Segmentation Spatio-temporelle d’une séquence d’images satellitaires à haute résolution

Intérêt des STIS

    L’ajout de la dimension temporelle à l’observation satellitaire de la Terre ouvre un grand nombre d’applications. Par exemple, pour l’analyse d’écosystèmes. En effet, l’activité humaine a profondément affecté les écosystèmes, et la détection et l’analyse des changements suscite un intérêt grandissant. Ainsi, les STIS sont selon [Pettorelli et al., 2005] une mine d’or en ce qu’elles sont des données à grande échelle temporelle et spatiale contrairement aux données terrain habituellement utilisées dans ce cadre. Les STIS peuvent aussi être utilisées pour évaluer l’influence d’une guerre, de changements politiques, d’une sécheresse, d’un feu, d’une innondation, ou encore d’un gel sur l’occupation du sol, les pratiques agricoles, etc [de Beurs and Henebry, 2004, 2008, Kawamura et al., 2004, Wang et al., 2003b, Tait and Zheng, 2003]. Au delà de l’analyse des changements, un suivi temporel d’une zone permet la prédiction de phénomènes qui peut être utile par exemple pour déclencher des alarmes ou identifier des zones à risque [Ceccato, 2004], ou encore dans un cadre écologique afin de prédire la biodiversité [John et al., 2008]. Le biome, le taux de CO2 atmosphérique et le climat sont très liés et s’influencent mutuellement. La surveillance des forêts au cours du temps présente donc un intérêt particulier [Piwowar et al., 2006, Bartalev et al., 2000, Ito et al., 2007]. La surveillance de l’évolution de cultures fournit une assistance importante aux agriculteurs de grands domaines. Par ailleurs, l’observation de démolitions, de constructions ainsi que de leur évolution est une information importante pour les urbanistes et les autorités régionales. En particulier pour les villes de forte croissance pour lesquelles les constructions précèdent parfois les statuts d’occupation du sol prévus par les autorités. De plus, une prédiction de ces évolutions serait utile pour des organismes publics ou des entreprises de mise en place d’infrastructures nécessaires aux agglomérations d’une certaine taille comme le réseau routier, ferré, téléphonique, internet, d’eau, etc. Enfin, ce type de séquence peut s’avérer d’un intérêt capital dans le cas de crises. En effet, l’observation régulière de la Terre permet un apprentissage des évolutions et changements normaux et permet donc par complémentarité de détecter les changements anormaux tels qu’un feu, une innondation, un tsunami, un tremblement de Terre, une migration de population, etc. Les satellites des générations récentes ont des propriétés optiques permettant d’acquérir des images à très haute résolution. De plus, leurs propriétés mécaniques leur permettant de suivre une scène lors de leur rotation autour de la Terre, ainsi que leur utilisation en constellation, permet une revisite fréquente d’un même site. Un nouveau type de données est donc maintenant accessible : les séquences temporelle d’images satellitaires à haute résolution (STIS-HR). Ces données sont riches en information, mais en contrepartie très complexes ce qui rend leur interprétation visuelle laborieuse. Des analyses automatiques de ce type de données sont donc requises.

Modèle de base de données spatio-temporelles

 Un modèle de base de données (ou modèle de données) est un ensemble de concepts et de règles permettant de décrire les structures et les caractéristiques d’intérêt par rapport au monde réel considéré. Il permet de spécifier les propriétés structurelles d’une base de données et, de façon idéale, doit fournir un langage permettant à l’utilisateur et au concepteur de la base de données d’exprimer leurs besoins tout en permettant leur implémentation [Worboys et al., 1990]. Ce langage permet de formuler des requêtes. Il doit être générique, complet, correct, extensible, et fournir un ensemble d’opérateurs. D’après [Abraham and Roddick, 1999], l’utilisateur de données spatio temporelles veut obtenir des réponses à des requêtes sur l’état de la base de données à différents instants, la localisation d’objets et de phénomènes, leur histoire, l’occurence d’événements, etc. Ces requêtes sont de trois types : spatiales (localisation, propriétés, et relations), temporelles (temps, propriétés, et relations) et spatio-temporelles (comportement et relations). Les requêtes spatio-temporelles sont classées en trois catégories : les requêtes simples (état d’une entité à un instant), les requêtes sur des durées spatio-temporelles (“qu’arrive-t-il à tel objet sur telle période ?”), et les requêtes de comportement (vitesse d’un objet, vitesse maximale, distance parcourue, expansion maximale, etc). Il existe différents modèles de base de données, allant du plus simple, permettant de répondre à des requêtes concernant exclusivement les données stockées [Langran and Chrisman, 1988] à d’autres, plus complexes, permettant de répondre à des requêtes nécessitant des raisonnements ou des combinaisons des objets stockés.

