des donn´ees coˆuteux.

2.1 Extraction d’´el´ements curvilignes d’images de t´el´ed´etection 33

Image originale

Squelettisation

Élagage

Fig. 2.3 – L’algorithme watershed [ASL90], d’apr`es [Qua04]

2.1.4.2 Transform´ee de Hough

La transform´ee de Hough est un outil tr`es connu en traitement d’images en g´en´eral. La transform´ee de Hough standard permet de passer d’un espace de courbes analytiques `a l’espace H des param`etres de ces courbes. Par exemple si dans l’espace de l’image I une droite a pour ´equation y = ax + b, alors elle deviendra {a, b} dans H.

Ainsi, toute forme pouvant ˆetre param´etris´ee devient d´etectable par la transform´ee de Hough. S’il s’agit d’objets lin´eaires, ils correspondront `a des points uniques dans H [Qua04]. Le probl`eme de la transform´ee de Hough est qu’elle n´ecessite des images pr´e-trait´ees. Il faut en effet que l’image ait d’abord ´et´e filtr´ee pour faire ressortir les

34 2. ´Etat de l’art

arˆetes(de l’image) puis ensuite seuill´ee en image binaire. La r´eussite de la d´etection des ´el´ements curvilignes par la transform´ee de Hough d´epend du traitement initial appliqu´e `a l’image [FC98].

2.1.4.3 Multi-r´esolution

L’apparence des objets sur les images de t´el´ed´etection d´epend non seulement de leur signature spectrale mais aussi de la r´esolution `a laquelle ils sont “vus”. L’essor des satellites `a tr`es haute r´esolution spatiale comme QuickBird et Ikonos (voir plus haut) a donn´e un second souffle aux techniques de multi-r´esolution dans le domaine de la t´el´ed´etection8. Il faut noter que ces techniques sont utilis´ees largement en vision num´erique [MLT01b].

Sur des images `a (tr`es) haute r´esolution spatiale, les objets curvilignes tels que les routes et les cours d’eau apparaissent comme des surfaces allong´ees avec des signatures spectrales relativement homog`enes au sein desdites surfaces. En revanche sur des images `a plus basse r´esolution, les mˆemes objets apparaissent comme des structures curvilignes 1D.

L’id´ee (qui peut surprendre `a premi`ere vue) est de d´egrader les images `a haute r´esolution afin de r´eduire la r´esolution. Le but est de r´eduire la r´esolution jusqu’`a ce que les structures lin´eaires que l’on cherche aient perdu leur ´epaisseur – elles passent d’un aspect surfacique 2D `a un aspect 1D. Les structures lin´eaires ainsi identifi´ees sont localis´ees et servent `a guider la recherche sur les images originales `a plus haute r´esolution. La cr´eation de ces pyramides d’images est coˆuteuse en terme de temps de

2.1 Extraction d’´el´ements curvilignes d’images de t´el´ed´etection 35

tement. Trois techniques sont principalement utilis´ees pour cr´eer les images d´egrad´ees en t´el´ed´etection : soit par d´ecimation en ne gardant qu’un pixel sur quatre, soit par un type plus ´elabor´e (et plus coˆuteux) de d´ecimation qui consiste `a ne garder qu’un pixel sur quatre qui est la moyenne des quatre, soit en utilisant une approche par ondelettes. D’autres techniques multi r´esolution qui ne sont pas seulement propres au contexte de la t´el´ed´etection font l’objet de la section 2.4.

2.1.4.4 Int´egration des connaissances

L’ing´enierie des connaissances consiste `a formuler dans une forme exploitable des connaissances (d’experts le plus souvent) qui sont commun´ement non exprim´ees expli-citement et/ou sont intuitives [PMS+99]. L’int´egration9 des connaissances sous-entend que les connaissances sont d´ej`a `a disposition dans le syst`eme pour pouvoir appliquer la m´ethode. Or il s’av`ere que l’extraction des connaissances est d´ej`a une ´etape complexe [Pig01].

