Bathymetric Segmentation of Multispectral SPOT Images. Segmentation Bathymétrique D’Images Multispectrales SPOT

Bathymetric Segmentation of Multispectral SPOT Images

Segmentation Bathymétrique D’Images Multispectrales SPOT

C. Collet J.N. Provost  P. Rostaing  P. Pérez  P. Bouthemy 

École navale/Irenav – BP 600 – 29240 Brest

Université de Bretagne Occidentale, 6 av le Gorgeu – BP 809 – 29285 Brest Cedex

IRISA/INRIA, Campus Universitaire de Beaulieu, 35042 Rennes, France

Page: 
1-15
|
Received: 
18 April 2000
|
Accepted: 
N/A
|
Published: 
28 February 2001
| Citation

OPEN ACCESS

Abstract: 

This paper addresses the analysis of multispectral SPOT images in order to update nautical charts and to control nautical data. We have developed a segmentation approach based on two Markovian modeling steps. The first one is based on Markov chain (1D) modeling, whereas the second step involves a hierarchical process, Markovian in scale. Each of them includes the unsupervised estimation of the parameters. The model parameters are automatically calibrated whereas the noise parameters are estimated in the context of generalized distribution mixtures. An adaptive bathymetric inversion model is then derived in order to recover the water depth near the coasts. This bathymetric estimation has been validated on real data, for which control points are available that correspond to bathymetric measures supplied by previous hydrographic campaigns.

Résumé

Cet article présente la segmentation des images multispectrales SPOT pour la mise à jour des cartes marines et le contrôle d’informations nautiques. La segmentation des images multispectrales est réalisée en deux étapes grâce à une première modélisation par chaîne de Markov, puis une seconde par champ de Markov hiérarchique. Elle inclut l’estimation automatique des paramètres du modèle ainsi que l’identification des paramètres du bruit dans le contexte de l’estimation de mélange de lois généralisé. Un modèle d’inversion bathymétrique adaptatif est ensuite proposé et validé sur des images réelles, pour lesquelles on dispose de points de contrôle correspondant à des mesures bathymétriques réalisées in situ dans le cadre de campagnes hydrographiques.

Keywords: 

multispectral SPOT images, segmentation, estimation, hydrography, Markovian modeling

Mots clés

images multispectrales SPOT, segmentation, estimation, bathymétrie, modèle markovien

1. Introduction
2. Extraction des Zones de Mer
3. Segmentation des Zones de Mer
4. Modèle D’inversion Bathymétrique Adaptatif
5. Conclusions et Perspectives
Remerciements
  References

[1] C.A. Bouman et M. Shapiro. A multiscale random field model for {B}ayesian image segmentation. IEEE Trans. on Image Processing, 3(2) : 162-177, 1994. 

[2] A. Chardin et P. Pérez. Semi-iterative inferences with hierarchical energybased models for image analysis. Proc. International Workshop EMMCVPR’99 : Energy Minimisation Methods in Computer Vision and Pattern Recognition, Lecture Notes in Computer Science, 1654, 1999. 

[3] J.P. Delmas. Relations entre les algorithmes d’estimation itérarive EM et ICE avec exemples d’applications. In 15th colloque GRETSI, pages 185-188, Antibes, France, 1995. 

[4] A.P. Dempster, N.M. Laird, et D.B. Rubin. Maximum Likelihood from incomplete data via the EM algorithm. Royal Statistical Society, pages 1-38, 1976. 

[5] X. Descombes, R. Morris, J. Zérubia, et M. Berthod. Estimation of Markov random field prior parameters using Markov chain Monte Carlo Maximum Likelihood. IEEE Trans. Image Process., 8(7):954-963, July 1999. 

[6] P.A. Devijver et M. Dekesel. Algorithme d’apprentissage d’un modèle Markovien d’images. In Actes du 6ème congrès RFIA, pages 193-207, novembre 1987. 

[7] J.N. Provost, C. Collet, et P. Pérez et P. Bouthemy. Segmentation d’images radiométriques multispectrales pour l’obtention de cartes bathymétriques. Actes des Journées Francophones des jeunes chercheurs en analyse d’images et perception visuelle – Orasis’99 – Aussois, France, 1, avril 1999. 

[8] J.N. Provost et C. Collet et P. Pérez et P. Bouthemy. Segmentation non-supervisée d’images multispectrales SPOT : Application à la cartographie maritime. In 17ème Colloque sur le Traitement du Signal et des Images, GRETSI’99, volume I, pages 27-30, Vannes, France, 1999. 

[9] J.M. Laferté, F. Heitz et P. Pérez. Modèles Markoviens d’images et algorithmes d’estimation non linéaire sur le quadarbre. Traitement du signal, 15(3) : 213-230, 1998. 

[10] G. Celeux et J. Diebolt. L’algorithme SEM : un algorithme d’apprentissage probabiliste pour la reconnaissance de mélanges de densités. Revue de Statistique Appliquée, 34(2), 1986. 

