Upload
hakien
View
214
Download
0
Embed Size (px)
Citation preview
LICENCE PROFESSIONNELLE D’INGENIERIE DE L’IMAGERIE NUMERIQUE IUT LEONARD DE VINCI DE REIMS, DEPARTEMENT INFORMATIQUE
MEMOIRE DE STAGE
Présenté par Maxime DAUPHIN
Responsable de stage :
Michel DESHAYES (UMR3S Maison de la Télédétection) Laurent LUCAS (IUT Reims Chalons Charleville)
Détection et caractérisation de parcelles de vigne par télédétection à très haute résolution Année 2002 - 2003
2
Remerciements
Avant toute chose, il est important de rappeler ceux sans qui ce travail n’aurait pu être
réalisé.
Je tiens à remercier Michel Deshayes, chercheur à l’UMR3S et Laurent Lucas,
enseignant à l’IUT Chalôns-Charleville, pour leurs accompagnements tout au long de mon
stage.
Je remercie également Sylvain Labbet, Ingénieur, Responsable de formations, pour
m’avoir accueilli dans le laboratoire de la maison de la télédétection dans les meilleures
conditions possibles.
De nombreuses personnes de la MTD ou des laboratoires environnants, m’ont aidé et
conseillé pour choisir les orientations les plus intéressantes, en particulier Christopher Mei
toujours disponible à partager ses connaissances sur les différentes méthodes de traitement
d’images.
Enfin, un grand merci à l’ensemble des stagiaires qui ont su faire régner une bonne
ambiance pendant toute la durée de mon stage.
3
TABLE DES MATIERES
REMERCIEMENTS..................................................................................................................... 1 1. ENVIRONNEMENT DE TRAVAIL ............................................................................................ 4
1.1. Présentation du cadre du travail................................................................................. 4 1.2. Le Cemagref ................................................................................................................ 4 1.3. La Maison de la Télédétection(MTD) ......................................................................... 4 1.4. L’UMR3S..................................................................................................................... 5 1.5. Le projet Bacchus........................................................................................................ 5 1.6. Les outils utilisés ......................................................................................................... 6
2. PROBLEMATIQUE................................................................................................................. 7 2.1. Images étudiées ........................................................................................................... 7 2.2 Description des vignes ................................................................................................. 7 2.3. Objectif ........................................................................................................................ 9
3. ETAT DE L’ART.................................................................................................................. 10 3.1.Traitement des images à très haute résolution........................................................... 10 3.2. Cadastre et Transformée de Fourier......................................................................... 10 3.3. Analyse texturale ....................................................................................................... 11 3.4. Autres méthodes ........................................................................................................ 11
4. TRAVAIL REALISE.............................................................................................................. 13 4.1. Recherche d’un algorithme d’identification des parcelles ....................................... 13 4.2. Caractérisation des parcelles.................................................................................... 20 4.3. Exportation des résultats........................................................................................... 22
5. RESULTAT ET DISCUSSION ................................................................................................. 25 5.1. Tests........................................................................................................................... 25 5.2. Propositions et améliorations ................................................................................... 26
CONCLUSION......................................................................................................................... 27 ANNEXE A............................................................................................................................. 28
Orthophotographie........................................................................................................... 28 ANNEXE B............................................................................................................................. 29
Image Multispectrale........................................................................................................ 29 ANNEXE C :........................................................................................................................... 30
Transformée de Fourier 2D discrète................................................................................ 30 BIBLIOGRAPHIE ..................................................................................................................... 33
4
1. Environnement de travail
1.1. Présentation du cadre du travail
Le stage se déroule à la Maison de la Télédétection (MTD) à Montpellier au sein de
l’Unité Mixte de Recherche des Structures et Systèmes Spatiaux (UMR3S), une unité mixte
de recherche entre le Cemagref et l’ENGREF (Ecole Nationale du Génie Rural des Eaux et
des Forêts)
1.2. Le Cemagref2
Le Cemagref est l’institut public de recherche pour l’ingénierie de l’agriculture et de
l’environnement. Outre la contribution au progrès des connaissances, le Cemagref diffuse des
méthodes de diagnostic et de contrôle, il développe des outils de négociation et de gestion, il
conçoit des technologies innovantes et apporte son expertise aux services publics et aux
entreprises.
Ses quatre orientations scientifiques concernent :
- Le fonctionnement des hydrosystèmes.
- Le génie des équipements et services pour l’eau et les déchets.
- La gestion des territoires à dominante rurale.
- Le génie des équipements dans le secteur agricole et alimentaire.
1.3. La Maison de la Télédétection3(MTD)
La Maison de la Télédétection en Languedoc-Roussillon est une structure régionale qui
est entrée en fonction en septembre 1994. Ce pôle a comme principal objectif, dans le
contexte général, de favoriser la mise en synergie des organismes de recherche scientifique :
2 Cemagref : Centre National du Machinisme Agricole, du Génie Rural, des Eaux et Forêts. http://www.cemagref.fr/ 3 Maison de la Télédétection : http://www.teledetection.fr/
5
l’UMR3S, le Centre de Coopération International en Recherche Agronomique pour le
développement (CIRAD) et l’Institut de Recherche pour le Développement (IRD). Cinquante
personnes y travaillent de façon permanente et une vingtaine de personnes y sont en séjour de
moyenne ou longue durée.
