Vegetation Coverage Classification Using Texture Analysis on High Resolution Satellite Images. Classification de Couverts Végétaux Par Analyse de Textures Couleurs d’Images Satellites Haute Résolution

Vegetation Coverage Classification Using Texture Analysis on High Resolution Satellite Images

Classification de Couverts Végétaux Par Analyse de Textures Couleurs d’Images Satellites Haute Résolution

Mohamed Abadi Enguerran Grandchamp

Laboratoire GRIMAAG – Université Antilles Guyane – Campus de Fouillole – 97157 Pointe-à-Pitre Guadeloupe France

Page: 
175-185
|
Received: 
17 November 2008
|
Accepted: 
N/A
|
Published: 
30 April 2009
| Citation

OPEN ACCESS

Abstract: 

Résumé

Cet article présente une application de la télédétection pour la gestion des espaces forestiers des îles des Caraïbes. La problématique générale est la protection des forêts par le suivi de leurs frontières avec les zones agricoles. Cette problématique est particulièrement sensible du fait du caractère insulaire des forêts et difficile du fait d’une occupation hétérogène du territoire. En effet, les parcelles agricoles sont de taille et forme très variées, réparties sur tout le territoire et souvent mélées à la végétation. Le suivi des frontières nécessite de reconnaître et localiser les diérents couverts végétaux. Après une recherche de l’espace couleur hybride adapté à l’image et une fusion des différentes bandes acquises par un satellite (afin de combiner haute résolution spatiale et spectrale), une caractérisation des différents couverts est obtenue en calculant des descripteurs de couleur et de texture. Différentes méthodes d’extraction (matrices de co-occurrences, moment de Hu, filtre de Laws, filtre de Gabor…) sont utilisées pour calculer ces descripteurs. Une classification est ensuite appliquée pour segmenter l’image. Pour la validation de l’approche, l’absence de vérité terrain a contraint les experts à réaliser une évaluation visuelle.

Keywords: 

Mots clés

Télédétection, classification, textures, espace couleur, forêt, extraction de descripteurs

1. Introduction: Enjeux et Contexte
2. La Chaîne de Traitement
3. Amélioration de la Représentation des Images
4. Caractérisation des Couverts
5. Classification
6. Résultats
7. Conclusion
  References

[1] ABADI M., Couleur et texture pour la représentation et la classification d’images satellite multi-résolution. These, Universite des Antilles et de la Guyane, 2008.

[2] TONYÉ E., AKONO A. and RUDANT J-P., Classification texturale d’une image radar à synthèse d’ouverture dans une région volcanique: le cas de la région du Mont Cameroun, volume 3. Télédetection, 2003.

[3] DEBAIN C., BERDUCAT M., ARVIS V. and BENASSI A., Generalization of the Co-occurrence matrix for colour images : Application to colour texture classification, volume 23. Image Anal Stereol, 2004.

[4] MANJUNATH B.S. and MA X.Y., Texture features for browsing and retrieval of image data, volume 18. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996.

[5] LILLESAND T.M., CARPER W.J. and KIEFER R.W., The use of Intensity-Hue-Saturation transformation for merging SPOT panchromatic and multispectral image data, volume 56. Photogrammetric Engineering and Remote Sensing, 1990.

[6] SIDES S.C., CHAVEZ P.S. and ANDERSON J.A., Comparison of three different methods to merge multiresolution and multispectral data : Landsat TM and SPOT Panchromatic, volume 57. Photogrammetric Engineering and Remote Sensing, 1991.

[7] YUAN S-Y., CHEN W-S. and HSIEH C-M., Two algorithms to estimate fractal dimension of gray-level images, volume 42. SPIE Optical Engineering, 2003.

[8] COCQUEREZ J. P. and PHILIPP S., Analyse d’images : Filtrage et segmentation. S. Masson, 1995.

[9] ZAHN C.T. and ROSKIES R.Z., Fourier descriptors for plane closed curves. IEEE Trans. On Computers, 1972.

