Tรฉlรฉcharger le fichier pdf d’un mรฉmoire de fin d’รฉtudes
Correction gรฉomรฉtrique :
Les images de tรฉlรฉdรฉtection sont acquises sous certaines configurations de visรฉe. Lโespace gรฉographique observรฉ a une surface irrรฉguliรจre. Les images prรฉsentent des distorsions dans toutes les dimensions de lโespace. Les principales origines de distorsion gรฉomรฉtriques sont lโobliquitรฉ de la prise de vue, le mouvement du systรจme de balayage, le relief, la rotation et courbure de la terre. Lโorthorectification est un processus qui รฉlimine les distorsions gรฉomรฉtriques introduites au cours de la capture dโimage et produit une image qui a une gรฉomรฉtrie planimรฉtrique, comme une carte. Elle permet ainsi, dโattribuer de coordonnรฉes gรฉographiques ร lโimage.
Fusion dโimages
Une fusion dโimages consiste ร produire une nouvelle image ร partir des images qui conserve une partie de lโinformation contenue dans chacune des images originales [10]. La haute rรฉsolution spatiale ayant un intรฉrรชt prรฉpondรฉrant, des mรฉthodes permettant dโamรฉliorer la rรฉsolution spatiale des images multi bandes ont รฉtรฉ dรฉveloppรฉes.
La mรฉthode ARSIS (Amรฉlioration de la Rรฉsolution Spatiale par Injection de Structures) dรฉveloppรฉe conjointement par lโAรฉrospatiale et lโรcole des mines de Paris [11] permet, dans un ensemble dโimages de rรฉsolution spatiale et spectrale diffรฉrente, dโamener les images ayant une moins bonne rรฉsolution spatiale ร la rรฉsolution spatiale dโune image ร plus haute rรฉsolution disponible dans lโensemble de donnรฉes. Cependant, la qualitรฉ spectrale des images dont on amรฉliore la rรฉsolution spatiale est prรฉservรฉe. Les images obtenues peuvent รชtre utilisรฉes ร dโautres fins que la simple visualisation et ainsi amรฉliorer, par exemple, la prรฉcision des classifications rรฉalisรฉes sur les images multi bandes originales. Elle sโappuie sur la transformรฉe en ondelettes et lโanalyse multi rรฉsolution. [12] et [13] donnent plus de dรฉtail sur lโanalyse par ondelette.
Lโanalyse multi rรฉsolution a รฉtรฉ introduite par Mallat [14]. Cet outil mathรฉmatique permet de calculer des approximations successives dโune mรชme image ร des rรฉsolutions spatiales de plus en plus grossiรจres. Elle peut รชtre reprรฉsentรฉe par une pyramide dont la base est lโimage originale et dont les diffรฉrentes approximations sont les diffรฉrents รฉtages de la pyramide. La limite thรฉorique de cette analyse est une image dโun pixel qui reprรฉsenterait la moyenne de lโimage de dรฉpart. La diffรฉrence dโinformation existant entre deux approximations successives est modรฉlisรฉe par des coefficients dโondelettes calculรฉs ร partir de la transformation en ondelettes. Les bases dโondelettes sont construites par dilatation et translation dโune fonction unique, appelรฉe ondelette mรจre. Cette opรฉration dโanalyse faisant appel ร la transformรฉe en ondelettes est inversible et ร reconstruction exacte. Ainsi, ร partir dโune approximation de lโimage dโorigine (un รฉtage de la pyramide) et des images de coefficients dโondelettes (reprรฉsentant la diffรฉrence dโinformation entre deux approximations successives), il est possible de reconstruire exactement lโimage dโorigine.
Prenons comme exemple le cas de SPOT4: P est lโimage panchromatique ร la rรฉsolution de 10 m et XSi la bande nยฐ i de lโimage multi spectral ร la rรฉsolution de 20 m. Une analyse multi rรฉsolution utilisant la transformรฉe en ondelettes est appliquรฉe ร lโimage P. La Figure 4 montre les diffรฉrentes opรฉrations de la mรฉthode ARSIS :
โข Opรฉration 1 : Des approximations de lโimage P ร 20 m, 40 m, 80 m, etc., sont calculรฉes. Les diffรฉrences dโinformation entre les approximations successives de lโimage originale sont modรฉlisรฉes par les coefficients dโondelettes.