1.4. L’UMR3S
L’UMR3S est un regroupement de la division Télédétection du Cemagref et de
l’ENGREF. Cette unité fut agréée en 1999. Elle est composée d’une équipe d’environ vingt
ingénieurs-chercheurs permanents et de plusieurs doctorants. Ses principaux axes de
recherche sont :
- Les modes de représentation et de structuration de l’information spatiale.
- La caractérisation de l'espace par télédétection et à l’aide de Modèle Numérique de
Terrain (MNT) appliqués notamment à l’hydrologie spatialisée et au suivi de la végétation
pérenne.
- L’analyse spatiale, les modèles dynamiques et les raisonnements spatiaux.
Ces axes de recherche sont en général menés en collaboration avec d’autres partenaires
scientifiques nationaux ou internationaux. De plus, L’UMR3S contribue aux formations de
l’ENGREF et constitue aussi un laboratoire d’accueil de plusieurs écoles doctorales.
1.5. Le projet Bacchus
Mon stage rentre dans le cadre d’un programme européen nommé Bacchus4. L’objectif
de celui-ci est de fournir aux organisations de gestion de vignobles une solution complète,
basée en partie sur l’utilisation des images à très haute résolution (THR), les SIG (Systèmes
d’Information Géographique), et les logiciels actuels de traitement d’images qui leur
permettront d’identifier les parcelles de vignes et les spécifications caractéristiques du vin.
4 Bacchus pour les Romains, Dionysos pour les Grecs, fils de Zeus, divinité de la vigne et du vin.
Site du projet : http://www.bacchus-project.com/
6
Les données satellitales à THR seront utilisées afin de développer et de tester une
méthodologie pour la détection semi-automatique des parcelles de vignes.
1.6. Les outils utilisés
La MTD met à la disposition des stagiaires des PC (avec MicroSoft® Windows), et des
logiciels de SIG dont ArcView, MapInfo ou des logiciels de traitement d’images : Imagine,
Optimas.
Le choix de l’environnement de développement s’est fait en prenant en compte des
besoins suivants : un langage de développement simple (La vitesse d’exécution n’est pas le
but recherché).
Les logiciels de traitement d’image présents à la MTD permettent d’insérer des
bibliothèques (.dll) pour exécuter des traitements spécifiques. Malgré le critère professionnel
de ces programmes l’utilisation de ces bibliothèques alourdissaient inutilement le
développement.
ImageJ est un environnement de traitement d’image développé à l’origine pour analyser
des images médicales (National Institue of Healh). Il est programmé en Java et il est
disponible sur la plupart des plates-formes. Des plugins Java peuvent y être rajoutés pour en
étendre ses fonctionnalités. ImageJ étant un logiciel OpenSource il est en perpétuelle
évolution et il est possible de s’inspirer de son code pour développer ses propres algorithmes.
De plus des plugins sont disponibles sur Internet et des tutoriaux expliquent la programmation
d’un plugin. [Werner, 2001]
Il a été décidé d’utiliser cet outil dans le cadre de mon stage.
7
2. Problématique
2.1. Images étudiées
Les données étudiées dans le cadre de mon stage sont des images THR, avec une
résolution spatiale de 0,5m (un pixel représente un carré de 0,5m de coté sur le terrain).
L’image principalement étudiée est un extrait de la BD ortho IGN(Institue National
Géographique) (Annexe A) de Clapier de 4 km², et d’une zone plus étendue de Roujan. Les
images possèdent 3 canaux le proche infrarouge (0.78 - 0.89 µm) (Annexe B), le rouge, et le
vert.
Photo 1: Zone de Roujan, 4000 x 4000 pixels
Dans le cadre du projet Bacchus, le domaine d’étude des vignes s’applique pour l’Italie,
l’Espagne, le Portugal et la France. Mais la ressource d’images pour mon stage se résume à la
zone du Clapier, et de Roujan.
2.2 Description des vignes
[Wassennaar, 2001]
Le milieu viticole est caractérisé par une grande hétérogénéité de structures spatiales, autant à
l’échelle de la parcelle qu’à l’échelle intra-parcellaire. La taille des parcelles varie entre
Roujan
8
environ 0,05 et 3 ha. Les parcelles ont des formes très hétérogènes, parfois des obstacles
naturels ou humains peuvent modifier leurs contours.
Il existe différents types de plantation de vignes, qui peuvent être regroupés en deux :
Gobelet : culture des ceps individuels spécialement distribués sur un motif de grille régulière
avec un espacement de 1,5 × 1,5 m ou légèrement rectangulaire par exemple 1,4 × 1,6 m
Palissé : formé de rangs de vignes rectilignes où la végétation est conduite le long de deux ou
plusieurs fils horizontaux, ici l’écartement entre les rangs varie de 2,0 à 2,5 m en fonction de
la disponibilité de l’eau et de la hauteur des rangs.
