Définition d’une méthodologie de détection de phénomènes dynamiques dans une chronique d’images

Choix de l’image référence et des points de repère

 Il faut pour commencer, choisir une image qui servira de référence pour le recalage des images suivantes. Le choix de cette image référence est important car il conditionne la qualité de la superposition de la série. En effet, cette image doit être suffisamment nette et représentative de la scène observée (peu de nuages, bonnes conditions d’éclairement, etc … ), et posséder un contraste suffisant pour pouvoir en extraire des zones géographiques très précises qui serviront de points de repère. Un certain nombre de fenêtres, de taille réduite, sont choisies à l’intérieur de l’image référence, encadrant ces points de repère ou amers. La comparaison se fera entre les fenêtres de l’image référence et les fenêtres, de taille identique ou inférieure, centrées sur les m~mes positions ((i0, j0) sur la figure 2.1) dans l’image à rectifier. Nous avons choisi des fenêtres carrées ou rectangulaires dont les dimensions, en ligne et en colonne, peuvent varier entre 16 et 64 points. De façon à mieux caractériser les formes des amers, des essais de corrélation ont été réalisés entre des images soient originales, soient étalonnées, et entre des images représentant une combinaison linéaire des images originales et de leur gradient selon la définition de Sobel, G(i,j).

Méthodes de mesure du décalage entre amers

   On peut établir une analogie entre le problème qui nous occupe ici et l’estimation de champs de vents en imagerie météorologique. En effet, le vecteur vitesse du vent est calculé à partir de la mesure du déplacement d’un nuage traceur entre deux images, lequel déplacement est estimé par une méthode de corrélation entre les images, voir par exemple Phillips et al., 1972. De même, la mesure du déplacement des icebergs sur. des images satellitaires peut être estimé par une méthode de corrélation entre les images, voir par exemple Ninnis et al., 1986. C’est pourquoi nous nous sommes référés à ces travaux pour mener à bien cette étude. Dans ce qui suit nous étudions différentes méthodes de corrélation afin de déterminer celle qui sera la plus appropriée au cas qui nous préoccupe en fonction du type d’image, de la fiabilité de la méthode de calcul et de la rapidité d’exécution.

Détermination du décalage

    Grâce à la méthode de calcul de corrélation ou de similarité définie au paragraphe précédent, on dispose pour chaque amer de la liste d’une mesure du décalage (en ligne et en colonne). Le vecteur de la translation à appliquer à l’image est déduit de l’ensemble des décalages de la manière suivante. Tout d’abord, nous sélectionnons et conservons dans la liste, les valeurs de décalage pour lesquelles le coefficient de corrélation est supérieur au seuil de corrélation que l’on a fixé à 0,7, au vu de corrélations effectuées sur plusieurs centaines d’images Météosat (Demarcq, 1985). Puis on calcule l’histogramme et le(s) mode(s) des valeurs de décalage restantes, si leur nombre est supérieur ou égal à trois. Dans les cas où il y a un premier mode unique, ou deux premiers modes espacés d’un pixel, le premier mode ou l’un des deux premiers modes, choisi arbitrairement,représente la valeur de la translation. Si les valeurs des deux premiers modes sont espacées de plus d’un pixel, ou s’il y a plus de deux premiers modes, on considère qu’il n’y a pas de vecteur de translation satisfaisant. Dans le cas où il n’y a pas de mode, on calcule les médianes, arrondie par valeur inférieure, puis par valeur supérieure. Dans le cas où ces deux médianes sont identiques, si les valeurs observées immédiatem.ent de part et d’autre de la médiane sont espacées d’elle d’un pixel au plus, alors cette médiane représente la translation. Dans le cas où les deux valeurs de la médiane sont distinctes et voisines, alors l’une des deux valeurs, choisie arbitrairement, représente le décalage recherché. Dans tous les autres cas de figure, le décalage final ne pourra être déduit, l’image ne sera pas rectifiée géométriquement, et ne sera donc pas prise en considération dans les traitements ultérieurs.