Les images SPOT

   Cette STIS est composée d’images acquises par SPOT 1, 2, et 4 en mode multispectral. Le principe d’imagerie des satellites SPOT est de type barette (push broom). C’est-àdire que le système observe une ligne au sol, ce qui constitue les lignes d’une image, et les colonnes successives sont obtenues par le déplacement du satellite sur son orbite. Deux systèmes d’acquisition sont associés à ces satellites : les instruments “Haute résolution Visible” (HRV) 1 et 2. Comme leur nom ne l’indique pas, ces systèmes acquièrent non seulement dans le visible mais aussi dans l’infra rouge. Dans le cas du mode panchromatique, un système optique redirige le faisceau vers une barette de 6000 détecteurs. Le champ de vue étant de 4◦ ce qui correspond à une fauchée de 60km, la résolution résultante est donc de 10m. Dans le cas du mode multispectral, un système optique redirige le faisceau vers un séparateur spectral, 1 qui redirige les 3 (4 pour spot 4) faisceaux résultants vers 3 (4 pour SPOT 4) barettes de 3000 détecteurs. La résolution spatiale résultante est de 20m. Les canaux résultant correspondent au vert (500-590nm), au rouge (610 680nm), et au proche infra-rouge (780-890nm). Les satellites SPOT sont des satellites qui ont une orbite quasi polaire, circulaire,héliosynchrone à 822 km d’altitude ce qui correspond à un cycle de 26 jours.

Correction radiométrique

   Le capteur HRV fournit des images de comptes numériques. Ces images sont d’abord transformées en images de luminance, 2 à l’aide d’une relation linéaire faisant intervenir le gain du capteur. Les images ainsi transformées sont donc indépendantes du capteur. Cependant, elles restent dépendantes de l’éclairement du soleil qui dépend de la date et de l’heure de la prise de vue, . Ces données sont donc prises en compte en calculant le rapport entre la puissance solaire correspondante et l’image de luminance pour les trois plages de longueur d’onde considérées. Les images résultantes sont des images de réflectance “au-dessus de l’atmosphère”. Notons qu’en réalité, les surfaces observées ne sont pas lambertiennes, et donc que l’énergie mesurée dépend de l’angle de prise de vue. Considérer des images de réflectances alors que les angles de prises de vue varient constituent donc une première approximation de la correction radiométrique. Une autre variable importante entre les différentes images est l’atmosphère. D’après [Hagolle et al., 2008], la réflectance au dessus de l’atmosphère au-dessus de cibles sombres peut changer de plus de 100% entre un jour brumeux et un jour clair. Des mesures de température d’humidité, et d’ozone permettent de calculer les réflectances au dessus de la canopée (TC) à l’aide d’un modèle de transfert radiatif. Cependant, en raison du manque de mesures des propriétés optiques des aérosols au moment de chaque prise de vue, de nombreuses approximations ont été effectuées dans cette étape ce qui implique une mauvaise calibration radiométrique des images TC.

