Traitement d'Images Satellitaires - Mathieu Fauvel - Free

Traitement d’Images SatellitairesS4Mathieu FauvelEcole Nationale Supérieure Agronomique de Toulouse&Institut National Polythechnique de Toulouse

1P R É S E N TAT I O N1.1 me joindremathieu.fauvel@ensat.frhttp://fauvel.mathieu.free.fr/Bureau 1201+33(0)5 34 32 39 221.2 organisation de l’ue26h40 de cours/TD, avec une séance d’examen individuel de 1h40.Date Lieu Durée Plage Horaire21/02/2014 Info 4 7h20 08h00 - 17h5025/02/2014 Info 3 7h20 08h00 - 17h5026/02/2014 Info 3 4h00 13h30 - 17h5003/03/2014 Info 2 4h00 13h30 - 17h5004/03/2014 Info 2 4h00 13h30 - 17h5015/03/2014 Info 1 3h20 (2*1h40) 13h30 - 17h00Total30h001.3 documents de coursLes documents de cours et les données informatiques se trouvent ici :http://fauvel.mathieu.free.fr/teaching.html1.4 objectifs de l’ueLe cours de traitement d’images satellitaires a pour objectif de présenter aux étudiants de l’ENSAT lespossibilités offertes par les images de télédétection pour la gestion de l’environnement et l’aménagementdu territoire. Une attention particulière est portée aux nouvelles techniques numériques d’analyse d’imagespermettant le traitement, l’extraction et l’organisation de l’information spatiale et spectrale contenue dans cesimages.L’unité est divisée en deux parties :1. Introduction (chapitre 2). Les bases de la télédétection sont présentées : rayonnement électromagnétique,comportement spectral, acquisition d’images, composition colorée, photo-interpretation, recalaged’images, segmentation et classification d’images. Dans cette partie, l’outil informatique est une aide àla visualisation, à l’analyse, à l’interprétation des images ainsi qu’à l’extraction d’informations de hautniveau pour son intégration éventuelle dans les SIG.2. Approfondissement (chapitre 3). A travers des applications concrètes (extraction des forêts dans lescartes anciennes) les outils et méthodes actuels de traitements numériques sont étudiés. Dans cettepartie, l’outil informatique est utilisé pour résoudre des problématiques de gestion de l’environnement.Pour rappel, le cours de S2 peut être téléchargé à l’adresse suivante :http://fauvel.mathieu.free.fr/data/s2_ensat.pdf.zip1

1 présentation1.5 fonctionnement durant les séancesPour les séances d’introduction, l’organisation sera la suivante. Un rappel du cours de S2 sera donné endébut ou durant la séance. Ensuite, vous aurez la main pour manipuler et appréhender les connaissances etles techniques. Il vous sera fourni un jeu d’images ainsi que les mots-clefs pour effectuer vos recherches dansl’aide du logiciel.Pour les séances d’application à l’agro-écologie, l’organisation sera légèrement différente. Après une présentationde la problématique, des données et des objectifs applicatifs, vous serez laissés en autonomie. Avous de chercher à partir de vos connaissances comment résoudre le problème proposé. En fonction desbesoins, un rappel de cours et/ou l’introduction d’une nouvelle notion seront réalisés par l’enseignant.Il n’y aura pas de compte rendu à restituer. A vous de construire votre bagage technique et théorique. Ainsi,vous êtes fortement encouragés à rédiger au fur et à mesure votre document de cours : ce que vous estimeznécessaires comme rappels théoriques, procédures de traitements . . . Ce sera le seul document autorisé durantla séance d’examen. L’enseignant est bien entendu à votre disposition pour valider votre production. La duréedes séances est prévue pour vous laisser le temps de la réflexion et de la mise par écrit.Durant les séances, en fonction de l’avancement de chaque groupe, vous serez amenés à présenter au restede la série la manière dont vous avez répondu à une question. De plus, des exercices vous seront proposésentre les séances. Ils seront corrigés par un groupe au début de la séance suivante.1.6 evaluationUne séance d’évaluation individuelle de 1h40 est prévue à la fin du cycle. Vous n’aurez droit commedocument qu’à votre production ainsi qu’à l’aide du logiciel ENVI. L’examen portera sur les notions vuesen séances pour moitié. L’autre moitié concernera la résolution d’un problème pratique et évaluera votrecapacité à utiliser la télédétection pour la gestion de l’environnement.2

