Chapitre II
Les méthodes et les outils
12
II.1.1.2 Méthode par seuillage et morphologie mathématique
Jishuang [Q. Jishuang and W. Chao,2002], a développé une méthode basé sur le seuillage, il
effectue donc un seuillage qui classera les pixels inférieurs au seuil comme appartenant à la
mer et les pixels supérieurs au seuil comme appartenant à la terre. Cependant, un seuillage n’est
pas suffisant, en effet il y aura des valeurs inférieures au seuil mais qui seront sur la terre,
comme certains bâtiments, ou des objets sur la mer qui seront au-dessus du seuil, ainsi que de
l’eau présente dans la terre mais qui ne sera pas reliée à la mer. Pour traiter ces problèmes, il
classe donc les régions isolées à l’intérieur des deux grands régions que sont la terre et l’eau, en
région isolée dans l’eau mais qui n’est pas de l’eau, région isolée dans la terre et qui n’est pas
de l’eau, il élimine ces deux types de régions à l’aide des opérations d’ouverture et de
fermeture, et enfin il a la classe des régions isolées dans la terre mais qui font partie de la côte.
Ensuite, il connecte ces dernières régions en créant un chenal, qui est le plus court chemin entre
ces régions et la région principale de l’eau. Ainsi, il obtient une image binaire dont il peut
facilement extraire le trait de côte. Cette méthode donne de très bons résultats, son seul défaut
réside dans le choix du seuil qui nécessite un expert ou une approche empirique.
II.1.1.3 Méthode par classification
Basée sur l’étude d’images Landsat ETM+, la méthode présentée par Bagli et Soille [S.
Bagli and P. Soille,2004] nécessite d’entrer manuellement ou automatiquement des marqueurs
qui seront les points de départ pour l’algorithme de croissance de régions, basé sur un critère
de similarité, ou pour un algorithme de ligne de partage des eaux. L’algorithme de croissance de
régions qu’il utilise est le suivant. A chaque étape, on ajoute un pixel non-assigné à la région
voisine la plus similaire à ce pixel. On procède ainsi jusqu’à ce qu’il n’y ait plus aucun pixel qui
n’appartienne pas à une région. Cet algorithme produit une tesselation de l’image en autant de
régions que l’on avait de marqueurs. On obtient ainsi un ensemble de régions homogènes. Le trait
de côte correspond alors aux frontières entre deux régions de natures diffé- rentes, une
représentant de l’eau, l’autre de la terre. Pour déterminer ce que re- présente une région, ils
utilisent les longueurs d’onde de certaines bandes, ce qui leur permet ensuite d’extraire le trait de
côte. Ils obtiennent par cette méthode des résultats fiables à plus de 96%. Cependant, avec cette
méthode il obtienne égale- ment les limites des lacs et cette méthode nécessite l’intervention d’un
expert pour déterminer les points de départ des régions.
Krishna [G. M. Krishna et al,2005] présente différentes méthodes de classification. Il divise
l’image en trois classes : l’eau, la terre et la transition entre les deux. Pour ce faire, il base chaque
classification sur une bande ou un indice différent. La première est basée sur un double seuillage
de la bande SWIR (Short-Wave Infra-Red), la deuxième sur un algorithme de classification
ISODATA [J. R. Jensen,1996] (Iterative Self Organized Data Analysis) sur les bandes 2 (0.570.61 µm), 3(rouge) et proche-infrarouge. La troi- sième classification est basée sur une analyse
en composantes principales des bandes 2(0.57-0.61 µm) et proche-infrarouge. La quatrième
base sa classifica- tion sur l’indice NDVI. Enfin, la cinquième utilise le WI (Water Index) qui
se calcule comme la somme des bandes visibles divisée par la somme des bandes in- frarouges,
cet indice permet également de classer les pixels en trois classes. Après comparaison, il apparaît
que la meilleure des cinq classifications était celle basée sur la bande SWIR. Bien qu’elle
obtienne de bons résultats, cette méthode néces- site l’intervention d’un expert pour déterminer
les seuils du double seuillage, la rendant caduque pour un non-expert.