La scène observée : phénoménologie

   La STIS ADAM présente différents phénomènes particuliers, et nous proposons dans cette sous section d’interpréter quelques exemples de façon à familiariser le lecteur avec cette STIS. Décrivons succinctement, 4 pour cela dans un premier temps les mécanismes qui influencent les propriétés spectrales de différents objets observables dans les trois canaux utilisés à savoir proche infra rouge, rouge, et vert. Les plantes utilisent l’énergie solaire pour fabriquer des carbohydrates riches en énergie. Cette énergie solaire est absobée par des pigments (chlorophylle) dans le rouge et dans le bleu et réfléchie dans le vert, ce qui est responsable de la couleur verte des plantes. De plus, les feuilles réfléchissent dans le proche infra-rouge. On pourra donc caractériser de la végétation à l’aide de ces deux canaux. Le spectre caractéristique la végétation est représenté figure 3.2 à gauche. La végétation évolue de façon saisonnière. La description de ces changements saisonniers s’appelle la phénologie. La réflectance typique d’une plante au cours de son développement est décrite par la courbe verte [Belward and Valenzuela, 1991] du graphique à droite dans la figure 3.2. Lorsque les plantes émergent, la réflectance du rouge diminue en raison de l’absorption par la chlorophylle, et la réflectance du proche infra-rouge augmente un peu car la végétation réfléchit dans le proche infra-rouge. Ceci correspond au point (2). Plus la couverture végétale augmente, moins on voit de sol, et donc plus la réflectance du proche infra-rouge augmente. La réflectance du rouge continue de diminuer aussi jusqu’à atteindre un minimum lié au fait que les feuilles sous la canopée sont occultées et donc réfléchissent moins. Ceci correspond au point (3). La réflectance de l’infra-rouge, en revanche continue de croître avec le nombre de feuilles jusqu’au point (4). Lors de la sénescence, la chlorophylle se décompose se qui se traduit par un accroissement de la réflectance dans le rouge, et un changement de l’orientation des cellules des feuilles a pour conséquence une baisse de la réflectance dans l’infra-rouge (points (5) et (6)). Finalement, la culture est récoltée, laissant le sol et les résidus post-récolte (point (7)). Le comportement que nous venons de décrire correspond à un comportement moyen. Les valeurs des différents points ainsi que les intervalles temporels sont spécifiques à chaque plante et dépendent aussi de la zone géographique et du mode de culture. Forts de ces considérations, nous proposons différentes interprétations de phénomènes dans la STIS ADAM. Dans les figures 3.3 à 3.12 différents phénomènes liés à la scène sont présentés. En exploitant la connaissance a priori sur les types de cultures pratiquées et les changements topologiques et radiométriques des parcelles, on peut émettre des hypothèses sur la nature de la culture. La figure 3.3 présente différents exemples de récolte. Les zones rouges correspondent à de la végétation, et les zones sombres à du sol nu. La nature brutale du passage de zone de végétation à zone de sol nu indique une intervention humaine. La figure 3.4 présente différents cas de labours. Ici encore des a priori sur les pratiques agricoles sont utiles pour distinguer une récolte d’un labour sur une terre couverte d’herbes folles. La figure 3.5 montre l’évolution lente de la radiométrie d’une forêt de feuillus, la figure 3.6 un cas de floraison, la figure 3.7 montre une manifestation particulière d’un enneigement, la figure 3.8 présente un cas de brûlis. Et la figure 3.10 illustre l’intérêt d’identifier les labours, récolte, floraison, arosage etc pour l’identification de cultures.