Etude des processus physiques

   Les images numériques à étudier, ont été obtenues grâce à un capteur (caméra, radiomètre à bord de satellite … ) qui a effectué une mesure du rayonnement dans la gamme spectrale correspondant à sa sensibilité. Une approche déterministe du problème consiste à décrire les processus physiques du rayonnement en fonction du type de capteur, de sa bande spectrale, et de la scène étudiée, puis de le modéliser afin de connaître le type de signal formant chaque pixel de l’image. En connaissant le type de variation, en fonction du temps et de l’espace, à laquelle est soumis chaque pixel, on pourra alors normaliser l’image de façon à ce que chaque pixel représente la même grandeur physique. Ce chapitre ayant pour but de présenter des méthodes générales d’étalonnage, on ne décrira pas en détail une modélisation physique particulière qui serait trop dépendante du type d’image et du type de capteur. Cette méthode d’étalonnage a été utilisée pour l’étude d’images provenant du capteur « visible » de satellite géostationnaire. Les détails de la modélisation sont présentés dans le chapitre 5 concernant l’extraction de nuages sur des images satellitaires. Nous avons tenté le même type de modélisation pour des images provenant d’une caméra vidéo fonctionnant dans le visible et le proche infra-rouge. Les détails de la modélisation sont présentés dans le chapitre concernant la détection précoce des fumées d’incendie de forêt.

Adaptation de la moyenne et de l’écart-type des images

   Tout en conservant la même approche statistique globale, nous allons étalonner les images de façon à ce que chacune possède les mêmesmoyenne et écart-type, et de ce fait rendre leurs histogrammes comparables. Ce type d’étalonnage est proche de la méthode décrite précédemment. Cette méthode est également présentée par Rosenfeld et Kak (1976) comme une méthode d’étalonnage pour la comparaison de deux images entre elles. Pour cela, deux façons ( de procéder sont décrites :la première adapte l’histogramme d’une image en fonction de celui de l’autre image à comparer, la seconde adapte les deux histogrammes en fonction d’un histogramme standard. Nous choisissons dans cette étude la seconde façon de procéder qui s’adapte mieux au nombre d’images que l’on a à traiter et n’impose pas de choix préalable d’une image de référence. La normalisation consistera en un recodage de l’image, de façon à ce que les nouvelles valeurs codées correspondent à une moyenne et un écart-type imposés, les mêmes pour toutes les images. Ceci permet de s’assurer que la dynamique des variations des valeurs est la même dans chaque image et de ce fait permet de comparer les différentes images entre elles. On peut considérer chaque image comme un ensemble de N variables aléatoires notées {Xi}, ayant pour moyenne rn et pour écart-type o. N représente le nombre de points dans l’image, Xi représente la variable aléatoire appartenant à l’intervalle [0, 255], p(i) représente le nombre de points dans l’image ayant la même valeur.

Table des matières

Remerciements
Chapitre 1 : Introduction
Chapitre 2 : Mise en coïncidence géométrique des images
2.1 Introduction
2.2 Choix de l’image de référence et des points de repères
2.3 Méthodes de mesure du décalage
2.3.1 Calcul de similarité avec le coefficient de Pearson
2.3.2 Etude de similarité par le calcul de médiane et seuillage
2.3.3 Calcul de la covariance par transformée de Fourier
2.3.4 Résultats
2.4 Détermination du décalage
2.5 Conclusions
Chapitre 3 : Définition de la méthodologie de détection
3.1 Introduction 
3.2 Etalonnage
3.2.1 Etude des processus physiques
3.2.2 Approche statistique globale
3.2.2.1 Ajustement de la dynamique
3.2.2.2 Adaptation de la moyenne et de l’écart-type
3.2.2.3 Modèlisation de l’évolution par régression linéaire
3.3 Détection des phénomènes en mouvement 
3.4 Conclusions
Chapitre 4 : Mise en évidence du mouvement des phénomènes météorologique grâce à une animation
4.1 Introduction et présentation du problème
4.2 Etalonnage des images
4.3 Codage des images dans l’espace des couleurs
4.4 Transitions entre les images 
4.5 Conclusions
Chapitre 5 : Extraction de nuages sur des images satellitaires
5.1 Présentation du problème
5.2 Normalisation des images 
5.3 Filtrage des images
5.4 Résultats et Conclusions
Chapitre 6 : Détection précoce des fumées d’incendie de forêt
6.1 Présentation du problème
6.1.1 Introduction
6.1.2 Etude qualitative
6.2 Méthodes de détection 
6.2.1 Etalonnage des images
6.2.1.1 Modélisation des processus physiques
6.2.1.2 Adaptation de la moyenne et de l’écart-type
6.2.1.3 Modélisation par régression linéaire
6.2.2 Etude de la discrimination
6.2.3 Filtrage
6.3 Etude expérimentale
6.3.1 Introduction
6.3.2 Premier exemple
6.3.3 Deuxième exemple
6.3.4 Troisième exemple
6.4 Résultats et conclusions 
Chapitre 7 : Conclusions générales
Liste des illustrations
Références bibliographiques
Bibliographie
Annexe 1
Annexe 2
Annexe 3

Télécharger le rapport complet