Les méthodes et les outils
12
II.1.1.2 Méthode par seuillage et morphologie mathématique
Jishuang [Q. Jishuang and W. Chao,2002], a développé une méthode basé sur le seuillage, il
effectue donc un seuillage qui classera les pixels inférieurs au seuil comme appartenant à la
mer et les pixels supérieurs au seuil comme appartenant à la terre. Cependant, un seuillage n’est
pas suffisant, en effet il y aura des valeurs inférieures au seuil mais qui seront sur la terre,
comme certains bâtiments, ou des objets sur la mer qui seront au-dessus du seuil, ainsi que de
l’eau présente dans la terre mais qui ne sera pas reliée à la mer. Pour traiter ces problèmes, il
classe donc les régions isolées à l’intérieur des deux grands régions que sont la terre et l’eau, en
région isolée dans l’eau mais qui n’est pas de l’eau, région isolée dans la terre et qui n’est pas
de l’eau, il élimine ces deux types de régions à l’aide des opérations d’ouverture et de
fermeture, et enfin il a la classe des régions isolées dans la terre mais qui font partie de la côte.
Ensuite, il connecte ces dernières régions en créant un chenal, qui est le plus court chemin entre
ces régions et la région principale de l’eau. Ainsi, il obtient une image binaire dont il peut
facilement extraire le trait de côte. Cette méthode donne de très bons résultats, son seul défaut
réside dans le choix du seuil qui nécessite un expert ou une approche empirique.
II.1.1.3 Méthode par classification
Basée sur l’étude d’images Landsat ETM+, la méthode présentée par Bagli et Soille [S.
Bagli and P. Soille,2004] nécessite d’entrer manuellement ou automatiquement des marqueurs
qui seront les points de départ pour l’algorithme de croissance de régions, basé sur un critère
de similarité, ou pour un algorithme de ligne de partage des eaux. L’algorithme de croissance de
régions qu’il utilise est le suivant. A chaque étape, on ajoute un pixel non-assigné à la région
voisine la plus similaire à ce pixel. On procède ainsi jusqu’à ce qu’il n’y ait plus aucun pixel qui
n’appartienne pas à une région. Cet algorithme produit une tesselation de l’image en autant de
régions que l’on avait de marqueurs. On obtient ainsi un ensemble de régions homogènes. Le trait
de côte correspond alors aux frontières entre deux régions de natures diffé- rentes, une
représentant de l’eau, l’autre de la terre. Pour déterminer ce que re- présente une région, ils
utilisent les longueurs d’onde de certaines bandes, ce qui leur permet ensuite d’extraire le trait de
côte. Ils obtiennent par cette méthode des résultats fiables à plus de 96%. Cependant, avec cette
méthode il obtienne égale- ment les limites des lacs et cette méthode nécessite l’intervention d’un
expert pour déterminer les points de départ des régions.
Krishna [G. M. Krishna et al,2005] présente différentes méthodes de classification. Il divise
l’image en trois classes : l’eau, la terre et la transition entre les deux. Pour ce faire, il base chaque
classification sur une bande ou un indice différent. La première est basée sur un double seuillage
de la bande SWIR (Short-Wave Infra-Red), la deuxième sur un algorithme de classification
ISODATA [J. R. Jensen,1996] (Iterative Self Organized Data Analysis) sur les bandes 2 (0.570.61 µm), 3(rouge) et proche-infrarouge. La troi- sième classification est basée sur une analyse
en composantes principales des bandes 2(0.57-0.61 µm) et proche-infrarouge. La quatrième
base sa classifica- tion sur l’indice NDVI. Enfin, la cinquième utilise le WI (Water Index) qui
se calcule comme la somme des bandes visibles divisée par la somme des bandes in- frarouges,
cet indice permet également de classer les pixels en trois classes. Après comparaison, il apparaît
que la meilleure des cinq classifications était celle basée sur la bande SWIR. Bien qu’elle
obtienne de bons résultats, cette méthode néces- site l’intervention d’un expert pour déterminer
les seuils du double seuillage, la rendant caduque pour un non-expert.