L’orientation des rangs est elle-même fonction de l’exposition, mais aussi de la
morphologie du terrain et de la géométrie de la parcelle. Aujourd’hui le nombre culture
palissé s’accroît grâce à la facilité de mécanisation de ce type de culture.
1,5 m
1,5 m
Gobelet régulier
1,4 m
1,6 m
Gobelet rectangulaire
2 à 2,5 m
Palissé
9
2.3. Objectif
L’objectif de ce stage est de développer des algorithmes simples et robustes qui utilisent
des images proche infrarouge à très haute résolution, pour tenter dans une première partie
d’identifier les parcelles de vignes, puis dans un second temps de les caractériser, avec un
maximum d’informations. Le but étant de produire des résultats modifiables par le personnel
de la MTD.
Les Limites du stage
Les études précédentes montrent de bons résultats d’identification, mais le caractère
naturel des parcelles viticoles génèrent de nombreux problèmes. L’objectif de la
reconnaissance parfaite n’est donc pas réaliste, c’est pour cela que les résultats produits seront
facilement modifiables et un critère de validité de reconnaissance serait avantageux.
10
3. Etat de l’art
3.1.Traitement des images à très haute résolution
L’évolution constante de la résolution des images et des bandes spectrales, ouvrent
aujourd’hui de nouvelles perspectives dans les possibilités de télédétection. De même ces
progrès entraînent une baisse des coûts de production d’image.
Après les images satellites et aériennes les drones5 sont de nouveaux moyens pour
produire des images de très bonne résolution à des coûts faibles.
Mais l’augmentation de la précision des images offre une forte quantité d’information,
et modifie les méthodes de travail de télédétection actuelles.
3.2. Cadastre et Transformée de Fourier
Dans [Masson et al., 2001], l’approche proposée repose sur une transformée de Fourier
[cf. Annexe] sur les parcelles de vignes en vue de les valider et de les caractériser. En effet la
transformée de Fourier 2D met en valeur l’aspect fréquentiel des rangs de plantation de la
vigne.
A partir de photo aérienne trichromatique orthorectifiée, et des références du cadastre6,
une transformée de Fourier est appliquée aux parcelles. Puis, une extraction des fréquences
maximales permet d’analyser l’amplitude des maximas, l’orientation et l’écartement
géographique, en vue d’une exportation vers une base de données SIG.
Avantages et inconvénients
Cette méthode montre des résultats très satisfaisants : sur 400 parcelles 95% ont été
reconnues comme telles, alors que seulement 3% ont été faussement identifiées. Dans les
5 De l’Anglais « faux-bourdon » appareil piloté à distance équipé de divers capteurs. 6 Le cadastre est un registre de l'État composé de plusieurs plans et documents préparés par des arpenteurs-géomètres. Ces plans contiennent
les mesures, la superficie, la forme du terrain ainsi que sa position par rapport aux propriétés voisines.
11
erreurs 10% des parcelles sont des gobelets faussement qualifiés et 2 % sont des vignes
palissées vues par le modèle comme étant des gobelets.
Néanmoins, cette approche est basée sur l’utilisation du cadastre. Or, pour son utilisation
en traitement d’images de nombreux exemples posent des problèmes : il est en cours
d’orthorectification, et les mises à jour sont peu fréquentes, de plus il est possible qu’il
regroupe des parcelles accolées.
3.3. Analyse texturale
Dans le travail de Séverine Prat [Prat, 2002] l’algorithme proposé est basé sur la
transformée de Fourier. Cet algorithme consiste à balayer l’image étudiée avec un filtre de
taille fixe, puis d’appliquer à cette zone de l’image une FFT, pour déterminer un indice de
vigne. Pour améliorer cet indice de vigne, pour chaque imagette on calcule sa radiométrie
moyenne, sa variance, et son indice d’anisotropie angulaire. Après une analyse statistique on
détermine les zones de l’image correspondantes à des parcelles de vignes.
Avantages et inconvénients
Les résultats obtenus semblent satisfaisants pour une résolution inférieure au mètre. Mais
la lourdeur du calcul de la FFT, et les nombreux paramètres, peuvent nous faire poser la
question de savoir s’il n’existerait pas des méthodes plus simples pour identifier les parcelles.
3.4. Autres méthodes
Le rapport de l’école des mines de Paris et du centre d’énergétique ARMINES [Rachin
et al., 1998] a évalué différentes méthodes permettant l’identification des parcelles de vignes.
Une première méthode est basée sur un masque manuel appliqué à la transformée de Fourier,
la seconde est une analyse multirésolution basée sur la décomposition en ondelettes.
12
Avantages et inconvénients
Ces méthodes assez complexes offrent des résultats plus ou moins satisfaisants. Mais la
première méthode repose sur la réalisation d’un masque manuel sur les fréquences maximales
de la transformée de Fourier, alors que nous recherchons plus une méthode de classification
automatique.
