Les bases physiques de la téledetection

LES BASES PHYSIQUES DE LA TELEDETECTION

Les traitements d’images en télédétection 

Le but ici est de fournir une palette d’outils permettant d’améliorer la visualisation des images satellites et donc de pouvoir mieux les interpréter.
Il existe deux types de traitements :

Les traitements applicables à un canal

Les traitements suivant sont applicables à un quelconque canal d’une image satellitale.
• Analyse d’un histogramme :
L’histogramme permet de savoir s’il y a ou non de l’information contenue dans l’image. Il se caractérise par sa forme et certaines données comme les valeurs de la moyenne, de la médiane, de l’écart-type. Plusieurs méthodes sont disponibles pour analyser l’histogramme. La méthode radiométrique utilise des modèles permettant de transformer les comptes numériques en valeur de réflectance. Les comptes numériques sont évalués à partir de la connaissance des comportements spectraux de divers objets : sol, végétation, eau, neige, route. Il faut disposer entre autres des coordonnées de la scène satellitale, de la date et de l’heure de prise de vues. Il est aussi possible de caler les comptes numériques à partir de réflectance prises sur le terrain. La méthode géographique retrouve sur l’image les localisations d’un objet bien connu au sol. En affectant à toutes les occurrences de cet objet une couleur donnée, on établit le spectre des comptes numériques caractérisant l’objet géographiquement. Il est alors possible d’interpréter thématiquement les valeurs de comptes numériques de l’histogramme de chaque canal.
• Les transformations des comptes numériques :
La visualisation d’une image sur l’écran, à partir d’une image brute, passe par deux phases : une fonction de transformation des comptes numériques bruts puis une table de coloration (Look Up Table). Une des premières manières de transformer une image est l’amélioration de la dynamique. Les données brutes d’une image ne couvrent presque jamais l’étendue des 256 valeurs possibles, or il est recommandé d’utiliser cet intervalle le plus complètement possible. Une façon de faire est, pour l’affichage, d’affecter à 0 la valeur minimum des comptes numériques et de porter la valeur maximale des comptes numériques à 255. Cette pratique est simple et garde toute l’information mais la dynamique n’est pas toujours nettement améliorée. Une deuxième façon de faire définit les bornes de la population statistique des comptes numériques en laissant à gauche comme à droite 1 pour 10 000 des valeurs, en s’assurant que les objets intéressants à classer ne sont pas dans ces gammes de comptes numériques. Puis on adapte l’affichage en fonction de ces seuils de dynamique. Enfin, une troisième façon met les seuils à partir de la première ou de la dernière valeur de compte numérique dont l’effectif en pixels est supérieur ou égal à 1 pou 10 000.

Une fois les bornes choisies, on peut appliquer les fonctions de transformation. L’objectif est de permettre d’avoir la majorité des pixels de l’image dans des valeurs de grisé détectables aisément par l’œil. La fonction de transformation la plus simple est la fonction linéaire. Cette méthode présente l’avantage de conserver les positions relatives des objets dans le domaine des comptes numériques. La transformation racine carrée donne un contraste satisfaisant si les valeurs des comptes numériques de la bande sont relativement faibles (les valeurs proches de 0 sont éclaircies et les valeurs proches de 255 sont saturées dans les valeurs très claires). La fonction logarithmique donne un effet semblable à la précédente, elle est globalement très claire. La fonction de transformation exponentielle donne une image très sombre pour les valeurs moyennes et faibles.
Une fois la transformation terminée, on affecte une couleur à chacun des 256 comptes numériques. Plusieurs tables de coloration (Look Up Tables) sont utilisées : table qui code du noir pour la valeur 0 au blanc pour la valeur 255, table qui passe du noir au blanc pour revenir au noir, table monochrome qui affecte une même couleur pour l’ensemble de l’image en passant du foncé au clair. Le contraste est le rapport de la distance topologique entre deux sites à l’éloignement géographique de ces mêmes sites. Il s’agit pour deux objets du rapport de leur distance sémantique à leur distance géographique. Il est important car il permet de mettre en évidence une zone. Il dépend de l’image elle-même, de la fonction de transformation utilisée et de la LUT.

Les traitements applicables à plusieurs canaux

Les traitements d’image utilisent en général trois canaux car il est possible de les afficher en même temps sur un écran. Dans la majorité des cas, on affecte une couleur à un canal mais la comparaison entre les couleurs et les comportements spectraux des objets n’est pas facile. En effet, il n’y a pas de rapport direct entre la réflectance d’un objet dans une bande spectrale et la valeur du compte numérique du canal correspondant à la bande, les calages qui sont faits entre l’énergie reçue par le capteur et la discrétisation du signal ne sont pas les mêmes selon les canaux et il faut prendre en compte les améliorations de la dynamique de chaque canal. En conséquence la même valeur d’un compte numérique sur les différents canaux ne correspond pas à la même luminance. Il ne faut pas rechercher un lien absolu entre comptes numériques et comportements spectraux.

