Chapitre II
Les méthodes et les outils
14
perturbent les étapes suivantes. L’étape suivante consiste à sélectionner sur l’image
originale des points représentants des chenaux, l’utilisateur doit donc cliquer un certain
nombres de points. Ces points sont ensuite utilisés dans un algorithme ISODATA [J. R.
Jensen,1996]. Une fois les clusters obtenus il les classifie en utilisant la distance de
Mahalanobis [J.A. Richards,1993], il calcule la distance de chaque pixel de chaque
cluster par rapport au pixel moyen du cluster. Il trie ainsi les pixels et calcule un EPV
(Estimated ’P’ value) qui lui permet de déterminer si un pixel appartient à un chenal.
L’étape suivante consiste à partir des points sélectionnés manuellement et trouver la ligne
du squelette la plus proche en utilisant les directions déterminées précédemment.
Ensuite, toutes les lignes de squelettes trouvées et classées comme chenal sont gardées. Il
faut maintenant complèter et relier les différents chenaux, pour ce faire, l’auteur localise
les points terminaux et extrapole les chenaux pour les relier à d’autres points terminaux
en utilisant l’interpolation rationnelle [W. H. Press et al,2002]. Cette méthode laisse
encore certains chenaux non connectés au réseau des che- naux, ces chenaux sont
ignorés car ils ont été éliminés par la classification, pour contrer cela il classifie comme
chenal toutes les lignes de squelette qui ont des points terminaux à chacune de leurs
extrémités. Maintenant qu’il a le squelette du réseau des chenaux, il va l’étendre
jusqu’aux contours en utilisant les directions déterminées précédemment, obtenant ainsi
les chenaux complets. Cette méthode a comme défaut principal de nécessiter
l’intervention de l’utilisateur qui doit déjà trouver les chenaux sur l’image et en cliquer
certains points. Dans le cas où l’uti- lisateur ne serait pas un expert cela ne serait pas
possible, sans compter que la moindre erreur de l’utilisateur entrainera une erreur de la
méthode.
II.1.3 Extraction du réseau routier
Zhang [C. Zhang, S. Murai, and E. Baltsavias,1999] cherche à extraire le réseau
routier d’une image satellite. Il com- mence par classifier et segmenter l’image en
utilisant l’algorithme ISODATA [ J. R. Jensen,1996] (Iterative Self Organizing Data
Analysis Technique). Après segmentation les mai- sons sont des petites régions séparées
les une des autres alors que les routes sont de longs objets. L’auteur se sert alors de la
notion de grand axe d’une ellipse qui entoure un objet pour éliminer les maisons. Il
utilise une granulométrie basée sur ce critère ce qui donne la distribution en taille des
objets dans une image, lui per- mettant de définir un seuil de taille en dessous duquel
les objets ne sont pas des routes. Il pratique alors une ouverture triviale avec cette taille
pour éliminer les objets n’étant pas des routes. Il applique ensuite une fermeture pour
boucher les trous. Afin d’enlever les petits chemins, il pratique une ouverture en
utilisant un élément structurant dont la taille est la largeur de la route principale. Il élimine
en- suite les maisons qui restaient encore en réappliquant une ouverture triviale. Cette
ouverture ayant créé des trous dans le réseau routier, il réapplique une fermeture pour
combler les trous. Il reste ensuite des morceaux de route non connectés, pour les
reconnecter, il réduit le réseau routier a une largeur de 1 pixel, ensuite pour chaque
point final il regarde si dans un certain rayon, il y a un autre point final, si c’est le cas
il les reconnecte pour compléter le réseau routier. Cette méthode simple a cependant
ces limites, elles ne pourra détecter des routes non continues ou abimées (chute d’arbre,
tunnel...), elle n’éliminera pas les chemins secondaires aussi larges que la route (descente
de garage ou entrée de propriété), elle ne pourra dans la même image détecter des routes
sombres et des routes claires (goudron, sable, terre).