[10] WEMMERT C., DERIVAUX S., LEFÈVRE S. and KORCZAK J.J., Segmentation par ligne de partage des eaux basée sur des connaissances texturales. Colloque GRETSI sur le Traitement du Signal et des Images, 2007.

[11] KAYITAKIRE F., Forest stand characterisation using very high resolutions satellite remote sensing/Caractérisation des peuplements forestiers par télédétection à très hautes résolutions. AGRO/MILA - Département des sciences du milieu et de l’aménagement du territoire, Thèse, 2006.

[12] SHANMUGAM K., HARALICK R.M. and DINSTEIN I., Textural features for image classification, volume 3. IEEE Transaction on Systems, Man, and Cybernetics, 1996.

[13] MITRA M., ZHU W., JAND ZABIH R., HUANG J., KUMAR S.R., Image indexing using color correlograms. International Conference on Computer Vision and Pattern Recognition, 1997.

[14] MACQUEEN J.B., Some Methods for classification and Analysis of Multivariate Observations, volume 1. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, 1967.

[15] COGGINS J.M., A framework for texture analysis based on spatial filtering. PhD thesis, Computer Science Department, Michigan State University, 1982.

[16] LAWS K.I., Rapid texture identification, volume 238. SPIE Image Processing for Missile Guidance, 1980.

[17] WALD L., Quality of high resolution synthesised images : Is there a simple criterion ? In Proceeding of the 3th conference : Fusion of Earth data : merging point measurements, raster maps and remotely sensed images. Nice, France, 2000.

[18] LAFORGE H., Analyse multivariée : en sciences sociales et biologiques: présentation matricielle et usage des programmes d’ordinateur BMD, BMDP et SPSS. Presses de l’Université Laval, 1979.

[19] ABADI M. and GRANDCHAMP E., Colour Image Texture Characterizing : Caribbean Forest Classification by IKONOS Images. International Journal of Remote Sensing, 2007.

[20] STRICKER M.A. and ORENGO. M., Similarity of color images. SPIE, Storage and Retrieval for Imaging Video Databases, 1995.

[21] MACAIRE L., Exploitation de la couleur pour la segmentation et l’analyse d’images. PhD thesis, Université des science et technologie de Lille 1, 2004.

[22] SWAIN M.J. and BALLARD D.H., Color indexing, volume 7. International Journal of Computer Vision, 1991.

[23] HU M.K., Visual pattern recognition by moment invariants. IRE Trans. On information Theory, IT-8, 1962.

[24] VANDENBROUCKE N., Segmentation dímages couleurs par classification de pixels dans des espaces d’attributs colorimétriques adaptés. Application à l’analyse d’image de football. Thèse de Doctorat, Université de Lille 1, 2000.

[25] KANADE T., OHTAY.I. and SAKAI T., Color information for region segmentation. Computer Graphics and Image Processing, 1980.

[26] GONZALEZ R.C. and WOODS R.E., Digital Image Processing. Addison-Wesley, Reading, MA, 1992.

[27] CHAPUIS R., ROUQUET C., CHAUSSE F. and BONTON P., Segmentation non supervisée d’images de scènes routières Une approche multi-critère, volume 13. Traitement du Signal, 1996.

[28] ARZANDEH S. and WANG J., Texture evaluation of RADARSAT imagery for wetland mapping, volume 28. SPIE Optical Engineering, 2002.

[29] HAINDL M. SCARPA G. and ZERUBIA J., Hierarchical finite-state modeling for texture segmentation with application to forest classification. INRIA, France, 2006.

[30] SHYU H.C., TU T.M., SU S.C. and HUANG P.S., A new look at IHSlike image fusion methods, volume 2. Information Fusion, 2001.

[31] LEE J.Y., WARNER T.A. and MCGRAW J.B., Delineation and identification of individual trees in the eastern deciduous forest. In Natural ressources Canada, editor, Automated interpretation of high spatial resolution digital imagery for forestry, International Forum, Pacic Forestry Center, Victoria, British Columbia, 1998.