| 265Prépublication n° 38 | Fascicule n° 2Étude de la cocoteraiedes Tuamotu sur des images IkonosRaimana TeinaLaboratoire d’Informatique de Paris 6, Université Pierre et Marie CurieRaimana.Teina@lip6.frDominique BéréziatLaboratoire d’Informatique de Paris 6, Université Pierre et Marie CurieProjet CLIME - Inria Rocquencourtdominique.bereziat@lip6.frBenoît StollLaboratoire Terre et Océan, Université de la Polynésie Françaisebenoit.stoll@upl.pfRésumé :Cetarticleprésenteuneméthoded’extractionetderecensementdescocotiersàpartird’imagessatellites IKONOS. L’étude a été réalisée sur le site pilote de Tikehau. Cet article présente lesdonnées et l’objectif à atteindre. Un algorithme est proposé et testé sur les données IKONOS.Mots-clés : segmentation, classification, ligne de partage des eaux, carte de densité lo-cale.1 IntroductionL’exploitation des cocotiers, qui permet d’extraire l’huile de Coprah à partir des noix decoco, est une ressource importante pour la Polynésie Française. Le contrôle de la produc-tion nécessite le dénombrement des cocotiers mais l’accès à ces îles isolées implique descoûts de déplacement trop élévés.Le but de cette étude est de développer un algorithme efficace et robuste pour réaliserlerecensementdescocotiersàpartird’imagessatellite.Lecomptageautomatiquedesco-cotiersnécessitedansunpremierlieuunprocessusdesegmentationrobustedescocotiers.Raimana Teina, Dominique Béréziat, Benoît Stoll« Étude de la cocoteraie des Tuamotu sur des ...
Etude de la cocoteraie des Tuamotu sur des images Ikonos
Raimana Teina Laboratoire d’Informatique de Paris 6, Universit Pierre et Marie Curie
Raimana.Teina@lip6.fr
Dominique BÈrÈziat Laboratoire d’Informatique de Paris 6, Universit Pierre et Marie Curie Projet CLIME - Inria Rocquencourt
dominique.bereziat@lip6.fr
Benot Stoll Laboratoire Terre et Ocan, Universit de la Polynsie FranÇaise
benoit.stoll@upl.pf
|265
Rsum : Cet article prsente une mthode d’extraction et de recensement des cocotiers Ā partir d’images satellites IKONOS. L’tude a t ralise sur le site pilote de Tikehau. Cet article prsente les donnes et l’objectif Ā atteindre. Un algorithme est propos et test sur les donnes IKONOS. Mots-cls : segmentation, classification, ligne de partage des eaux, carte de densit lo-cale.
1 Introduction
L’exploitation des cocotiers, qui permet d’extraire l’huile deCoprahĀ partir des noix de coco, est une ressource importante pour la Polynsie FranÇaise. Le contrÔle de la produc-tion ncessite le dnombrement des cocotiers mais l’accs Ā ces les isoles implique des coÛts de dplacement trop lvs. Le but de cette tude est de dvelopper un algorithme efficace et robuste pour raliser le recensement des cocotiers Ā partir d’images satellite. Le comptage automatique des co-cotiers ncessite dans un premier lieu un processus de segmentation robuste des cocotiers.
Raimana Teina, Dominique BÈrÈziat, Benot Stoll « Etude de la cocoteraie des Tuamotu sur des images Ikonos » Schedae, 2007, prÈpublication n 38, (fascicule n 2, p. 265-269).
266|
Nous proposons une mthode qui a pour particularit de ne pas utiliser la bande proche infra-rouge (NIR) mais seulement les donnes visibles. Une fois la segmentation ralise, les rgions sont numres et identifies suivant divers critres objectifs tels que la surface de la couronne (l’ensemble des palmes formant la structure suprieure des cocotiers) et sa couleur moyenne, la densit locale de la cocoteraie. Une validation humaine a t faite afin d’estimer l’erreur de dtection de la mthode ainsi qu’une mission sur le terrain pour valider quantitativement la mthodologie.
2 LesdonnÈes et le site d’Ètude
Sur les donnes satellites, nous pouvons distinguer plusieurs structures (figure 1) telles que l’eau de mer, les habitations, le corail et le sable, la vgtation (la cocoteraie, autres vg-tations). Parmi la vgtation reprsentant la cocoteraie, nous distinguons trois types de
(a)habitation
(b)sable et corail
(c)cocoteraie
(d)autre vgtation
Fig. 1: Les diffrents structures visibles dans les images.
plantations : les plantations artificielles (espacement rgulier), les plantations naturelles (es-pacement irrgulier) et les plantations mixtes (tat intermdiaire).
3 MÈthodologie
L’objectif est l’extraction des couronnes des cocotiers prsents dans les images. Nous avons opt pour une variante de l’approche dcrite par [1] utilisant la segmentation par ligne de partage des eaux. Dans un premier temps nous localisons les zones de vgtation haute (section 3.1), ensuite nous filtrons les images et dtectons les contours (section 3.2) et enfin nous segmentons les couronnes (section 3.3).