L’int´egration de connaissances multiformes peut s’av´erer une tˆache tr`es difficile. Ha-bituellement il s’agit de combiner diff´erents op´erateurs locaux sur l’image pour extraire les ´el´ements lin´eaires en appliquant des contraintes pr´e-d´etermin´ees [Qua04]. Un score est alors attribu´e aux diff´erentes couches d’informations obtenues `a partir des connais-sances que le syst`eme a synth´etis´e. Par exemple pour d´eterminer si un ´el´ement curviligne est une route ou un cours d’eau, il est possible de combiner la connaissance que l’on a a priori sur leur signatures spectrales10 et la sinuosit´e en fonction de la pente11.

9En fonction de la litt´erature on parle soit d’int´egration des connaissances, soit de fusion des

connaissances. Il s’agit ici d’un d´ebat de sp´ecialistes et de domaines d’application.

10Du type : l’intensit´e des routes est plus forte que celle des cours d’eau.

11Du type : les cours d’eau sont sinueux en plaine et plus rectilignes en zones de relief, `a l’inverse

36 2. ´Etat de l’art

2.1.4.5 Extraction bas´ee sur la classification

Les satellites utilisant des senseurs multi-spectraux comme Landsat TM, SPOT ou Ikonos permettent de faire des classifications sur les images. En g´en´eral, la classification est utilis´ee dans les domaines de l’agriculture, de la foresterie, etc.

Pour le domaine de l’extraction d’´el´ements curvilignes, ces approches sont utiles en tant que pr´e-traitements de l’image. L’image est segment´ee en fonction du couvert, ce qui permet ensuite de mieux diriger l’extraction. [Qua04] mentionne que des techniques de classification ont mˆeme ´et´e utilis´ees directement pour l’extraction d’´el´ements curvi-lignes sur des donn´ees hyper-spectrales, mais que cela ´etait insuffisant ; la classification ne devenant alors qu’une ´etape de l’extraction.

D’un point de vue g´en´eral, la classification est un processus le plus souvent su-pervis´e par un expert, qui plus est quand l’objectif final est d’extraire les objets curvi-lignes. Cette restriction est un frein important `a l’automatisation du processus d’extrac-tion. D’apr`es [Qua04], l’int´egration de connaissances issues des syst`emes d’information g´eographique devrait permettre de s’affranchir `a terme d’une partie de l’intervention humaine.

2.1.4.6 Autres types d’extraction

Appariement de patrons L’appariement de patrons12 consiste `a faire glisser des patrons sur l’image et `a calculer un score de similarit´e par corr´elation du patron et de l’image. Les patrons sont en g´en´eral pr´ed´etermin´es en termes de formes et d’intensit´es –

2.1 Extraction d’´el´ements curvilignes d’images de t´el´ed´etection 37

voir aussi §2.2.5. Habituellement, les patrons d´ependent du contexte de l’image, ce qui implique qu’une automatisation totale n’est ici pas possible – sauf si un pr´etraitement coˆuteux apportant des informations sur le contexte est appliqu´e ou bien en utilisant des bases de connaissances.

Autres approches. Enfin, mentionnons quelques approches moins utilis´ees ou en de-venir dans le domaine de l’extraction d’´el´ements curvilignes d’images de t´el´ed´etection : – Programmation dynamique : permet d’augmenter l’optimisation de l’extraction

en utilisant une recherche r´ecursive [GL97].

– Permutation de pixels13 : s’appuie sur les relations spatiales et spectrales entre les pixels [ISA95].

– Importance du contexte : comme mentionn´e plus haut, en fonction du contexte les objets peuvent avoir des aspects diff´erents [Yee87]. Cela peut permettre soit d’adapter la recherche par rapport `a l’objet recherch´e soit segmenter l’image en fonction du contexte [BSM+99].

– Algorithmes g´en´etiques [ISA95]. – R´eseaux de neurones [LRSO⁺00].