Evénements des OST

   Les événements peuvent s’appliquer aux régions, aux caractéristiques, à la profondeur, et à l’étendue temporelle. On parle alors respectivement d’événement spatial, d’événement de caractéristiques, d’événement de profondeur, et d’événement d’existence. Il existe deux événements d’existence : la création et la cessation. Pour l’arrière-plan, ces événements sont exclusivement liés à l’étendue temporelle bornée de la scène et n’existent donc qu’au début et à la fin de la séquence. Pour les objets des premiers plans, en revanche, des créations et cessations peuvent avoir lieu entre les instants de début et de fin de la scène. Par exemple, un bateau sur une rivière apparaitra d’un bord spatial de la scène là où commence la rivière à un certain instant, et disparaitra à l’autre bord. La description dans notre modèle de ce phénomène est donc la création à un instant t ∈ [0, T − 1] d’un STO de profondeur 1, de caractéristique statique et dont la région est en mouvement rigide pendant une durée d, et la cessation de l’objet en t + d. Les événements spatiaux sont la fusion et la division. Ces événements n’agissent que sur les objets de l’arrière-plan. En effet, les événements spatiaux sont provoqués par les évolutions des caractéristiques, restreindre les événements spatiaux aux objets de l’arrière plan revient à restreindre les évolutions de caractéristiques aux objets de l’arrière plan. La description d’un glissement de terrain est une création d’un STO de profondeur non nulle en déformation. Nous avons vu que les processus des caractéristiques des objets étaient liés à une évolution typique d’une couverture de sol par exemple une culture de blé, de colza, de maïs, ou encore une forêt de mélèzes, d’épicéas, de pins, de peupliers, etc. La couverture du sol d’une même zone spatiale peut donc changer dans le temps : typiquement d’une année sur l’autre selon les rotations de cultures. Il s’agit alors d’événements de caractéristiques. Notons que cet événement n’est pas nécessairement accompagné d’un événement spatial. En effet, on peut considérer qu’une culture dure depuis son semis jusqu’à sa récolte. La récolte peut être liée à un événement spatial, le semis, en revanche ne l’est pas. Les STO sont aussi caractérisés par leur profondeur. Or cette dernière peut changer en fonction du comportement de l’objet. Ainsi, une rivière en crue change de profondeur au moment où elle dépasse son lit. En effet, la région associée est alors en déformation, et seuls les objets des premiers plans peuvent subir ce type de transformation. On considère donc aussi que la profondeur des STO peuvent être modifiés par des événements.

Segmentation jointe des STIS en instances d’OST

    Nous avons vu que les changements topologiques découlent de la propriété d’homogénéité spatiale des caractéristiques des STO. Leur détermination image par image de façon indépendante par un algorithme de segmentation devrait donc suffire. Cependant, l’hypothèse  de scène arrière-plan que nous avons faite n’est pas parfaitement vérifiée. En effet, cette hypothèse suppose que tout ce qui est visible dans la STIS provient de l’arrière-plan. Par exemple, les variations radiométriques de l’atmosphère s’ajoutent aux radiométries des objets dans la STIS, et le modèle, plutôt que de séparer les contributions, les attribue chacune à l’arrière-plan. Ainsi, une brume aura pour effet de diminuer fortement les contrastes de l’image, et donc des SO de notre modèle approximé.

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.com propose le téléchargement des modèles complet 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