La transformation en ondelettes offre des possibilités d’analyse multiéchelle, mais la
complexité des calculs nous semblent en contradiction avec notre démarche de recherche
simple et efficace.
13
4. Travail réalisé
4.1. Recherche d’un algorithme d’identification des parcelles
Le logiciel ImageJ a permis de tester différentes méthodes pour tenter d’identifier les
parcelles de vignes, en exploitant les possibilités du logiciel ou en implémentant des
algorithmes de traitement d’images.
Il en découle un algorithme basé sur plusieurs étapes :
1. Calcul de l’indice de Végétation
2. Détection de contours
3. Convolution par un filtre médian
4. Seuillage
5. Recherche de composantes connexes
4.1.1. Indice de Végétation
La première étape de la méthode était de choisir entre un traitement des images IRC avec
les trois canaux, ou de choisir un des canaux. Jusqu'à présent (cf. état de l’art) les traitements
sont réalisés sur un seul canal, le proche infrarouge qui possède le plus de contraste pour la
végétation.
En fait, il a été jugé plus adéquat d’utiliser un compromis, car il existe une méthode qui
prend en compte le canal proche infrarouge et le canal rouge de l’image pour mettre en valeur
la végétation (cf. annexe indice de végétation). En effet, le NDVI (Indice de Végétation par
Différence Normalisé) permet un meilleur contraste sur la végétation et donc les parcelles de
vignes, en admettant que les prises de vue soit effectuées au moment le plus opportun.
Figure 1: Courbe typique de réflectance de la végétation
14
D’après la Figure1, les canaux rouge(R) et proche infrarouge(PIR) se prêtent bien à la
différence entre le minimum d'absorption de la chlorophylle et le plateau dans l'infrarouge,
une indication directe de la quantité de biomasse active en terme de photosynthèse.
Par conséquent, on obtient l'indice de végétation normalisé par la calcul du quotient :
RPIRRPIRNDVI +
−=
Image initiale Canal rouge Résultat du NDVI
Le NDVI permet donc d’obtenir une image mono canal en centrant l’information sur la
végétation, on remarque que le contraste est bien meilleur que sur le canal rouge, et que
l’ombre des nuages n’apparaît pas. Ceci est intéressant car cette ombre peut poser des
problèmes dans les traitements futurs.
4.1.2. Détection de contours
Pour mettre en valeur les parcelles de vignes, il est possible d’utiliser une détection de
contours qui caractérise les rangs des vignes par leur fort gradient. Le logiciel ImageJ intègre
une convolution par deux filtres Sobel. L’image finale est une combinaison des deux dérivées,
en utilisant la racine de la somme des carrés. Il ne faut pas perdre à l’esprit qu’après cette
étape nous ne travaillons plus sur l’intensité des pixels de l’image originale mais sur la valeur
du gradient.
1 2 1 1 0 -1 0 0 0 2 0 -2 -1 -2 -1 1 0 -1 Noyaux de convolution de Sobel
15
Image 1 : Image résultat de la détection de contours
4.1.3. Convolution par un filtre médian
Après la mise en valeur de la forte variation du gradient des parcelles étudiées due à la
nature de la plantation en rang, un problème d’homogénéisation de la parcelle se pose.
Il existe plusieurs méthodes qui permettent de “perdre” de la résolution pour unifier les
rangs de vigne en une seule vigne. De plus la “perte” de définition doit dépendre de la
résolution de l’image pour unifier les rangs de vignes sans agglomérer deux vignes proches.
La réduction de la taille de l’image permet l’homogénéisation de la parcelle. Mais cette
méthode pose des problèmes de compatibilité d’échelle avec les autres traitements.
L’application d’un filtre flou permet aussi de réaliser ce traitement, mais un tel filtre a
tendance à atténuer le contour même de la parcelle.
Il a donc été décidé d’utiliser un filtre médian, pour lisser les pixels tout en gardant un
contour distinct de la parcelle.
En effet, le filtre médian est un balayage de l’image avec un masque de n × n. Les pixels
appartenant au masque sont classés dans un ordre croissant et le résultat du filtre est inscrit
dans le pixel médian de l’image de sortie.
16
Image 2 : Image avec le filtre médian appliqué
4.1.4. Seuillage
Pour les traitements suivants il convient de passer l’image de niveau de gris en une
image binaire. Pour cela un seuillage est nécessaire. Mais il est difficile de déterminer un
niveau fixe pour le seuillage de l’image. Pour obtenir automatiquement le meilleur niveau de
seuillage deux méthodes ont été testées, la première est basée sur une dérivée discrète de
l’histogramme et la seconde sur une modélisation par des courbes gaussiennes.
Dérivée discrète de l’histogramme
Une solution pour trouver un seuillage optimal basé sur l’analyse de l’histogramme a
été proposée. En effet, on utilise un lissage itératif de l’histogramme pour rechercher n classes
dans l’image.
Histogramme Image correspondante
17
On remarque sur cette image que les parcelles de vignes occupent une grande
proportion de l’espace total ce qui correspond à la dernière bosse de l’histogramme.
