Chapitre II
Les méthodes et les outils
11
II.1.1.1 Méthodes par détection de contours
Heene [G. Heene et al,2000] quant à lui se base sur la détection de contours de
Canny [J. Canny et al,1986], qui utilise un filtre linéaire gaussien pour diminuer le bruit.
Puis il calcule la direction des contours et leur amplitude à l’aide de gradients de
magnitude et de direction. On leur applique ensuite un amincissement dans lequel on
met l’amplitude du contour à zéro si elle est inférieure à celles des deux contours
adjacents selon la direction de ce contour. Finalement, on seuille le résultat en utilisant
un double seuillage, tous les contours supérieurs au seuil haut sont étiquetés comme
contour, ceux inférieurs au seuil bas sont étiquetés comme non-contour, ceux
supérieurs au seuil bas et connexes à un pixel supérieur au seuil haut à travers une chaîne
de contours sont étiquetés comme contour. Une fois l’algorithme de Canny appliqué, il
utilise l’image de départ qu’il seuille afin d’obtenir deux classes différentes, une
représentant l’eau, l’autre la terre. La fine bordure entre les deux classes est utilisée
comme masque pour filtrer le résultat de l’algorithme de Canny. Ensuite, il applique une
fermeture de contours qui va connecter les points séparés par n pixels en suivant les
contours selon la direction du gradient. L’image gradient nécessaire à ce suivi peut être
obtenue par un gradient de Sobel ou de Roberts. Si un pixel du gradient de la
fermeture des contours est supérieur à un certain seuil, il sera considéré comme
contour. Il pratique encore un dernier seuillage et obtient le trait de côte. Bien que cette
méthode donne de bons résultats, l’auteur concède qu’il faut la pratiquer sur les bandes
rouge à infra-rouge autrement on obtient trop de faux positifs, c’est à dire des pixels
étiquetés comme trait de côte mais n’en étant pas.
Karantzalos [K. G. Karantzalos et al,2002], propose une méthode en trois étapes : en
premier lieu il amé- liore l’image et la lisse afin d’améliorer la visibilité et la perception
des différentes régions de l’image. La deuxième étape consiste en la détection de
contours, par la méthode de Canny [J. Canny et al,1986] ou celle de Vliet [L. J. van Vliet
et al,1989] que Karantzalos juge équivalente en terme de fiabilité. L’ultime étape de cette
méthode consiste à établir une connexité entre les différents contours. Pour ce faire,
l’auteur utilise toute une série d’opé- rateurs présents dans la boite à outils de
traitement d’image de Matlab [C. Thompson and L. Shure,1993]. Il effectue d’abord
une transformation ’clean’ puis un ’fill’ suivi de cinq ’bridge’ et d’un ’tophat’. Il
continue avec trois ’skeletonize’, un ’thin’ et un ’closing’. Et en- fin, il termine par
quatre ’skeletonize’ et un ’clean’. Finalement, les composantes connexes de moins de
quinze pixels sont éliminées car jugées non pertinentes. Les résultats obtenus par cette
méthode sont loin d’être satisfaisants, en effet les images résultats contiennent plus que
le trait de côte, notamment des contours de hangars.
Loos [E.A. Loos and K.O. Niemann,2002] commence par améliorer l’image en adaptant son
amélioration à l’histogramme ainsi qu’en corrigeant la brillance et le contraste. Ensuite, l’auteur
utilise un algorithmes de détection et d’amélioration de contours. Il a ainsi testé les filtres suivants
: Laplacien, Sobel, Prewitt, Canny, Roberts, Frei-Chen et différence de pixel [J. G. Moik,1980].
L’utilisateur doit ensuite sélectionner au moins un pixel de départ et un pixel de fin appartenant
au trait de côte, il peut également définir des points intermédiaires. L’algorithme va alors
déterminer le trait de côte en reliant ces deux points en se basant sur les contours. Cependant, les
paramètres déterminant le trait de côte devront avoir été déterminés. Cette recherche
heuristique est très rapide grâce aux données entrées par l’utilisateur. Bien qu’efficace cette
méthode repose beaucoup sur l’intervention de l’utilisateur qui doit d’abord lui-même identifier
le trait de côte afin de pouvoir cliquer sur deux des pixels le composant.