2I N T R O D U C T I O N À L A T É L É D É T E C T I O N - U T I L I S AT I O N D U L O G I C I E L E N V I - I D L2.1 configuration de l’environnement idl2.1.1 Création de variables utilisateurs dans l’environnement Window de son compte personnelLes paramètres de votre compte informatique rendent cette étape nécessaire. Vous n’avez par défaut pasles droits pour écrire sur le disque dur de la machine. Il vous faut donc définir des variables associées à votrecompte vous permettant d’éditer les fichiers de configuration nécessaires.Procédure :1. Copiez les fichiers envi.cfg, envi.men et e_locate.pro depuis le répertoireC:\Program Files\Exelis\ENVI50\classic\menu vers un répertoire "utilisateur" pour lequel vous avezles droits d’écriture (par exemple votre Z :).2. Dans le panneau de configuration faites la recherche suivante “variable d’environnement”, cliquez surModifier les variables d’environnemet système.Créez une nouvelle variable puis entrez IDL_PATH comme nom et Z:\users_dir; commevaleur avec Z:\users_dir le chemin vers le répertoire utilisateur. Sélectionner Ok pour fermer toutesles fenêtres.3

2 introduction à la télédétection - utilisation du logiciel envi-idl3. Démarrez ENVI et ajoutez dans les préférences le chemin vers le fichier menu du répertoire utilisateur.Fermez ENVI. Vous pouvez maintenant modifier votre fichier envi.men.2.1.2 Création de nouvelles fonctions dans le menu ENVILa première chose à faire pour créer ses propres fonctions utilisateurs est de rajouter un appel à cellescidans le menu interactif ENVI. Il existe plusieurs manières de procéder. Nous allons voir dans ces TPsune manière simple utilisant les fonctions prédéfinies d’IDL et d’ENVI. Pour cela, il suffit d’ouvrir le fichierenvi.men et de l’éditer :1. Ouvrez le fichier avec n’importe quel éditeur. Pour plus de facilité, utilisez celui de l’environnementde programmation d’IDL. Regardez comment il est structuré, il est aisé de comprendre comment on vapouvoir ajouter un appel à nos fonctions.2. Détails de la structure. Pour ajouter un premier niveau au menu :0 {User Functions}.On peut ainsi définir plusieurs niveaux. Dans notre application, on ne va définir qu’un seul niveau.4

2.2 Utilisation de l’aide d’ENVIEnsuite il faut définir la fonction/procédure ENVI/IDL que l’on veut utiliser :1 {---} {---} {---}.Dans les premières accolades, on retrouve le nom de la fonction telle qu’elle apparaîtra dans le menu.Dans les secondes accolades, on définit une variable qui servira notamment à vérifier au début de lafonction appelée que l’on est bien dans la bonne fonction/procédure. Dans les dernières accolades, onretrouve le nom de la fonction que l’on veut appeler (sans le .pro).3. Editez votre fichier pour ajouter un appel à votre fonction. Les noms des champs à compléter serontdonnés en début de séance lorsque nécessaire.2.2 utilisation de l’aide d’enviDans la barre des menus, déroulez le menu Help et cliquez sur Start ENVI Help. Vous devez obtenir lafenêtre suivante :Plusieurs possibilités :• Table of contents : Pour obtenir de l’aide basique sur ENVI pour un menu par exemple.• Index : Pour obtenir de l’aide sur une fonction particulière.• Search : Pour obtenir de l’aide à partir de mots clefs.Dans la suite, vous trouverez indiquée la partie de l’aide à consulter.2.3 segmentation d’images satellitairesConnaissances et compétences à acquérir• Ouvrir et visualiser des images satellitaires,• Utiliser les outils de visualisation d’ENVI,• Caractériser spectralement/radiométriquement des zones d’une image,• Créer des masques binaires.2.3.1 Prise en main du logiciel ENVI1. En vous aidant de la documentation fournie avec le logiciel, ouvrez l’image « fabas » (Voir opening anddisplaying dans Using ENVI Classic.).Pour information, les fichiers *.hdr contiennent les informations nécessaires à l’ouverture de l’image : nombre de lignes, nombrede colonnes, nombre de bandes spectrales, système de codage numérique, type d’entrelacement et des informations sur le géoréférencement.Ces fichiers s’ouvrent avec un simple éditeur de texte. Voir les détails dans le tableau 1.5