Les méthodes et les outils
14
perturbent les étapes suivantes. L’étape suivante consiste à sélectionner sur l’image
originale des points représentants des chenaux, l’utilisateur doit donc cliquer un certain
nombres de points. Ces points sont ensuite utilisés dans un algorithme ISODATA [J. R.
Jensen,1996]. Une fois les clusters obtenus il les classifie en utilisant la distance de
Mahalanobis [J.A. Richards,1993], il calcule la distance de chaque pixel de chaque
cluster par rapport au pixel moyen du cluster. Il trie ainsi les pixels et calcule un EPV
(Estimated ’P’ value) qui lui permet de déterminer si un pixel appartient à un chenal.
L’étape suivante consiste à partir des points sélectionnés manuellement et trouver la ligne
du squelette la plus proche en utilisant les directions déterminées précédemment.
Ensuite, toutes les lignes de squelettes trouvées et classées comme chenal sont gardées. Il
faut maintenant complèter et relier les différents chenaux, pour ce faire, l’auteur localise
les points terminaux et extrapole les chenaux pour les relier à d’autres points terminaux
en utilisant l’interpolation rationnelle [W. H. Press et al,2002]. Cette méthode laisse
encore certains chenaux non connectés au réseau des che- naux, ces chenaux sont
ignorés car ils ont été éliminés par la classification, pour contrer cela il classifie comme
chenal toutes les lignes de squelette qui ont des points terminaux à chacune de leurs
extrémités. Maintenant qu’il a le squelette du réseau des chenaux, il va l’étendre
jusqu’aux contours en utilisant les directions déterminées précédemment, obtenant ainsi
les chenaux complets. Cette méthode a comme défaut principal de nécessiter
l’intervention de l’utilisateur qui doit déjà trouver les chenaux sur l’image et en cliquer
certains points. Dans le cas où l’uti- lisateur ne serait pas un expert cela ne serait pas
possible, sans compter que la moindre erreur de l’utilisateur entrainera une erreur de la
méthode.
II.1.3 Extraction du réseau routier
Zhang [C. Zhang, S. Murai, and E. Baltsavias,1999] cherche à extraire le réseau
routier d’une image satellite. Il com- mence par classifier et segmenter l’image en
utilisant l’algorithme ISODATA [ J. R. Jensen,1996] (Iterative Self Organizing Data
Analysis Technique). Après segmentation les mai- sons sont des petites régions séparées
les une des autres alors que les routes sont de longs objets. L’auteur se sert alors de la
notion de grand axe d’une ellipse qui entoure un objet pour éliminer les maisons. Il
utilise une granulométrie basée sur ce critère ce qui donne la distribution en taille des
objets dans une image, lui per- mettant de définir un seuil de taille en dessous duquel
les objets ne sont pas des routes. Il pratique alors une ouverture triviale avec cette taille
pour éliminer les objets n’étant pas des routes. Il applique ensuite une fermeture pour
boucher les trous. Afin d’enlever les petits chemins, il pratique une ouverture en
utilisant un élément structurant dont la taille est la largeur de la route principale. Il élimine
en- suite les maisons qui restaient encore en réappliquant une ouverture triviale. Cette
ouverture ayant créé des trous dans le réseau routier, il réapplique une fermeture pour
combler les trous. Il reste ensuite des morceaux de route non connectés, pour les
reconnecter, il réduit le réseau routier a une largeur de 1 pixel, ensuite pour chaque
point final il regarde si dans un certain rayon, il y a un autre point final, si c’est le cas
il les reconnecte pour compléter le réseau routier. Cette méthode simple a cependant
ces limites, elles ne pourra détecter des routes non continues ou abimées (chute d’arbre,
tunnel...), elle n’éliminera pas les chemins secondaires aussi larges que la route (descente
de garage ou entrée de propriété), elle ne pourra dans la même image détecter des routes
sombres et des routes claires (goudron, sable, terre).