• Correction : on relève trois types de correction :

 Correction atmosphérique : afin d’éliminer l’action de l’atmosphère et isoler les signatures Spectrales des objets terrestres. Connaissant certains paramètres (angle azimutal, heure et jour de la prise de vue, etc.), on utilise des modèles pour réaliser la correction.  Correction radiométrique : afin d’éliminer le bruit des capteurs et corriger les comptes numériques de scènes à deux dates pour pouvoir les comparer.

 Correction géométrique : afin d’éliminer les distorsions lors des enregistrements par le satellite (Altitude, rotation, courbure…). La superposition de deux images nécessite une correction géométrique. Cette procédure est appelée redressement géométrique.

• Combinaison de canaux
L’affichage sur un écran d’ordinateur d’une image numérique enregistrée par une caméra digitale s’effectue de manière évidente: on associe au canal “rouge” du système d’affichage l’image enregistrée par le canal “rouge” de la caméra, au canal vert le canal vert, etc. L’image résultante correspond donc fidèlement à ce que l’œil d’un observateur direct aurait vu: l’image d’un objet de couleur rouge est rouge, etc.
Dans les systèmes de télédétection, nous avons vu qu’il est possible de détecter et d’enregistrer des parties du spectre électromagnétique qui ne sont pas décelables à l’œil nu, comme l’infrarouge par exemple. Pour pouvoir visualiser cette information, on associe aux bandes spectrales du système d’observation des couleurs d’affichage (rouge-vert-bleu), qui ne leur correspondent pas nécessairement. Ce faisant, on crée des compositions colorées, appelées parfois “images en fausses couleurs”.
En se basant sur les modèles liant les comptes numériques aux comportements spectraux, on construit diverses compositions colorées dont les plus courantes sont les suivantes :
– Infrarouge couleur : canal IR en rouge, canal rouge en vert et canal vert en bleu Dans cette composition colorée, l’eau apparaît en bleu plus ou moins sombre, les sols en bleu ou en cyan plus ou moins clairs, la végétation en rouge plus ou moins intense, les ombres sont très sombres.
– Pseudo-vraie-couleur : canal IR en vert, canal rouge en rouge et canal vert en bleu Les végétaux apparaissent en vert, les sols en brun jaune, les eaux en bleu violacé. Toutes les images obtenues par composition colorée comportent exactement la même information mais notre œil la perçoit plus ou moins bien.

Cette méthode est très efficace car elle permet d’analyser en un coup d’œil des données ayant trois composantes: comme indiqué précédemment, en faisant varier de 0 à 255 les composantes rouge, verte et bleue définissant la couleur d’un pixel d’une image numérique, on peut obtenir plus de 16 millions de couleurs différentes. L’œil de l’interprète s’avère être un puissant outil d’analyse, car il permet de comparer la couleur de différent objets, mais aussi d’analyser la manière dont les couleurs sont juxtaposées, la forme et la taille des objets, etc.

• Ratio : les Transformations Ratio des données de télédétection peuvent être appliquées pour réduire les effets de l’environnement. Ratio également fournit des informations uniques et subtiles différences de réflectance spectrale ou de couleur entre les matériaux de surface qui sont souvent difficiles à détecter dans une image standard. Il est également utile pour distinguer les sols et la végétation.

Exemples de combinaisons : Le nombre de combinaisons de rapports possibles d’un capteur multi spectral avec les bandes P est n = P (P-1). Ainsi, pour les TM des six groupes de réflexion il ya trente combinaisons de rapport différentes.

• Indice : Combinaison de plusieurs bandes spectrales destinée à mettre en évidence les particularités radiométriques d’une surface donnée.

L’indice de végétation normalisé (NDVI = (PIR-R)/PIR+R) ) est le plus utilisé en biogéographie et en agriculture car il est étroitement corrélé avec la production chlorophyllienne des surfaces végétales.

• Classification : L’objectif de la classification est d’identifier les classes auxquelles appartiennent des objets à partir de traits descriptifs (attributs, caractéristiques).