2 introduction à la télédétection - utilisation du logiciel envi-idlFigure 1: Composition « vraies couleurs » de l’image « fabas ».2. Récupérez les informations principales sur l’image : nombre de lignes, de colonnes, de bandes, derésolution spatiale (ENVI Header format).Il y a plusieurs manières de récupérer ces informations. . .3. Affichez, dans des « visualisateurs » différents, les images correspondantes aux quatre bandes spectrales(Voir opening and displaying dans Using ENVI Classic).4. Liez deux (ou plus) affichages de votre choix. Faites une analyse visuelle (Dans search : Linking Display).5. Affichez le compte numérique des pixels. Faites bien attention à ce que retourne le logiciel ! (Dans search :cursor location value).6. Visualisez la zone couverte par l’image sous Google Map ou Google Earth (Dans search : google earthbridge).2.3.2 Colorisation et analyse spectrale1. Affichez une composition colorée « vraies couleurs » et « fausses couleurs », voir Figure 1. En liant lesaffichages, comparez les colorisations.2. Affichez simultanément les spectres de plusieurs pixels correspondants aux matériaux suivants : eau,végétation arborée, végétation basse et sols nus (Dans search : extract spectral profile). Commentez cetaffichage. Un exemple de signaure est donnée à la figure 2.3. Affichez simultanément les spectres de plusieurs pixels correspondants à un même matériau. Faites demême pour différents matériaux. Que peut-on en conclure ?2.3.3 Analyse radiométrique1. Tracez les histogrammes des valeurs des pixels pour les quatre bandes spectrales (Dans search : computingstatistics). Comparez les.Il est possible de visualiser sur un même graphique les différents histogrammes2. Pour les quatre histogrammes, essayez d’identifier pour chaque maximum local les matériaux correspondant.Analysez l’apport de chaque bande pour la caractérisation des différents matériaux.3. A partir des informations extraites, segmentez les bandes spectrales correspondant au « rouge » et au« proche infra-rouge » (Dans search : Interactive density slicing).4. Reprenez les questions 1 et 2 avec un histogramme 2D (Dans search : scatter plots)5. Construisez des masques binaires correspondant aux couches « végétation », « eau » et « sols nus » (Danssearch : creating masks). Un exemple est donné à la figure 3.6

2.3 Segmentation d’images satellitairesTable 1: ENVI header format (http://geol.hu/data/online_help/ENVI_Header_Format.html)DescriptionSamplesLinesBandsHeader offsetData typeInterleaveByte orderMap infoCharacter string describing the image or processing performed.Number of samples (pixels) per image line for each band.Number of lines per image for each band.Number of bandsRefers to the number of bytes of embedded header information present in the file (for example128 bytes for ERDAS 7.5 .lan files). These bytes are skipped when the ENVI file is read.Parameter identifying the type of data representation, where 1=8 bit unsigned integer ; 2=16-bitsigned integer ; 3=32-bit signed long integer ; 4=32-bit floating point ; 5=64-bit double precisionfloating point ; 6=2x32-bit complex, real-imaginary pair of double precision ; 9=2x64-bit doubleprecision complex, real-imaginary pair of double precision ; 12=16-bit unsigned integer ; 13=32-bitunsigned long integer ; 14=64-bit signed long integer ; and 15=64-bit unsigned long integer.Refers to whether the data are band sequential (BSQ), band interleaved by pixel (BIP), or bandinterleaved by line (BIL).Describes the order of the bytes in integer, long integer, 64-bit integer, unsigned 64-bit integer,floating point, double precision, and complex data types ; Byte order=0 is Least Significant ByteFirst (LSF) data (DEC and MS-DOS systems) and byte order=1 is Most Significant Byte First (MSF)data (all others - SUN, SGI, IBM, HP, DG).Lists geographic coordinates information in the order of projection name (UTM), reference pixelx location in file coordinates, pixel y, pixel easting, pixel northing, x pixel size, y pixel size,Projection Zone, North or South for UTM only.Compte numérique1,000800600400200Végétation arboréeEauSol nuVégétation Basse0B V R IRBandes spectralesFigure 2: Exemple de signature spectraleFigure 3: Masque binaire de l’eau pour l’image de fabas, figure 1.7