โข Opรฉration 2 : De maniรจre similaire, lโimage XSi est dรฉcomposรฉe et des approximations ร 40 m, 80 m, etc., sont calculรฉes
โข Opรฉration 3 : Un modรจle de transformation des coefficients dโondelettes de lโimage P vers les coefficients dโondelettes de lโimage XSi pour une rรฉsolution spatiale donnรฉe est calculรฉ
โข Opรฉration 4 : Ce modรจle est alors infรฉrรฉ et appliquรฉ ร lโimage de coefficients dโondelettes reprรฉsentant la diffรฉrence dโinformation entre lโimage P ร la rรฉsolution spatiale de 10 m et son approximation ร la rรฉsolution spatiale de 20 m. Cette opรฉration permet de calculer les coefficients dโondelettes nรฉcessaires ร la synthรจse de lโimage XSi-HR.
โข Opรฉration 5 : La synthรจse sโeffectue par reconstruction (inverse de lโanalyse) ร partir des coefficients dโondelettes synthรฉtisรฉs et de lโimage originale XSi.
La bande panchromatique sera gardรฉe avec les 4 bandes ainsi construites pour prรฉserver le maximum dโinformation.
Dรฉtection de changement
Il existe plusieurs mรฉthodes de dรฉtection de changement. Hecheltjen et al [15] ont fait un inventaire de ces mรฉthodes tout en donnant leurs inconvรฉnients, leurs avantages, et le contexte oรน les mรฉthodes seraient plus performantes.
Soient et deux images ร dates diffรฉrentes et qui ont chacune k bandes. = [ 1 โฆ ] , = [ 1 โฆ ] . On notera V lโopรฉrateur variance, corr lโopรฉrateur corrรฉlation et cov lโopรฉrateur covariance.
Lorsquโon analyse lโรฉvolution des donnรฉes prises ร diffรฉrents points dans le temps, il est dโusage de calculer la diffรฉrence entre deux images. Lโidรฉe est, bien sรปr, que les zones qui prรฉsentent peu ou pas de changements ont de faibles valeurs absolues et les zones oรน il y a de grands changements ont des valeurs absolues รฉlevรฉes dans lโimage-diffรฉrence.
โ = [( 1 โ 1)โฆ ( โ )] (1)
En gรฉnรฉral, des simples diffรฉrences nโauront de sens que si les donnรฉes sont normalisรฉes avec une mรชme origine et ont une รฉchelle commune.
Si les images ont plus de trois bandes spectrales, il est difficile de visualiser simultanรฉment les changements dans toutes les bandes. Pour surmonter ces problรจmes et pour concentrer les informations sur les changements, des transformations linรฉaires des donnรฉes images peuvent รชtre envisagรฉ : une transformation linรฉaire qui permettra de maximiser une mesure de la variation dans une seule image de diffรฉrence cโest-ร -dire celle qui maximise les รฉcarts entre changement et non-changement. On peut prendre par exemple celle qui maximise la variance suivante:
{ 1( 1 โ 1) + โฏ + ( โ )} = { ( โ )} (2)
Oรน = [ 1, 2, โฆ ] est le coefficient de la combinaison linรฉaire.
Les zones avec des valeurs absolues รฉlevรฉes de ( โ ) dans lโimage sont des zones prรฉsentant de forts changements. La solution nโest pas unique, une multiplication du vecteur par une constante va multiplier la variance par 2. Par consรฉquent, on doit faire un choix concernant . Un choix naturel est dโimposer = 1 . Maximiser la variance prรฉcรฉdente, avec cette condition, se ramรจne ร trouver les composantes principales[16] de lโimage-diffรฉrence. P. Gong a appliquรฉ cette mรฉthode[17].