Pour classifier l’histogramme, il a été décidé de rechercher les vallées de celui-ci. Pour cela
on calcule sa dérivée discrète.
L’histogramme est un tableau H de 256 valeurs, et à chaque valeur H[i] correspond le
nombre de pixel d’intensité i contenu dans l’image. Le calcul de la dérivée discrète est
déterminé par H[i] – H[i-1].
Figure 2 : Histogramme et l’estimation de sa dérivée discrète
Comme on le remarque sur la Figure 2 à chaque passage par zéro de la dérivée on
segmente l’histogramme.
Exemple avec trois lissages :
Histogramme
classifié Image correspondante
0 255
18
Modélisation de l’histogramme par deux gaussiennes
Une autre approche envisageable est d’approximer l’histogramme de l’image par deux
gaussiennes puis de calculer le niveau de seuillage par l’intersection de celles-ci. En effet,
l’intersection des deux courbes permet de trouver un seuillage plus “naturel”.
Histogramme 1 : modélisation de l’histogramme par deux gaussiennes
Débutons en posant l’équation d’une gaussienne :
2
2
2)(
21)( σ
µ
πσ
−−
=Γx
ex
où µ correspond à la moyenne, et σ à l’écart type.
Et soit H le tableau de l’histogramme, donc H[i] correspond au nombre de pixel de valeur i
contenu dans l’image.
Par la suite, nous tenterons de séparer l’histogramme en deux classes C1 et C2. La classe C1
correspond à l’intervalle entre 0 et t, C2 entre t+1 et 255.
C1 [0,t]
C2 [t+1,255]
Avec t ∈[1,253], car il ne peut exister une classe vide
Tout au long du parcours de l’histogramme on calcule la moyenne et l’écart type pour C1 et
C2.
∑=
=t
i
iHN0
1 ][ et ∑+=
=255
12 ][
ti
iHN
Calcul de la moyenne : Calcul de l’écart type :
∑=
×=t
i
iiHN 01
1 ][1µ ∑=
−×=t
i
iiHN 0
11
1 )²(][1² µσ
19
∑+=
×=255
122 ][1
ti
iiHN
µ ∑+=
−×=255
12
22 )²(][1²
ti
iiHN
µσ
On obtient tous les paramètres des équations gaussiennes, et une fonction de coût d’erreur est
évaluée par la méthode des moindres carrées :
])²[)()(( 2
255
01 xHxxErr
x
−+= ∑=
µµ
A la fin du parcours la valeur t correspondant à l’erreur la plus faible est conservée pour
appliquer le seuillage.
Ces deux méthodes produisent de bons résultats quand la surface des parcelles occupe
une assez grande partie de l’image, mais lorsque cela n’est pas le cas, le seuillage peut être
erroné. Il serait envisageable de fixer un intervalle fixe et d’appliquer une des méthodes pour
réaliser le seuillage.
4.1.5 Recherche de composantes non connexes
Le seuillage a permis d’obtenir une image binaire, mais pour poursuivre il faut identifier
les parcelles, en étiquetant chacune d’elles.
L’algorithme de parcours avant-arrière avec recherche du minimum des prédécesseurs
vu en cours a été appliqué :
Soit : P : pixel courant a : prédécesseur avant b : prédécesseur arrière a | a | a a | P | b b | b | b
Tant que des étiquettes ont été modifiées Parcours avant de l’image Si aucun prédécesseur avant n’a été étiqueté Le pixel courant prend une nouvelle valeur Sinon
Le pixel courant prend la valeur du plus faible de ses prédécesseurs avant
Fin parcours
20
Parcours arrière de l’image Si aucun prédécesseur arrière n’a été étiqueté Le pixel courant prend une nouvelle valeur Sinon
Le pixel courant prend la valeur du plus faible de ses prédécesseurs arrière
Fin parcours
Fin tant que
De plus, on obtient le nombre de pixels que possède chaque parcelle, et il est possible de
rajouter un test pour éliminer les zones trop petites qui ne correspondent pas à des parcelles.
Image après seuillage Recherche de
composantes non
connexes
4.2. Caractérisation des parcelles
4.2.1. Application de la transformée de Fourrier (TF)
Pour travailler sur l’aspect fréquentiel des rangs de vignes une FFT (Fast Fourier
Transform) est appliquée aux parcelles identifiées (cf. Annexe C).
21
Parcelle de vigne Transformation par FFT
On remarque sur la TF, que deux pics fréquentiels sont présents de chaque coté de la
fréquence centrale. En effet, ces pics sont dus à l’aspect répétitif des plantations des vignes.
Un traitement permettrait de vérifier la position de ces pics, pour valider la parcelle et/ou en
tirer des informations pour la caractériser.
L’écartement inter-rang des vignes est fonction de l’éloignement des pics fréquentiels.
En mesurant celui-ci on peut vérifier que l’écartement correspond à des standards de
plantation en culture viticole.