2 introduction à la télédétection - utilisation du logiciel envi-idlFigure 4: Segmentation en quatres classes l’image de fabas, figure 1.2.4 arbre de décision et détection de changementsConnaissances et compétences à acquérir• Construire et utiliser des néo-canaux,• Construire et utiliser des arbres de décision binaire,• Segmenter une image en plusieurs classes et détecter des changements sur desdonnées multi-dates.2.4.1 Néo-canaux1. Construisez à partir de l’image « fabas » les néo-canaux correspondant aux NDVI (Dans serach : mathematicalexpression).2. A partir du NDVI, faites une analyse de l’activité photosynthétique de la zone couverte par l’image.Isolez la végétation du reste du paysage et caractérisez les deux types de végétation.3. Proposez une segmentation en quatre classes de l’image.2.4.2 Arbre de décisionCréez un arbre de décision pour segmenter l’image NDVI (Voir Using ENVI Classic → Classification →Decision Tree classifier). La figure 4 donne un exemple de segmentation. Pour vous entraîner, vous pouvez faire unesegmentation en quatre classes à partir de l’image multispectrale originale. Vous devez obtenir le même résultat.2.4.3 Détection de changements : application à la gestion d’inondationPour cette partie, vous travaillerez sur les images « tsunami_before » et « tsunami_after ». Ce sont deuximages, prises avant et après le tsunami de décembre 2004 en Asie, qui correspondent à la zone de LhongaLeupung en Indonésie, voir Figure 5. L’objectif est de réaliser automatiquement une carte mettant en valeurles zones inondées.Pour cela, nous utiliserons deux images et analyserons les zones de l’image qui ont « changé » à cause del’inondation : qui sont passées de séches à humides.La méthode mise en œuvre doit être la plus simple possible, ce n’est pas la peine de multiplier les traitements.8

2.4 Arbre de décision et détection de changements(a)(b)Figure 5: Image « fausses couleurs » de la zone de Lhonga Leupung avant (a) et après (b) le tsunami.Figure 6: Google bridge de la zone observée sur la figure 5.9

2 introduction à la télédétection - utilisation du logiciel envi-idlFigure 7: Image vrais couleurs de la zone à traiter.2.5 classification supervisée d’images satellitairesConnaissances et compétences à acquérir• Manipuler des zones d’intérêts,• Réaliser une classification supervisée,• Régulariser spatialement une carte de classification,• Calculer des indices de précision pour les cartes de classification.2.5.1 Prise en mainL’objectif de cette partie est de comprendre comment réaliser une classifiaction supervisé avec ENVI. Voustravaillerez sur l’image « objet », voir Figure 7. C’est une image Worldview-2, possédant 8 bandes spectrales.1. Construisez des zones d’intérêts correspondantes aux classes définies dans le tableau 2. Selectionnerenviron au moins un millier de pixels pour chaque classe, mais pas plus de 2500, cela pour des raisonsde temps de calculs (Dans search : managing ROIs files).1 2 3 4 5 6 7Arboré Cultures Prairie Sols nus Route Bâtiment OmbreTable 2: Détails des classes. Attention, bien respecter l’ordre de définition des classes !2. Calculez les caractéristiques statistiques (moyenne et variance) des classes définies (Dans search : ROIssatistics). Représenter les pixels sélectionnés à l’aide de l’outil 2D Scatter Plots. Que pouvez déjà endéduire ?3. Faites une classification supervisée de type : distance minimale, maximum de vraisemblance Gaussien etSVM avec noyau linéaire (Dans search : minimum distance et maximum likelihood). Pour chaque méthodes,choisir de classifier tout les pixels.4. Calculez les matrices de confusion pour les deux cartes de classification obtenues précédemment (Danssearch : confusion matrix).5. Comparez-les : accord global, Kappa, précision utilisateur/producteur.6. Réalisez une régularisation de type « analyse majoritaire » sur la carte de classification la plus précise(Dans search : majority analysis). Testez plusieurs tailles de fenêtre.10