3.1 Localisationdes zones vÉgÉtales hautes La premire tche consiste Ā discriminer les zones non-vgtales des diffrents types de vgtation (exemple : le sable et les habitations, vgtation haute et basse). La mthode utilise est une classification baysienne par maximum de vraisemblance [2] dont la loia prioriest tablie Ā partir de rgions d’apprentissage choisies par l’utilisateur. La classifica-tion est rgularise en utilisant les oprateurs morphologiquessieveetclumpdu logiciel de traitement d’image ENVI. L’oprateursievepermet de retirer les pixels isols d’une classe dont la population (en nombre de pixels) est infrieure Ā un certain seuil. L’oprateurclump est une fermeture de l’image de classification qui permet de combler une partie des pixels non classs. De cette manire nous pouvons segmenter la vgtation du reste des structures prsentes dans l’image. Indpendamment, nous souhaitons sparer la vgtation basse, qui est relativement homogne, de la vgtation haute dans laquelle nous constatons claire-ment une texture diffrente (voir la figure 1(d)). Nous utilisons les matrices d’occurences introduites dans [3] Ā partir desquelles nous pouvons extraire le paramtre «Data Range» (diffrence entre la valeur maximale et minimale des pixels appartenant Ā un voisinage). Sur ce paramtre, nous appliquons un filtre adaptatif Gamma [4] (adaptation aux proprits
Schedae, 2007, prÈpublication n 38, (fascicule n 2, p. 265-269).
|267
statistiques locales des zones, conservation des contours). Enfin, un seuillage haut adapt est utilis pour sparer la vgtation basse de la vgtation haute.
3.2 Filtrageet dÉtection de contours Ètant donn que nous ne disposons pas de la bande proche infra-rouge, nous effectuons une Analyse en Composantes Principales (ACP) et nous utilisons la premire composante pour le processus d’extraction des couronnes des arbres. Cette composante contient l’in-formation reprsentative de la vgtation [5]. Cette tche est indpendante du processus prcdent et peut tre effectue en parallle. Les images doivent tre segmentes en zones homognes de par leurs constituants vgtaux. La trs haute rsolution de nos images fait apparatre beaucoup de dtails mme dans les rgions homognes et ceux-ci peuvent par la suite perturber les algorithmes de segmentation bass sur des critres d’homognit. Il est donc ncessaire de pr-traiter les images par une diffusion anisotropique [6] afin de lisser les zones homognes tout en conservant les discontinuits (i.e les contours). D’autres algorithmes de diffusion non-linaire ont t utiliss, tel que [7], sans pour autant apporter d’amliorations significatives dans ce contexte d’tude. L’utilisation d’oprateurs de mor-phologie mathmatique (tophat) permet d’accentuer les valles (pixels sombres) entre les objets. Enfin, nous utilisons un simple dtecteur de contours par passage par zro du Lapla-cien, lĀ encore suffisant pour le type d’images employes. á partir de l’image de contours, nous calculons une carte distance euclidienne. Les points Ā quidistance des contours sont des candidats comme initialisation Ā un processus de segmentation.
3.3 Segmentationdes couronnes Pour raliser la segmentation des couronnes des cocotiers, nous utilisons un algorithme morphologique de segmentation par ligne de partage des eaux (LPE) [8, 9]. La LPE donne une sur-segmentation qui peut tre limit en utilisant une bonne initialisation donne par les points quidistants aux contours (voir section 3.2) et complte par des marqueurs qui sont les maxima locaux de l’intensit lumineuse. Dans [10], on utilise un modle synthtique d’arbres dont la couronne extrieure est dcrite par la rvolution de l’ellipsode d’quation n 2 2 n 2 (x−x) +(y−y) (z−z)(0 0) 0 n+n= 1oÙx0,y0,z0est la position de l’arbre,best le rayon de la a b couronne etaest la hauteur de l’arbre. Selon que le paramtrenest infrieur ou suprieur Ā 2, on obtient des formes coniques ou cylindriques (figure 2(a)). Pollock montre que les couronnes prsentent une mittance maximale en leur centre (figure 2(b)). Les centres des couronnes servent donc de sources d’immersion pour la LPE.
(a)Modles 3D
(b)Illumins
Fig. 2: Modle de Pollock et marqueurs.
Il est ncessaire d’affiner les rsultats en discriminant les rgions suivant leur topologie. Pour limiter la sur-segmentation des arbres, nous avons restreint l’intervalle du rayonRdu cercle dans lequel chaque arbre peut tre inscrit. Ceci fournit la segmentation finale dont chaque zone reprsente un cocotier.
Schedae, 2007, prÈpublication n 38, (fascicule n 2, p. 265-269).
268|
4 RÈsultatset validation
á partir de l’image segmente, nous extrayons des informations relatives Ā chacune des r-gions telles que la surface, le centre, les couleurs moyennes dans chacun des canaux rouge, vert et bleu. En utilisant les centres des couronnes, nous calculons une carte de densit lo-cale. Cette carte recense le nombre de cocotiers que l’on trouve dans un voisinage form d’un cercle de 12 mtres de rayon (soit 12 pixels de rayon)[11] (voir la figure 3). La mthode
(a)Originale(b)Rsultat superpos(c)Moyenne rouge
Fig. 3: Rsultats extraits.