Introduction
0.1 Intérêt des STIS
0.2 Position du problème
I Etat de l’art 
1 Différentes séquences, différentes méthodes d’analyse et différents modèles 
1.1 Position de notre problème par rapport à l’état de l’art
2 Modélisation de données spatio-temporelles
2.1 Modèle de base de données spatio-temporelles
2.1.1 Modélisation du temps
2.1.2 Modélisation de l’espace spatio-temporel
2.1.3 Modèle de base de données spatio-temporelles
2.2 Conclusion
II Présentation des données et du problème 
3 Présentation des données 
3.1 La STIS ADAM
3.1.1 Les images SPOT
3.1.2 Sélection des images
3.1.3 Prétraitements
3.1.4 Correction radiométrique
3.1.5 La scène observée : phénoménologie
3.2 Approche adoptée
III Cadre théorique 
4 Approche de l’estimation du modèle de STIS 
4.1 Scène statique
4.2 Vers un modèle de scène dynamique de télédétection à haute  résolution spatiale et temporelle
4.2.1 Profondeur des objets
4.2.2 Définition d’un objet spatio-temporel (OST)
4.2.3 Processus des OST
4.2.4 Evénements des OST
4.2.5 OST et sémantique
4.2.6 Conclusion
4.3 Hypothèses simplificatrices pour l’estimation d’un modèle de STIS
4.3.1 Complexité de l’estimation
4.3.2 Sous-échantillonnage temporel
4.3.3 Hypothèse de scène arrière plan
4.3.4 Conclusion
4.4 Approche de l’analyse de l’arrière plan
4.4.1 Description de la scène par un graphe
4.4.2 Présentation de la méthode d’estimation du modèle de STIS
4.5 Conclusion
5 Segmentation 
5.1 Différentes approches pour la segmentation d’images
5.2 Segmentation d’images par minimisation de la longueur de description
5.2.1 Longueur de description
5.2.2 Optimisation
6 Recherche d’ensembles de symboles fréquents 
6.1 Problème et définitions
6.2 Propriétés générales
6.3 ECLAT
IV Mise en oeuvre et implémentation 
7 Segmentation jointe d’une STIS 
7.1 Introduction
7.2 Modèle géométrique spatio-temporel
7.2.1 Codage différentiel de la géométrie
7.2.2 Image de référence
7.2.3 Différents types de changements
7.2.4 Description idéale et complexité
7.2.5 Décision concernant le choix du type de changements
7.2.6 Décision concernant le choix de l’image de référence
7.3 Longueur de description du modèle géométrique spatio-temporel
7.3.1 Calcul du cylindre d’une région
7.3.2 Longueur de description géométrique conditionnelle
7.4 Modèle radiométrique spatio-temporel
7.5 Minimisation de la longueur de description totale
7.5.1 Présentation de l’algorithme
7.5.2 Estimation des multi-fusions
7.5.3 Multi-Fusion et mise à jour de la pile de priorité
7.6 Conclusion
8 Analyse géométrique du graphe d’adjacence temporelle 
8.1 Importance du contexte
8.2 Algorithme
8.2.1 Correspondances 1-1
8.2.2 Correspondances 1-n
8.2.3 Post-traitement
9 Recherche de séquences de caractéristiques fréquentes dans le graphe d’adjacence spatio-temporelle 
9.1 Classification des caractéristiques TL des régions
9.1.1 Fréquence d’un motif dans le LDSOTAG
9.1.2 Les méthodes de recherche de motifs fréquents
9.1.3 ECLAT pour les graphes
9.1.4 Ordre des motifs
9.2 Interprétation théorique des évolutions fréquentes
9.2.1 Superposition
9.2.2 Effet des variations d’évolutions intra-classes, et quantification vectorielle
9.2.3 Effet du croisement d’évolutions
9.2.4 Effet d’erreurs de segmentation ou d’appariement
9.2.5 Regroupement par prototypes
9.3 Réglage de la longueur et de la fréquence des motifs pertinents
9.3.1 Conclusion
V Expérimentations et résultats 
10 Validation 
10.1 Segmentation spatiale sous contrainte temporelle
10.1.1 Prétraitements
10.1.2 Résultats
10.2 Construction du SOTAG
10.3 Recherche de motifs fréquents dans le SOTAG
10.3.1 Génération des séquences simulées
10.3.2 Résultats pour les séquences simulées
VI Conclusion et perspectives 
10.4 Conclusion
10.5 Perspectives
A Annexes
A.1 Le principe de minimisation de longueur de message (MDL)
A.2 Etat de l’art de l’analyse de séquences d’images
A.2.1 Séquences d’images de fluides
A.2.2 Séquences d’images médicales
A.2.3 Séquences vidéo multimedia
A.2.4 Mouvement dans les images satellitaires de la terre
A.2.5 Mise en correspondance d’images
A.3 Recherche de motifs fréquents
A.3.1 Apriori
A.4 Algorithmes en profondeur
A.5 Croissance-FP
A.5.1 Représentations condensées
A.5.2 Recherche d’ensembles de symboles maximaux
A.5.3 Recherche de motifs séquentiels fréquents
A.6 Recherche dans des graphes
A.6.1 Recherche de traversées fréquentes dans des graphes
A.7 Généralités sur les graphes
Bibliographie
Publications
Glossary
Acronyms
Notations

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 *