2.5 Classification supervisée d’images satellitaires1 2 3 4 5 6 7 8Chêne pubescent Chêne pédonculé Chêne sessile Chêne rouge Bouleau Charme Chataîgner Robinier9 10 11 12 13 14 15 16Peuplier Platane Eucalyptus Pin Maritime Epicéa Hêtre Alisier Noistier17 18 19 20 21 22 23 24Pin Silvestre Frêne Sapin rouge Cèdre Saule blanc Chêne du Caucase Sapin de douglas Pin LaricioTable 3: Correspondance des essences avec leur numéro de ROIs2.5.2 Classification d’une série temporelleDans cette partie, l’objectif est de classifier les espèces arborés à l’aide d’une série d’images multidate (oumultitemporelle).La série multitemporelle consiste en une série d’images du NDVI prises en différentes dates obtenues dansle cadre du programme Kalidéos OSR MiPy 1 . 9 dates ont été retenues pour l’année 2013.Ces images ont été acquises par le satellite FORMOSAT. La résolution spatiale est de 8 métres par pixel. 4bandes spectrales (B, V, R et IR) sont disponibles pour chaque date. Les vérités terrain ont été construites pasles étudiants AGREST de la promo ENSAT 2013. 24 classes ont été recensées lors d’une prospection terrain.Le tableau 3 présente les différences essences relevées sur le terrain.Classification supervisée1. Restaurez le fichier roi (pour Region Of Interest sur une image de la série temporelle (Dans search :managing ROIs files). Voir le tableau 3 pour le type de cultures.2. Calculer les NDVI pour chaque dates et construisez une série temporelle basée sur le NDVI. Tracer lesspectres moyens du NDVI pour chaque classes. Pour simplifier la visualisation, tracer les à l’aide d’untableur. Observer en particulier les spectres moyens relatifs aux chênes et aux sapins.3. Faites un premier regroupement des classes pour simplifier le problème : (19+23), (12+17+24) et (1+2+3+22).4. Faites une classification supervisée de type : distance minimale et maximum de vraisemblance Gaussiensur les données brutes et NDVI. Utiliser le masque fournit pour ne traiter que les pixels correspondantsà la végétation arborées.5. Faites une analyse des résultats de classification.6. Appliquez un filtrage majoritaire en choisissant la taille du gabarit qui vous semble la plus adaptée.7. Calculer la surface totale au sol pour la classe arborées la plus représentée.1. Programme Kalidéos OSR MiPy : ce programme Kalideos du CNES met gratuitement à disposition de la communauté scientifiquedes bases de données de télédétection de référence. Dynafor en tant que membre fondateur de l’Observatoire Spatial Régional peut doncen bénéficier pour son site d’études LTER Vallées et Coteaux de Gascogne situé en région Midi- Pyrénées11

2 introduction à la télédétection - utilisation du logiciel envi-idl(a) Image originale(b) MasqueFigure 8: Zone d’étude des essences arborés.12

2.6 Recalage d’images(a)(b)Figure 9: (a) Image à corriger et (b) image de référence.2.6 recalage d’imagesConnaissances et compétences à acquérir• Création de points de contrôle au sol (Ground Control Points) ou points d’amer,• Recalage image à image,• Evaluation des résultats du recalage.1. Ouvrez et affichez les images westconcordaerial.png et westconcordorthophoto.png voir Figure 9.2. En prenant comme référence l’image panchromatique, saisissez une vingtaine de GCP de manière homogènedans l’image (registration).3. Réalisez un recalage polynomial d’ordre 1 et 2 avec comme méthode de ré-échantillonage « plus prochevoisin ». Pour les deux méthodes, faites une analyse de l’erreur moyenne et comparez à ce que vousobtenez visuellement.13

