Méthode de pavage hiérarchique pour identifier le type de surface dans des images numériques

Context

When working with collections of Synthetic Aperture Radar (SAR) images, statistical modelling-based classification algorithms typically parameterize a distribution function of backscatter values related to surface water in order to assign all of a scene’s pixels to one of the two semantic classes: ‘water’ and ‘no water’. The difficulty in parameterizing such a distribution function originates from the fact that flooded areas often represent only a small fraction of an entire SAR scene. In these circumstances, the distribution of a SAR scene’s backscatter values is often not clearly bimodal and it becomes difficult, if not impossible, to accurately parameterize the distribution function of backscatter values associated with surface water. A sufficiently high percentage of flood pixels is typically required to estimate a reliable and robust distribution function that can be used for accurately delineating all water bodies.

Description

Le LIST a mis au point un algorithme scientifique permettant de délimiter automatiquement, efficacement, de manière fiable et précise les masses d'eau à partir de collections d'images RSO. Cette méthode comporte trois étapes. Tout d'abord, on estime la fonction de densité de probabilité des valeurs de rétrodiffusion des étendues d'eau dans les données RSO. Cela nécessite l'identification de l'aspect bimodal avec un histogramme des valeurs de rétrodiffusion afin que les valeurs des étendues d'eau puissent être reconnues à partir d'autres valeurs de rétrodiffusion. L'algorithme utilise une approche de pavage hiérarchique basée sur les scissions (méthode HSBA) qui recherche des tuiles de taille variable pour permettre de paramétrer la fonction de distribution statistique attribuée aux valeurs de rétrodiffusion liées aux eaux de surface. Les processus de pavage et de paramétrage sont entièrement intégrés. La méthode HSBA divise séquentiellement l'image RSO en sous-images de taille décroissante afin d'identifier des tuiles de taille variable pour lesquelles une fonction de répartition des eaux de surface peut être paramétrée. 

Une fonction de densité de probabilité théorique de la rétrodiffusion de l'eau est ensuite ajustée à l'histogramme de ces tuiles à l'aide de techniques de régression non linéaires. La valeur de rétrodiffusion où ce pdf commence à diverger de l'histogramme est alors identifiée. En isolant ces pixels à l'aide de valeurs de rétrodiffusion inférieures à ce seuil produit ensuite une carte d'inondation préliminaire qui représente la région de semences pour un processus de croissance ultérieure de la région. Cette étape permet d'agrandir progressivement la zone inondée en incluant des pixels qui présentent un comportement de rétrodiffusion prévu pour des zones inondées. Cette méthode délimite automatiquement toutes les masses d'eau présentes dans la ou les images ROS.

Avantages

• • classification automatique et objective des images  
  • méthode efficace, robuste et précise
  • approche indépendante des caractéristiques techniques de la scène RSO
  • peut être utilisée pour estimer la probabilité d'inondation pour chaque pixel 

Applications possibles

Ce procédé de traitement d'image peut être utilisé pour :

• détecter différents types de changements entre deux acquisitions d'images (par exemple des inondations) 
• détecter les pixels modifiés grâce à une intégration dans un logiciel de traitement d'images commercial. 
• fournir une cartographie rapide de l'étendue des inondations en cas d'urgence 
• traiter des recueils de données d'observation de la Terre archivées afin de générer des catalogues d'inondations historiques et de cartographier les risques d'inondation et les risques à grande échelle