Le livre des resumes - Université des Sciences et de la Technologie ...

STOP FEU, Oran 2010 Posters Thème I
P.1.4
Une méthode de segmentation d’images pour la métrologie des feux de forêts
S.Rudz 1,2 , K.Chetehouna 2 , A.Hafiane 2 , H.Laurent 2 and O.Sero-Guillaume 1
1
LEMTA (UMR 7563 CNRS/INPL/UHP), 2 avenue de la Forêt de Haye – 54504
Vandoeuvre les Nancy cedex, France
2 ENSI de Bourges, Institut PRISME UPRES EA 4229, 88 boulevard Lahitolle,
18020 Bourges Cedex, France, E-mail: khaled.chetehouna@ensi-bourges.fr
Les feux de forêts deviennent, années après années, de plus en plus fréquents et
dangereux. Cette tendance ira en s’amplifiant dans les prochaines années à cause du
réchauffement climatique. Bien sûr les combattants des feux améliorent sans cesse
leurs outils, mais ils ne disposent malheureusement que de trop peu d’informations sur
la position du feu dans la plupart des cas. Pour remédier à ce problème la piste du
traitement d’image est explorée depuis une dizaine d’années. La localisation du feu se
fait alors en deux étapes consécutives : segmentation du feu puis calcul des
coordonnées. Bien que la deuxième étape soit maîtrisée, elle est directement
conditionnée par la qualité de la segmentation du feu dans l’image.
L’objectif de cet article est de proposer une nouvelle méthode permettant de segmenter
le feu dans une image en utilisant une caméra travaillant dans le domaine du visible en
raison de son faible coût. Ce travail s’appuie sur une étude de la distribution des pixels
de feux sur chaque composante des espaces couleurs RGB, HSV, YUV et Lab. Les
résultats obtenus ont permis de proposer une nouvelle méthode combinant une
classification par k-means sur la composante « b » de l’espace couleur Lab et
l’utilisation des propriétés de la distribution du feu dans l’espace couleur RGB. La
composante « b » de l’espace couleur Lab discrimine en effet particulièrement bien le
feu du reste de l’image tandis que la distribution dans l’espace RGB permet de
construire des modèles de références. Les performances de cette technique de
segmentation sont ensuite quantifiées à l’aide d’un critère d’évaluation supervisé qui
repose sur des images de feux annotées par un expert. Finalement une comparaison
avec d’autres algorithmes de la littérature est présentée afin de démontrer l’intérêt de
la méthode proposée. La suite de ce travail sera consacrée à l’amélioration de la
robustesse de l’algorithme en élargissant la base de données et en optimisant ses
paramètres.
52