3E T U D E S D E C A S - A P P L I C AT I O N À L A G E S T I O N D E L’ E N V I R O N N E M E N T3.1 détection d’objets dans les cartes anciennesConnaissances et compétences à acquérir• Algorithme de traitements dans le domaine spatial,Les cartes anciennes contiennent des informations spécifiques qui permettent de reconstruire des trajectoiresd’occupation des sols dans le temps et dans l’espace. Actuellement, l’extraction d’information sur cescartes recourt principalement à l’intervention de l’utilisateur (digitalisation manuelle). Cette approche est coûteuseen temps et difficilement applicable sur de larges zones. Il a été proposé dans “Automatic extraction offorests from historical maps based on unsupervised classification in the CIELab color space” une méthode génériquepour automatiser l’extraction des forêts sur des cartes d’états majors du 19ieme siècle. Cette méthoderepose sur trois étapes :1. Suppression des lignes de reliefs et du texte par des filtres à gabarit,2. Passage du l’espace RGB à l’espace colorimétrique LAB,3. Classification non supervisé des objets en fonction de leur couleur dans l’espace LAB.La figure 10 présente le résultat de l’extraction de la forêt en utilisant cette méthode.Dans ce TP, nous allons utiliser l’implémentation IDL/ENVI développé par P. Loussert et K. Gouerec dela promotion SIGMA-AGROGEOMATIQUE ENSAT 2014. Vous trouverez les codes à cette adresse http://fauvel.mathieu.free.fr/softwares.html. Télécharger l’ensemble des codes dans un répertoire sur votrecompte. Suivez la procédure d’installation fournis avec les codes pour installer l’ensemble des fonctionnalités.La méthode proposée consiste en une série de traitements :1. Filtrage spatial pour suprimer les lignes de niveaux, les écritures etc . . .a) Dilatation,b) Filtre médian,c) Filtre moyenneur.2. Changement d’espace de colorisation (RGB vers Lab).3. Classification de la forêt.4. Post-traitement (bouchage des trous).A vous d’extaire la forêt sur les trois images fournis !3.2 détection de la trame verte (haies) dans un paysage agricoleConnaissances et compétences à acquérir• Visualisation de données altimétriques,• Couplage information radiométrique et altimétrique.Les haies jouent un rôle important dans la conservation des sols, la productivité des écosystèmes, la protectiondes cultures et la limitation des pollutions d’origine agricole. Ainsi, la cartographie de ces formationsarborées secondaires ou « arbres hors forêt » constitue un enjeu majeur pour les différents acteurs chargés depréparer la mise en place de la future « Trame Verte et Bleue » qui fait suite au Grenelle de l’Environnement.De par leur faible superficie, ces éléments du paysage ne sont pas représentés dans les bases de données15

3 etudes de cas - application à la gestion de l’environnement(a)(b)Figure 10: (a) Carte anciennes et (b) masque de la forêt.destinées aux échelles régionales comme CORINE Land Cover dont la taille minimale de saisie des objetsest fixée à 25 ha. En revanche, ces éléments existent dans la BDTopo de l’IGN qui contient une descriptiondétaillée du territoire pour une gamme d’échelle allant du 1 :5000 au 1 :50 000. Toutefois, cette base répond àdes spécifications bien définies et par conséquent elle n’intègre pas forcément tous les objets. Elle adopte parailleurs un choix de modélisation parmi d’autres possibles, ce qui n’est pas toujours adapté à l’applicationenvisagée. Par exemple, dans la BDTopoV2, la haie est définie comme étant une « clôture naturelle composéed’arbres, d’arbustes, d’épines ou de branchages et servant à limiter ou à protéger un champ. Alignementd’arbres ou plantation d’arbres fruitiers dont la largeur est inférieure à 25m » (IGN, 2009). Pour que la haiesoit saisie dans la BDTopo, sa longueur doit être supérieure ou égale à 100m. L’espace minimum entre deuxhaies parallèles doit également être supérieure ou égale à 50m pour les distinguer dans la base. Enfin, la haieest représentée par un objet surfacique et est modélisée par son contour extérieur.Dans cette partie, nous allons voir que la télédétection offre un moyen simple pour la cartographie duréseau des haies. Nous allons utiliser une méthode basée sur Maire, E. ; Marais-Sicre, C. ; Guillerme, S. ; Rhoné,F. ; Dejoux, J.-F. & Dedieu, G. (2012), ’Télédétection de la trame verte arborée en haute résolution par morphologiemathématique.’, Revue Internationale de Géomatique 22 (4) , 519-538. Cette méthode permet de détecter les arbreshors forêts à l’aide d’opérateur de morphologie mathématique.1. Effectuer une analyse en composante principale de l’image multispectrale initiale. Sélectionner la composanteprincipale pour laquelle les haies sont des maxima locaux en termes d’intensité.2. Effectuer un filtrage top-hat sur la composante principale sélectionnée. Choisir le paramètre en fonctiondes propriétés spatiale des haies.3. Faites un seuillage sur la sortie du filtre pour récupérer les haies et les arbres isolés.4. Exporter les résultats en vecteurs.16