[11] P.A. Devijver et M. Dekesel. Champs aléatoires de Pickard et modélisation d’images digitales. Traitement du signal, 5(5) : 131-150, 1988. 

[12] B. Benmiloud et W. Pieczynski. Estimation des paramètres dans les chaînes de Markov cachées et segmentation d’images. Traitement du Signal, 12(5) : 433-454, 1995. 

[13] A. Lorette, X. Descombes et J. Zérubia. Extraction des zones urbaines fondée sur une analyse de la texture par modélisation Markovienne. Rapport de recherche 3423, INRIA – Sophia-Antipolis, mai 1998. 

[14] A. Fourgassie. La spatiocarte marine, une solution pour la cartographie des atolls polynésiens. Conférence Pix’Iles 90 – volume 1, pages 329-341, Nouméa-Tahiti, France, 19-24 novembre 1990.

[15] S. Geman et D. Geman. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-6(6) : 721-741, November 1984. 

[16] N. Giordana. Segmentation non supervisée d’images multispectrales par chaînes de Markov cachées. Thèse de doctorat, Institut National des Télécommunications (INT), décembre 1996. 

[17] C. Graffigne, F. Heitz, P. Pérez, F. Prêteux, M. Sigelle, et J. Zerubia. Hierarchical Markov random field models applied to image analysis : a review. In SPIE Neural Morphological and Stochastic Methods in Image and Signal Processing, volume 2568, pages 2-17, San Diego, 10-11 July 1995. 

[18] M. Hamren-Larsson. Modelling bathymetry and temporal changes in a coastal region of the Dominican Republic : the use of Landsat thematic mapper. http://www.geog.ubc.ca/courses/klink/g472/class98/hamren-larsson/index.html. 

[19] J. Huber. Robust statistics. John Wisley and sons, New York, 1981. 

[20] Z. Kato, J. Zérubia, et M. Berthod. Unsupervised parallel image classification using Markovian models. Pattern Recognition, 32(4) : 591-604, April 1999.

[21] J.M. Laferté. Contribution à l’analyse d’images par modèles Markoviens sur des graphes hiérarchiques. Application à la fusion de données multirésolution. Thèse de doctorat, Université de Rennes 1, IRISA, octobre 1996. 

[22] L. Loubersac et P.Y. Burban. Integrated study of Aitutaki’s lagoon (Cook islands) using SPOT satellite data and in situ measurements : bathymetric modelling. Geocarto International, 2 : 31-37, 1991. 

[23] D.R. Lyzenga. Passive remote sensing techniques for mapping water depth and bottom features. Journal of Applied Optics, 17(3) : 379-383, 1978. 

[24] D.R. Lyzenga. Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data. IEEE Transactions on Geoscience and Remote Sensing, 2 : 77-82, 1983. 

[25] P. Mainguenaud, R. Jeansoulin, et JP. Rudant. Caractérisation neuronale des propriétés texturales des images radar à synthèse d’ouverture ERS1 et JERS1. Bulletin de la Société Française de Photogrammétrie et Télédétection, Octobre 1995. 

[26] C. Nikou. Contribution au recalage d’images médicales multimodales : approches par fonction de similarité robuste et modèles déformables sous contraintes statistiques. Thèse de doctorat, Université Louis PasteurStrasbourg I, mai 1999. 

[27] J.M. Odobez. Estimation, détection et segmentation du mouvement : une approche robuste et Markovienne. Thèse de doctorat, Université de Rennes 1, IRISA, décembre 1994.

[28] W. Pieczynski. Champs de Markov cachés et estimation conditionnelle itérative. Traitement du signal, 11(2) : 141-153, 1994. 

[29] P. Pérez et F Heitz. Multiscale Markov random fields and constrained relaxation in low level image analysis. IEEE International Conference on Acoustics, Speech and Signal Processing. (ICASSP-92), 3 : 61-64, 1992. 

[30] J.-N. Provost. Classification bathymétrique en imagerie multispectrale SPOT. Thèse de doctorat, Université de Bretagne Occidentale, juin 2001. http://www-isis.enst.fr 

[31] P. Rostaing, J.-N. Provost, et C. Collet. Unsupervised multispectral image segmentation using generalized Gaussian noise model. In Proc. International Workshop EMMCVPR’99 : Energy Minimisation Methods in Computer Vision and Pattern Recognition, Springer Verlag – Lecture Notes in Computer Science, volume 1654, pages 141-156, York, UK, July 1999. 

[32] F. Salzenstein. Modèles Markoviens flous et segmentation statistique nonsupervisée d’images. Thèse de doctorat, Université Rennes 1 – Institut National des Télécommunications d’Evry, décembre 1996. 

[33] P. Thourel. Segmentation d’images sonar par modélisation Markovienne hiérarchique et analyse multirésolution. Thèse de doctorat, Université de Bretagne Occidentale – Ecole Navale (Laboratoire GTS), juillet 1996. 

[34] G.C. Wei et M.A. Tanner. A Monte Carlo implementation of the EM algorithm and the poor man’s data augmentation algorithms. Journal of the American Statistical Association, 85 : 699-704, 1990.