Figure 3 : Caractérisation de la TF d’une parcelle de vigne
Au départ il avait été choisi de travailler sur le spectre angulaire (cf. Annexe C), qui est
un signal à une seule dimension de la TF, l’information sur l’orientation est conservée mais la
notion de distance est perdue. La moyenne est faussée car le nombre de pixels varie en
fonction de l’orientation.
Orientation
Inter-rang
maximum
Inter-rang
minimum
22
4.3. Exportation des résultats
Après observation des outils de travail du personnel de la MTD, ArcView ERSI est le
logiciel le plus utilisé. Il pourrait supporter les informations de sortie de la reconnaissance des
parcelles de vigne. En effet, ArcView est un logiciel de SIG de référence qui permet de gérer,
visualiser, interroger et analyser toutes les données disposant d'une composante spatiale.
4.3.1. Choix du type de fichier
Les logiciels de SIG gèrent deux grands types de format, d’un coté le type raster ou bit-
map qui sont des ensembles de pixels, et l’autre format dit shape qui est un ensemble
d’informations vectorielles. L’exportation des résultats au format vectoriel correspond au
mieux à la nature spatiale du contour de parcelles. De plus cela permettrait d’effacer les trous
dus aux traitements qui peuvent être présents dans une parcelle.
4.3.2. Polygonisation des parcelles
Recherche de contour
A ce stade nous avons identifié les parcelles, qui sont composées de n pixels.
La première étape est de repérer tous les pixels qui appartiennent au contour. Pour
identifier un pixel appartenant au contour, il faut vérifier pour celui-ci si l’un de ses voisins
appartient au pixel du fond. Pour obtenir un contour d’un pixel d’épaisseur il vaut faire le test
en 4-connexitées.
Par la suite il nous faut ordonner ces pixels de contour dans un ordre circulaire pour
pouvoir les parcourir facilement. Le test de détection de contour se fait par un balayage avant
qui ordonne les pixels du contour de gauche à droite et de bas en haut. Donc pour re-classer
ces pixels on choisit le pixel le plus haut puis l’on recherche son voisin dans un ordre
préférentiel de parcours dans le sens des aiguilles d’une montre.
23
Approximations polygonales
Il existe trois approches possibles pour l’approximation polygonales des parcelles :
recherche des points à forte courbure, découpage récursif, et une méthode incrémentale. La
seule méthode vue en cours a été utilisée : l’utilisation d’un découpage récursif.
On choisit quatre pixels initiaux à des distances homogènes de la parcelle I1, I2, I3 et I4.
Puis entre In et In+1 on recherche le point du contour le plus éloigné de la droite (In ; In+1), et
l’on réitère la méthode récursivement, jusqu'à obtenir une surface du polygone proche de celle
de la surface de la parcelle.
Etape 1 (4 cotés) Etape 2 (8 cotés)
Figure 4: Approximation par découpage récursif
Calcule d’aire
Pour stopper le processus de découpage récursif, un test évalue la différence entre l’aire de la
parcelle et du polygone.
La méthode des coordonnées permet de calculer l’aire d’un polygone :
∑=
−+ −=n
iiii YYXAire
111 )(2
1
où n est le nombre de sommets du polygone
4.3.3. Format ArcView
Le logiciel ArcView permet d’importer des fichiers shape (extension .shp) qui sont liés
avec des fichiers d’index (.shx) et des fichiers dBASE (.dbf). Les fichiers shape permettent de
stocker un grand nombre de format vectoriel (Point, Ligne, Polygone…). En l’occurrence le
format qui intéresse est le polygone.
I I
I
I
I
I
I
I
J12
J23
J34
J41
24
Avec la description des fichiers shape et index [ESRI Shapefile Technical Description,
1997], un plugin à été créé pour ImageJ qui permet d’exporter les résultats des parcelles
polygonalisées pour ArcView.
Des problèmes se sont posés pour caler les informations vectorielles avec les images,
car les images étudiées possèdent des attributs de géoréférencement. Il a donc fallu modifier
l’échelle des vecteurs en fonction des attributs des images.
25
5. Résultat et discussion
5.1. Tests
Photo 2 : Extrait de photo aérienne, avec les visualisations du résultat de l'algorithme de reconnaissance.
Cet extrait d’une photo aérienne est très intéressant pour caractériser les types d’erreurs
générés par la reconnaissance des vignes :
1 : Vigne jeune possédant un indice de végétation faible
2 : Parcelles englobées car leur séparation est végétale
3 : Délimitation englobant la végétation de bordure
4 : Parcelles ayant des caractéristiques différentes mais avec peu d’espace de séparation
5 : Vigne peu homogène qui est reconnue comme plusieurs parcelles
6 : Vigne non identifiée dans son intégralité
7 : Parcelle non reconnue (rognage important)
Bien que le nombre de tests n’a pu être très important faute de temps, on remarque que la
reconnaissance et loin d’être parfaite.
1
2
3
4
5
6
7
26
Il serait possible d’améliorer l’algorithme en modifiant à bon escient les paramètres de celui-
ci, mais le problème principal qui se pose et d’un côté si l’on peut augmenter la
reconnaissance de la vigne, on accroît les possibilités d’englober les parcelles.