On peut aussi attribuer des coefficients diffรฉrents ร chaque bande de chaque image. Ainsi on aura 2 nouvelles images
= 1 1+โฏ+
et
= 1 1+โฏ+
et la diffรฉrence sera
Pour trouver a et b, lโanalyse en composantes principales sur les 2 images concatรฉnรฉes comme une seule image a รฉtรฉ utilisรฉe[18].
Ces 2 approches nรฉcessitent des donnรฉes calibrรฉes. Pour des donnรฉes non calibrรฉes, on dรฉfinit simultanรฉment a et b. On maximise, cette fois-ci la variance { โ }. Ici non plus, la solution nโest pas unique, on doit faire un choix, et le plus naturel est de choisir a et b tels que :
{ } = { }
Dans cette condition, on a:
{ โ } = { } + { } โ 2 { , } = 2 { }(1 โ { , }) (3)
Pour maximiser { โ } , il faut donc minimiser = { , }. Pour ce faire on utilise lโanalyse canonique des corrรฉlations que nous dรฉveloppons dans le paragraphe suivant.
Analyse canonique des corrรฉlations
LโAnalyse canonique des Corrรฉlations (ACC) est une รฉtude de la relation entre 2 groupes de plusieurs variables. Elle est dรฉveloppรฉe en dรฉtail dans [16]. On ne donne ici que le principe fondamental. Le but dans ACC est de trouver plusieurs couples de combinaison linรฉaire des variables (la premiรจre combinaison linรฉaire dโun couple est une combinaison linรฉaire des variables du premier groupe de variables et lโautre une combinaison linรฉaire du deuxiรจme groupe de variables).
On cherche dโabord une combinaison linรฉaire de variables pour chaque groupe de variables avec la condition que la corrรฉlation entre les combinaisons linรฉaires soit maximale. Les combinaisons linรฉaires de ce premier couple de combinaison linรฉaire sont appelรฉes premiรจres variables canoniques et la corrรฉlation est la premiรจre corrรฉlation canonique.
On cherche ensuite une autre combinaison linรฉaire pour chaque groupe de variables avec les conditions que la corrรฉlation entre les deux nouvelles combinaisons linรฉaires soit maximale et que ces combinaisons soient orthogonales aux premiรจres variables canoniques. Les deux nouvelles combinaisons linรฉaires sont appelรฉes deuxiรจmes variables et leur corrรฉlation, deuxiรจme corrรฉlation canonique. Les corrรฉlations canoniques et les variables canoniques dโordres supรฉrieures sont dรฉfinies de la mรชme faรงon.
|
Table des matiรจres
INTRODUCTION
1 CONTEXTE DE LโรTUDE
1.1 ZONE DโETUDE
1.1.1 Forรชt des Mikea
1.1.2 Commune rurale dโAnalamisampy
1.2 DONNEES UTILISEES
1.3 METHODOLOGIE
1.3.1 Prรฉtraitements
1.3.2 Dรฉtection de changement
1.4 CLASSIFICATION DโIMAGE
2 RรSULTATS
2.1 IMAD
2.1.1 Avant lโinstauration de lโaire protรฉgรฉe
2.1.2 Aprรจs lโinstauration de lโaire protรฉgรฉe
2.1.3 Comparaison des rรฉsultats de la mรฉthode iMAD
2.2 SEGMENTATION
2.3 CLASSIFICATION DES CHANGEMENTS
2.3.1 Classification des changements avant 2007
2.3.2 Classification des changements aprรจs 2007
2.4 COMPARAISON DES CATEGORIES DE CHANGEMENT
3 DISCUSSIONS
3.1 APPORT DE LA METHODE DE FUSION DโIMAGE ARSIS
3.2 APPORT DE LA CLASSIFICATION PAR LA METHODE RNA
3.3 COMPARAISON ENTRE LES METHODES IMAD ET PCC (POST CLASSIFICATION COMPARAISON)
3.4 APPORT DU TRAITEMENT PLR
3.5 DISCUSSION GENERALE
CONCLUSIONS
RรFรRENCES
ANNEXE
INDICE DE BOVIK
Tรฉlรฉcharger le rapport complet