(d)Carte de densit
a t applique Ā des zones de test duMotuprincipal de Tikehau qui sont reprsentatives des diverses configurations rencontres dans les images et les rsultats sont compars Ā une segmentation visuelle. Notre mthode dtecte les cocotiers visibles sur l’image avec une erreur de 10% (tableau 1). La mission sur le terrain, effectue pendant l’t 2006, nous
Secteur id 1 2 3 4 5 6 motu 16
Nb Method 908 986 495 346 436 1269 4440
Interp. 818 912 450 356 399 1198 4133
Tab. 1: Comparaison des rsultats et erreur de dtection.
2 a permis d’effectuer un comptage systmatique sur une surface de6.45% (soit34352m) de 2 la surface totale des zones de test (532870m), par dnombrement Ā l’intrieur de placettes (cercles de 12m de rayon) disposes en quinconce dans les zones test. Suite Ā ce comptage systmatique, nous trouvons que la mthode dtecte58%des cocotiers directement dis-cernables sur les images. Toutefois, ces chiffres ne sont pas pertinents puisque les images datent de 2003 alors que la mission terrain a t effectue en 2006. Nous en concluons que seul l’obtention de donnes 2006 permettra de valider la robustesse de la mthode par rapport Ā la vrit terrain.
5 Conclusionet perspectives
L’laboration d’une mthode non supervise pour la dtection des couronnes des cocotiers s’avre difficile dans notre cas. Le premier inconvnient est le choix par l’utilisateur des zones d’apprentissage pour la discrimination des zones vgtales des zones non vgtales. Le second problme est l’absence de la bande proche infra-rouge qui permet de calculer le NDVI dont on sait qu’il discrimine pertinemment les zones vgtales des zones non-vgtales. Toutefois, notre approche permet de s’en affranchir. Nous obtenons de bon r-sultats mais l’utilisation de donnes 2006 s’impose pour valider la pertinence de la mthode par rapport Ā la vrit terrain. Nous travaillons Ā la comparaison de nos rsultats avec [12] rfrant dans le domaine. Enfin, la mission terrain nous a permis d’tablir une typologie de
Schedae, 2007, prÈpublication n 38, (fascicule n 2, p. 265-269).
|269
la configuration des cocotiers sur le terrain. En utilisant l’ombre porte par les cocotiers, la position du satellite et cette typologie, il est possible d’valuer la hauteur des cocotiers et donc leur ge Ā partir des donnes satellitaires. Nous travaillons actuellement Ā une mth-ode permettant cette valuation.
RÈfÈrences [1] L.Wang, P. Gong, and G.S. Biging. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery.Photogrammetric Engineering and Remote Sensing, 70(3) :351– 357, March 2004. [2] J.A.Richards and X. Jia.Remote Sensing Digital Image Analysis : An Introduction. Springer-Verlag, 1999. [3] H.Anys, H. Bannari, D.C. He, and D. Morin.Texture analysis for the mapping of urban areas using airborne meis-ii images. InProceedings of the First International Airborne Remote Sensing Conference and Exhibition, volume 3 ofERIM, pages 231–245, Strasbourg, France, 1994. [4] A.Lopes, E. Nezry, and R. Touzi. Adaptive speckle filters and scene heterogeneity.IEEE Tansaction on Geoscience and Remote Sensing, 28(6) :992–1000, 1990. [5] C.Ricotta and C. Avena. The influence of principal component analysis on the spatial structure of a multispectral dataset.International Journal of Remote Sensing, 20(17) :3367–3376, 1999. [6] P.Perona and J. Malik.Scale-space and edge detection using anisotropic diffusion.IEEE Trans. Pattern Anal. Mach. Intell., 12(7) :629–639, 1990. [7] J.Weickert. Coherence-enhancing diffusion filtering.Int. J. Comput. Vision, 31 :111–127, 1999. [8] H.Digabel and C. Lantujoul. Iterative algorithms. InActes du Second Symposium EuropÉen d’-Analyse Quantitative des Microstructures en Sciences des matÉriaux, Biologie et MÉdecine, Caen, 4-7 Otocbre 1977, pages 85–99, Riederer Verlag, Stuttgart, 1978. [9] S.Beucher and C. Lantujoul. Use of watersheds in contour detection. InProc. International work-shop on Image Processing, Real-Time Edge and Motion Detection/Estimation, Rennes, September 1979. [10] R.J.Pollock.The automatic Recognition of Individual trees in Aerial Images of Forests Based on a Synthetic Tree Crown Image Model. PhD thesis, University of British Colombia, Vancouver, Canada, 1996. [11] F.Jacq. Evaluation quantitative et qualitative des peuplements de cocotiers sur tikehau. Technical report, Service du Dveloppement Rural - Dpartement FOGER, Avril 2006. [12] F.A.Gougeon. A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images.Canadian Journal of Remote Sensing, 21(3) :274–284, 1995.
Schedae, 2007, prÈpublication n 38, (fascicule n 2, p. 265-269).