Les paramètres peuvent aussi être modifiés en fonction des propriétés des prises de vue
mais aussi de la caractéristique de la végétation au sol.
5.2. Propositions et améliorations
Tout au long de la découverte des résultats et de la modification des algorithmes, de
nouvelles propositions se sont présentées mais n’ont pas eu le temps d’être implémentées.
En effet, au cour d’une présentation réaliser par l’IGN(Institue National Géographique),
un algorithme de représentation ensemble-échelle d’une image a été présenté [Guiges]. Celui-
ci pourrait être utilisé dans le cadre de la reconnaissance de vigne et présenterai des
perspectives intéressantes. Cet algorithme est basé sur une reconnaissance très large qui
s’affine itérativement en subdivisant les zones identifiées si leurs critères d’hétérogénéités
sont trop élevés.
Des post-traitements sont envisageables pour identifier certaines caractéristiques au sein
même d’une parcelle (ceps manquants, surface non cultivée en bordure de vigne, etc…)
27
Conclusion
Ce stage dans le cadre de R&D (recherche et développement) m’a permis de découvrir
le fonctionnement des méthodes de travail d’un laboratoire publique, et en partie le
fonctionnement d’un projet agronomique européen, avec ses difficultés.
En effet, après avoir recherché toutes les études réalisées sur le sujet, une offre de
méthodes nous a été proposée, et le but était d’adapter les méthodes les plus efficaces à notre
problème.
La réalisation personnelle de programme de traitement d’images, m’a permit
d’appliquer les algorithmes vus en cours, d’en juger leurs possibilités.
De plus il a été très instructif de discuter avec d’autres stagiaires ou chercheurs, pour
demander des informations ou tous simplement découvrir d’autres domaines intéressants de la
recherche.
28
Annexe A
Orthophotographie
L’orthophotographie est une image photographique sur laquelle les déformations dues
au relief du terrain, à l'inclinaison de l'axe de prise de vues et à la distorsion de l'objectif ont
été corrigées. En effet lorsque l'on prend un objet en photo, l'image obtenue n'a pas les
caractéristiques géométriques d'un plan. Une photographie donne une représentation déformée
par la perspective, le relief de l'objet et les distorsions de l'objectif. La rectification d'une
photographie consiste à corriger ces déformations en replaçant chaque élément de l'image à sa
position géométrique exacte dans un plan de projection.
Prise de vue oblique avec
déformations dues à la
perspective
Prise de vue oblique avec
déformations dues à la
perspective
Orthophotographie
Pour les prises de vues aériennes, on utilise un modèle numérique de terrain (MNT) qui
est une représentation des altitudes du terrain, pour en calculer une corrélation avec l’image.
29
Annexe B
Image Multispectrale
Les images multispectrales sont des images composées de n canaux correspondant à des
bandes spectrales définies.
Les images trichromatiques couleurs sont composées de trois bandes spectrales le rouge,
le vert et le bleu du spectre visible.
Les images étudiées dans le cadre du stage sont des images IRC (Infra-Red Color), sont
composées du canal rouge, du vert et du canal proche infra-rouge compris entre 78µm et
85µm de longueur d’onde dans la bande spectrale(cf. Photo 1).
Elles possèdent 256 niveaux pour chaque canal, et l’on remarque que la végétation
ressort rouge.
Figure 5: Spectre partiel des ondes électromagnétiques
30
Annexe C :
Transformée de Fourier 2D discrète
[S.PRAT, 2001]
Une image est une distribution d’intensités lumineuses (réflectance) dans un plan, donc
un signal à deux dimensions. L’information contenue dans une image peut être représentée
sous différentes formes afin de mieux mettre en évidence certaines propriétés de celles-ci :
elle peut être exprimée soit dans le domaine spatial, soit dans le domaine fréquentiel. La
représentation spatiale d’une image correspond au plan des valeurs de chaque pixel,
représentée par une matrice rectangulaire. En représentation fréquentielle, on utilise
notamment la transformée de Fourier (TF) qui nous intéresse dans le cadre de ce projet.
La transformée de Fourier permet de passer d'une représentation de l'image dans le
domaine spatial à sa représentation dans le domaine fréquentiel. Pour un signal discret en 2D,
la TF pour une image (N, M) s'exprime sous la forme :
))(2exp(),(1),(1
0
1
0 My
Nxiyxf
NMF
N
x
M
y
υµπνµ +−= ∑∑−
=
−
=
où µ = 0,1,2,…, N-1 avec N = nombre de lignes dans l’image
υ = 0,1,2,…, M-1 avec M = nombre de colonnes dans l’image
et f(x,y) est une fonction à deux variables représentant l’intensité (en niveaux de gris) d’une
image au point d’abscisse x et d’ordonnée y.
Les deux variables µ et υ représentent les fréquences spatiales selon les directions Ox
et Oy respectivement ( O désigne l’origine et x, y les directions cartésiennes).