• Classification non-supervisée
Dans cette approche, on laisse l’ordinateur analyser l’ensemble des signatures spectrales de tous les pixels de l’image, et déterminer des groupements naturels, c’est-à-dire regrouper les pixels sur base de signatures spectrales similaires. Dans certains cas, l’utilisateur peut imposer le nombre de catégories qu’il souhaite obtenir en fin de classification, et dans certains programmes, on peut également “forcer” certaines classes. Les algorithmes de classification procèdent en général par plusieurs passages au cours desquels les solutions proposées sont affinées de manière à créer des groupes plus homogènes et mieux différenciés.
Le principal avantage de cette méthode est d’être très rapide, puisqu’elle ne requiert pratiquement pas d’intervention de l’utilisateur. Son principal défaut est de se baser exclusivement sur les différences spectrales, qui ne correspondent pas toujours à des catégories naturelles d’occupation du sol. Par exemple, il est fréquent d’obtenir par classification non supervisée plusieurs classes correspondant à de la végétation herbeuse, mais une seule classe regroupant tout le tissu urbain, la voirie et les champs labourés, ce qui ne correspond normalement guère aux besoins des interprètes.

• Classification supervisée

– Seuillage monospectral
Pour l’eau, c’est facile. Dans certains cas, il est possible d’isoler une catégorie d’objets en effectuant un simple seuillage des valeurs numériques, dans une seule bande spectrale (seuillage mono spectral). C’est assez souvent le cas pour les surfaces aquatiques observées au moyen d’un capteur sensible au proche infrarouge: tous les pixels dont la valeur numérique est inférieure à une valeur seuil peuvent être affectés à la classe “eau”. Dans certains cas, une classe d’objets sera définie par une fourchette de valeurs (“tous les pixels dont la valeur numérique est comprise entre 56 et 87 sont classés comme forêt de feuillus” par exemple). Ce type de seuillage est souvent représenté graphiquement sur l’histogramme des valeurs numériques de l’image. On détermine habituellement les valeurs des seuils de manière interactive. Ce seuillage est assez efficace, même si on observe quelques pixels “parasites”. Malheureusement, dans la plupart de cas, cette méthode n’est pratiquement utilisable que pour la classe “eau”.

Guide du mémoire de fin d’études avec la catégorie TRAITEMENT DES IMAGES LANDSAT

Étudiant en université, dans une école supérieur ou d’ingénieur, et que vous cherchez des ressources pédagogiques entièrement gratuites, il est jamais trop tard pour commencer à apprendre et consulter une liste des projets proposées cette année, vous trouverez ici des centaines de rapports pfe spécialement conçu pour vous aider à rédiger votre rapport de stage, vous prouvez les télécharger librement en divers formats (DOC, RAR, PDF).. Tout ce que vous devez faire est de télécharger le pfe et ouvrir le fichier PDF ou DOC. Ce rapport complet, pour aider les autres étudiants dans leurs propres travaux, est classé dans la catégorie TELEDETECTION  où vous pouvez trouver aussi quelques autres mémoires de fin d’études similaires.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

LISTES DES FIGURES
LISTE DES TABLEAUX
CHAPITRE I : GENERALITES SUR LA TELEDETECTION
A. DEFINITION DE LA TELEDETECTION
B. HISTOIRE DE LA TELEDETECTION
C. LES BASES PHYSIQUES DE LA TELEDETECTION
D. LES TRAITEMENTS D’IMAGES EN TELEDETECTION
1- Les traitements applicables à un canal
2- Les traitements applicables à plusieurs canaux
E. LES COMPORTEMENTS SPECTRAUX
F. LES IMAGES LANDSAT
CHAPITRE II : METHODES DE TRAITEMENTS
I-PRESENTATION DE LA ZONE D’ETUDE
A. CADRE GEOGRAPHIQUE
B. CARACTERISTIQUES PHYSIQUES
II – TRAITEMENT DES IMAGES LANDSAT
A. PRESENTATION DES IMAGES UTILISEES
B. PRESENTATION DU LOGICIEL ERDAS IMAGINE
C. EXTRACTION DU SECTEUR D’ETUDE
D. TRAITEMENT DES IMAGES LANDSAT DU BARRAGE IDRISS PREMIER
Techniques de Classification d’images
E. APPLICATION DE LA CLASSIFICATION NON SUPERVISEE (ITERATION 15 ET NOMBRE DE CLASSE 5)
Méthode
F. EDITION DES SIGNATURES (FIGURE 11 ET 12)
G. CLASSIFICATION SUPERVISEE
H. SOUSTRACTION
Conversion des images de 8 bits à 2bits
Soustraction
I. RESULTATS DES SOUSTRACTIONS DES CLASSIFICATIONS SUPERVISEES
J. CONVERSION DES PIXELS EN ASCII
A. INTERPRETATION DES RESULTATS
Soustraction image temps t1 moins image temps t2
Soustraction image temps t2 moins image temps t1
B. ANALYSE DES DONNEES CLIMATIQUES
C. COMPARAISON ENTRE LES DONNEES CLIMATIQUES ET LES RESULTATS DES CLASSIFICATIONS SUPERVISEES
Temps t1 –temps t2
Temps t2 –temps t1
D. CONCLUSION

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *