Détection de changements

Introduction

    Les technologies liées à l'imagerie satellite étant en plein essor, la quantité d'images satellites disponibles ne cessant de croître, et l'observation de la planète, en vue de sa préservation ou de la surveillance du territoire, étant des sujets d'actualité, beaucoup de problématiques sont aujourd'hui liées à la détection de changements.
    La détection de changements correspond à la caractérisation et à la localisation de zones ayant évoluées entre deux observations (ou plus) d'une même scène. Cette évolution peut être naturelle et par exemple correspondre à la croissance de la végétation, à une éruption volcanique, ou à une inondation, ou elle peut être liée à l'activité humaine comme dans le cas d'une catastrophe pétrolière. Avant tout traitement, les images observées doivent correspondre, de la façon la plus précise possible, à la même scène. Il faut donc pouvoir corriger les défauts liés aux différentes prises de vue: différence entre les types de capteurs utilisés (imagerie optique, infra-rouge, SAR), différence entre les conditions d'observations (angle d'observation, trajectoire montante/descendante, conditions d'éclairement, conditions climatiques, ...), et s'assurer que les images traitées correspondent bien à la même scène observée (recalage d'image). Tout ceci nous amène à effectuer plusieurs pré-traitements avant de pouvoir tenter de détecter un quelconque changement.

Positionnement du problème

    Le problème de la détection de changement peut se décomposer en deux points distincts: en effet, la plupart des techniques de détection de changement sont basées sur une approche en deux temps. Elles combinent à la fois des techniques d'extraction (caractérisation) de changements, c'est-à-dire des techniques permettant de mettre en exergue (révéler) les changements survenus entre les différentes observations, et dans un second temps, des méthodes permettant de segmenter (classer, identifier) les zones de changement et de non-changement. Le premier point important est donc la génération de données révélatrices des changements apparus entre les différentes observations. Ces données peuvent être, par exemple, une ou plusieurs images dans lesquelles les changements sont plus facilement identifiables que dans les images originales. Dans ce domaine, un nombre relativement important de méthodes existent mais la plupart d'entre-elles ont été développées pour des capteurs optique ou infra-rouge. Il est cependant clair que les limites intrinsèques de ces capteurs, notamment leur dépendance aux conditions météorologiques, sont particulièrement contraignantes et pas forcément très réalistes dans un cadre opérationnel. C'est par exemple le cas de l'application de cartographie des dommages causés par une catastrophe naturelle majeure (éruption, inondation...), en période de gestion de crise (organisation des secours sur le terrain).
    Ainsi, les capteurs radars sont mieux adaptés à ce type d'application même si le problème de détection automatique de changements est rendu plus difficile. Les raisons sont principalement de quatre ordres~:

    • la modalité d'imagerie avec notamment la présence importante d'un bruit de speckle inhérent aux phénomènes de rétrodiffusion radar;
    • l'inter-étalonnage et l'incidence (angle de visée et sens montant/descendant) des deux prises de vues par le (ou les) capteur(s) radar;
    • les problèmes de résolution des images par des capteurs radar différents entre la première prise de vue et la seconde (générations de capteurs radar SAR différentes).
    • l'évolution "naturelle" des scènes observées (phénomène lent) qui ne doivent pas être confondus avec les changements abruptes (phénomène rapide) que nous cherchons à localiser.

    Il apparaît clairement que l'information purement radiométrique est inadaptée car trop sensible aux conditions d'acquisition et des méthodes basées sur les caractéristiques statistiques des images semblent plus adéquates. Pour tenter de résoudre ce problème, nous proposons donc de tester et d'évaluer plusieurs solutions qui reposent sur de nouveaux modèles basés sur les modèles Markoviens.

    Les technologies liées à l'imagerie satellite étant en plein essor, la quantité d'images satellites disponibles ne cessant de croître, et l'observation de la planète, en vue de sa préservation ou de la surveillance du territoire, étant des sujets d'actualité, beaucoup de problématiques sont aujourd'hui liées à la détection de changements.
    La détection de changements correspond à la caractérisation et à la localisation de zones ayant évoluées entre deux observations (ou plus) d'une même scène. Cette évolution peut être naturelle et par exemple correspondre à la croissance de la végétation, à une éruption volcanique, ou à une inondation, ou elle peut être liée à l'activité humaine comme dans le cas d'une catastrophe pétrolière. Avant tout traitement, les images observées doivent correspondre, de la façon la plus précise possible, à la même scène. Il faut donc pouvoir corriger les défauts liés aux différentes prises de vue: différence entre les types de capteurs utilisés (imagerie optique, infra-rouge, SAR), différence entre les conditions d'observations (angle d'observation, trajectoire montante/descendante, conditions d'éclairement, conditions climatiques, ...), et s'assurer que les images traitées correspondent bien à la même scène observée (recalage d'image). Tout ceci nous amène à effectuer plusieurs pré-traitements avant de pouvoir tenter de détecter un quelconque changement.