4E X E R C I C E S4.1 segmentation d’images1. Télécharger l’image “flc1.bil” à l’adresse suivante : http://fauvel.mathieu.free.fr/teaching.html.Le fichier hdr n’est pas renseigné. A vous de le construire avec les informations suivantes. L’image a220 pixels de large, 949 pixels de hauteur. Le capteur échantillonne le spectre des longueurs d’ondes en12 points. Les données sont codés en 8 bits non signés, et l’image est enregistrée ligne par ligne.2. Calculez les histogrammes de la bande 1 et de la bande 2 de la Figure 11 (vous pouvez vous servir dela Figure 12). Segmentez-les en choisissant le nombre de classes qui vous semble pertinent.3. Calculez l’histogramme 2D.4. Sur la Figure 13, placez les dimensions. Quel spectre correspond à la réflexion d’une surface typevégétation ?4.2 néo-canauxSur la Figure 14, retrouvez l’histogramme du NDVI correspondant à l’image sur laquelle il a été calculé.4.3 série multitemporelleSur la figure 15, associez chaque surface à un type de cultures : blé, mais et landes.4.4 classification superviséeSur l’image « Fabas », après calcul du NDVI, un photo-interprète a identifié 4 classes. A l’aide d’une véritéterrain, il a ensuite calculé des paramètres statistiques pour chaque classe.• A partir des paramètres reportés dans la Table 4, construisez les règles de décision g i pour les quatreclasses pour les méthodes distance à la moyenne et mélange de gaussiennes (p(w i ) = π i ).• Calculez les seuils optimaux, i. e., x tel que g eau (x) = g sols nus (x) pour les deux méthodes.• A partir des images de classification de la Figure 16, calculez la matrice de confusion. Puis, calculezla précision producteur et utilisateur pour la classe Forêt ainsi que le pourcentage total de pixels bienclassifiés.1 0 1 22 2 5 61 6 6 42 5 4 6(a)3 4 4 23 3 1 05 1 2 23 0 0 1(b)Figure 11: Image synthétique, bande 1 (a) et bande 2 (b).17

4 exercices76543210 1 2 3 4 5 676543210 1 2 3 4 5 665432100 1 2 3 4 5 6b 1 b 2 (b 1 , b 2 )Figure 12: HistogrammesFigure 13: Spectre de longueurs d’ondes(a) (b) (c)-1 0 1 -1 0 1 -1 0 1(1) (2) (3)Figure 14: Images originales et histogrammes des NDVIs.Table 4: Paramètres des classesµ i σ i π iEau -0.224 0.032 0.04Sols nus 0.137 0.014 0.09Champs 0.323 0.044 0.32Arborés 0.693 0.039 0.5518

4.4 Classification supervisée110.50.5NDVI0NDVI0−0.5−1JanvierFévrierMarsAvril(a)1MaiJuinJuilletSeptembreDécembre−0.5−1JanvierFévrierMarsAvril(b)MaiJuinJuilletSeptembreDécembre0.5NDVI0−0.5−1JanvierFévrierMarsAvril(c)MaiJuinJuilletSeptembreDécembreFigure 15: Spectre temporel du NDVI moyen + écart type pour trois types de surfaces.F F F V EF F V V EV V V R RF V R F FClassificationF FF V EFRV R RVérité terrainFigure 16: Construction d’une matrice de confusion.19