Les fréquences spatiales s’expriment, généralement, en nombre d’ondes et sont
adimensionnels. Ces derniers donnent le nombre de creux ou de bosses qui se succèdent en
une unité de longueur dans une direction cartésienne. Il y a donc une relation simple entre la
dimension des motifs spatiaux répétitifs détectés sur l’image, ces valeurs et la dimension de
l’image.
L’analyse d’image par transformée de Fourier est une méthode descriptive utilisable
pour l’analyse des motifs spatiaux réguliers en télédétection. En effet, l'étude de la forme du
31
spectre de Fourier nous permet de calculer la périodicité spatiale et les orientations
dominantes d'un motif.
Le spectre de Fourier d’une image carrée (N,N) peut être visualisé par un
périodogramme. Cette méthode consiste à décomposer la fréquence de l’image en fonction
des fréquences spatiales.
L’équation du périodogramme pour une image carrée (N,N) s’écrit:
Ipq=N²(a²pq+b²pq)
Où I représente une part de variance de l’image expliquée par les fréquences spatiales p et q et
a et b sont les coefficients de Fourier associés aux fréquences spatiales p (fréquence en x ) et q
(fréquence en y) :
∑∑
∑∑
= =
= =
+=
+=
n
x
n
yxypq
n
x
n
yxypq
Nqy
NpxS
Nb
Nqy
NpxS
Na
1 1
1 1
)(2sin²
1
)(2cos²
1
π
π
avec Sxy=(radiométrie au point (x,y)) – (radiométrie moyenne de l’image)
En pratique, les coefficients a et b peuvent être directement calculés à partir des données
par la méthode de Fast Fourier Transform (FFT) à 2 dimensions.
La somme des carrés des coefficients a et b représente la proportion de variance
expliquée par une fonction périodique définie par un couple (p,q) donné.
Les maximas du périodogramme indiquent les nombres d’onde dominants dans une direction
donnée, ou les directions dominantes pour un nombre d’onde donné. En sommant les valeurs
du périodogramme sur p et sur q, on obtient la variance totale de l’image analysée :
∑ ∑=+=qp qp
pqpqpq N
Iba
, ,
2222
²)(σ
Les valeurs du périodogramme, obtenues selon une vision cartésienne de l’espace en
coordonnés (p,q), peuvent être exprimées en coordonnées polaires (r,θ). Ip,q devient alors
G(r,θ). Ceci permet une étude séparée de la périodicité et des orientations principales. On peut
obtenir ainsi deux spectres polaires : un spectre radial et un spectre angulaire.
32
Le spectre radial est la moyenne des G(r,θ) sur θ. Il nous donne la décomposition de la
variance de l’image selon les nombres d'ondes sans tenir compte des orientations ( hypothèse
d’isotropie). C’est à dire le nombre de fois ou le motif se reproduit dans l’image quelle que
soit la direction du motif. C’est un nombre adimensionnel, issu d’une relation entre la
dimension physique du motif et la dimension physique de l’image.
Le spectre angulaire est la moyenne des G(r,θ) sur r. Il détermine les directions
principales de l’onde. Cependant si nous voulons trouver la direction réelle dans l’espace de
l’image de départ, nous devons prendre en compte l'écart de 90 degrés entre les directions
spatiales et fréquentielles.
33
Bibliographie
ESRI Shapefile Technical Description, 1998
Girard M-C. et C., 1999, Traitement des données de télédétection, Dunod.
Guiges L., Le Men H., Cocquerez J-P., Analyse et représentation ensemble-échelle d’une
image
Naert B., Caractérisation de la signature spectrale, spatiale et temporelle des vignes et vergers
– Application à la télédétection du sol et de la culture
Prat S., 2002, Caractérisation de végétations régulières par télédétection à très haute
résolution spatiale : Application à l’analyse texturale de parcelles viticoles.
Robbez-Masson J., Wassenaar T., Andrieux P., Baret F., 2001, Reconnaissance par
télédétection rapprochée des vignes et analyse de leur structure spatiale à l'aide d’une analyse
fréquentielle intra-parcellaire. Application au suivi des effets des pratiques culturales,
Ingénieries, 27, 59-67
34
Résumé
L’arrivée d’images à très haute résolution (THR), notamment satellitales, laisse
entrevoir des potentialités nouvelles en matière d’utilisation de la télédétection. Ce stage
s’inscrit dans le cadre d’un développement de méthode simple et efficace d’identification,
différente des méthodologies actuelles. On s’intéresse dans cette étude aux végétations
régulières, et particulièrement à la reconnaissance des parcelles viticoles dans le cadre d’un
projet européen. De plus, ce travail utilise des méthodes de caractérisation basées sur la
transformée de Fourier
Mots Clef : Télédétection – Vigne – THR – Transformé de Fourier
Abstract
The arrival of images of very high spatial resolution (VHR), especially from satellite,
opens new potentialities in the use of the remote sensing. This training joints is point of the
development of simple and effective methods, different of actual methodologies. Regular and
long-lasting vegetation, is considered here in particular vineyards, in a euroopean project.
Also, this work use caracterisation methods, base on Fourier Transform.
Keywords: Remote Sensing – Vineyard – VHR – Fourier Transform