Les méthodes et les outils
11
II.1.1.1 Méthodes par détection de contours
Heene [G. Heene et al,2000] quant à lui se base sur la détection de contours de
Canny [J. Canny et al,1986], qui utilise un filtre linéaire gaussien pour diminuer le bruit.
Puis il calcule la direction des contours et leur amplitude à l’aide de gradients de
magnitude et de direction. On leur applique ensuite un amincissement dans lequel on
met l’amplitude du contour à zéro si elle est inférieure à celles des deux contours
adjacents selon la direction de ce contour. Finalement, on seuille le résultat en utilisant
un double seuillage, tous les contours supérieurs au seuil haut sont étiquetés comme
contour, ceux inférieurs au seuil bas sont étiquetés comme non-contour, ceux
supérieurs au seuil bas et connexes à un pixel supérieur au seuil haut à travers une chaîne
de contours sont étiquetés comme contour. Une fois l’algorithme de Canny appliqué, il
utilise l’image de départ qu’il seuille afin d’obtenir deux classes différentes, une
représentant l’eau, l’autre la terre. La fine bordure entre les deux classes est utilisée
comme masque pour filtrer le résultat de l’algorithme de Canny. Ensuite, il applique une
fermeture de contours qui va connecter les points séparés par n pixels en suivant les
contours selon la direction du gradient. L’image gradient nécessaire à ce suivi peut être
obtenue par un gradient de Sobel ou de Roberts. Si un pixel du gradient de la
fermeture des contours est supérieur à un certain seuil, il sera considéré comme
contour. Il pratique encore un dernier seuillage et obtient le trait de côte. Bien que cette
méthode donne de bons résultats, l’auteur concède qu’il faut la pratiquer sur les bandes
rouge à infra-rouge autrement on obtient trop de faux positifs, c’est à dire des pixels
étiquetés comme trait de côte mais n’en étant pas.
Karantzalos [K. G. Karantzalos et al,2002], propose une méthode en trois étapes : en
premier lieu il amé- liore l’image et la lisse afin d’améliorer la visibilité et la perception
des différentes régions de l’image. La deuxième étape consiste en la détection de
contours, par la méthode de Canny [J. Canny et al,1986] ou celle de Vliet [L. J. van Vliet
et al,1989] que Karantzalos juge équivalente en terme de fiabilité. L’ultime étape de cette
méthode consiste à établir une connexité entre les différents contours. Pour ce faire,
l’auteur utilise toute une série d’opé- rateurs présents dans la boite à outils de
traitement d’image de Matlab [C. Thompson and L. Shure,1993]. Il effectue d’abord
une transformation ’clean’ puis un ’fill’ suivi de cinq ’bridge’ et d’un ’tophat’. Il
continue avec trois ’skeletonize’, un ’thin’ et un ’closing’. Et en- fin, il termine par
quatre ’skeletonize’ et un ’clean’. Finalement, les composantes connexes de moins de
quinze pixels sont éliminées car jugées non pertinentes. Les résultats obtenus par cette
méthode sont loin d’être satisfaisants, en effet les images résultats contiennent plus que
le trait de côte, notamment des contours de hangars.
Loos [E.A. Loos and K.O. Niemann,2002] commence par améliorer l’image en adaptant son
amélioration à l’histogramme ainsi qu’en corrigeant la brillance et le contraste. Ensuite, l’auteur
utilise un algorithmes de détection et d’amélioration de contours. Il a ainsi testé les filtres suivants
: Laplacien, Sobel, Prewitt, Canny, Roberts, Frei-Chen et différence de pixel [J. G. Moik,1980].
L’utilisateur doit ensuite sélectionner au moins un pixel de départ et un pixel de fin appartenant
au trait de côte, il peut également définir des points intermédiaires. L’algorithme va alors
déterminer le trait de côte en reliant ces deux points en se basant sur les contours. Cependant, les
paramètres déterminant le trait de côte devront avoir été déterminés. Cette recherche
heuristique est très rapide grâce aux données entrées par l’utilisateur. Bien qu’efficace cette
méthode repose beaucoup sur l’intervention de l’utilisateur qui doit d’abord lui-même identifier
le trait de côte afin de pouvoir cliquer sur deux des pixels le composant.