Programme

Imagerie Optique

9h30     Introduction : Présentation des bases de données Kalideos - Stéphane MAY (CNES)

10h10   Segmentation multi-échelle de séries temporelles d’images satellite appliquée à l’étude d’une période de sécheresse au Sénégal – Thomas GUYET (IRISA)

10h40   Mesure de déplacement co-sismique par corrélation d'images optiques - Ana-Maria ROSU, Arthur DELORME (IPGP), Marc PIERROT-DESEILLIGNY (IGN), Renaud BINET (CEA), Yann KLINGER (IPGP)

11h10   Pause

Imagerie Radar

11h20   Introduction : Potentiel, méthodes et enjeux de l'analyse des images SAR multitemporelles – Emmanuel TROUVE (LISTIC), Jean-Marie NICOLAS (LTCI)

12h       MIMOSA :  Un outil automatique de détection de changements pour couples ou séries temporelles d'images SAR - Guillaume QUIN (CEA)

12h30   Traitement et analyse de données multi-temporelles TerraSAR-X appliqués à la prévention des chutes de séracs – Michel GAY, X.V. PHAN (GIPSA-lab)

13h       Repas

Analyse de séries temporelles

14h20   Introduction : Techniques de post-classification pour la détection des changements anormaux - Grégoire MERCIER (Lab-STICC)

15h       Matrice des Divergences Multi-Temporelles et Analyse des Séries Chronologiques d'Images SAR - Abdourrahmane ATTO, Emmanuel TROUVE (LISTIC), Yannick BERTHOUMIEU (IMS), Grégoire MERCIER (Lab-STICC)

15h30   Description spatio-temporelle non supervisée de séries d'images satellitaires par extraction de motifs séquentiels fréquents groupés - Nicolas MEGER (LISTIC), Andreea JULEA (LAPI/LISTIC), Christophe RIGOTTI, Philippe BOLON (LISTIC)

16h Pause

16h15   Utilisation de DTW pour la classification de séries temporelles d'images satellites - François PETITJEAN et Pierre GANCARSKI (LSIIT)

16h45   Méthode automatique de sélection temporelle d'image de télédétection pour l’amélioration de la classification - Antoine MASSE, Danielle DUCROT (CESBIO) et Philippe MARTHON (IRIT)

Résumés des contributions

Imagerie Optique

9h30     Introduction : Présentation des bases de données Kalideos - Stéphane MAY (CNES)

Les bases de données Kalideos sont des séries multi-temporelles de référence, mises en place par le CNES au cours de l'année 2000, à destination de la communauté scientifique. 4 bases ont été mises en place sur la Roumanie, l'Ile de la Réunion, le bassin d'Arcachon, et plus récemment sur la région Sud-Ouest de Toulouse. Les images sont issues de différents capteurs satellites (Spot, Formosat, Quickbird, Terrasar X, Cosmo Skymed). Elles sont pré-traitées géométriquement afin que les produits soient tous superposables entre eux, et radiométriquement (passage en reflectance TOA, TOC) afin de faciliter leur utilisation par les scientifiques.

L'exposé présentera les bases de données, la description des pré-traitements appliquées aux images, et les futurs produits de classification qui seront fournis aux utilisateurs.

10h10   Segmentation multi-échelle de séries temporelles d’images satellite appliquée à l’étude d’une période de sécheresse au Sénégal – Thomas GUYET (IRISA)

Les images satellites permettent l’acquisition d’information à grande échelle sur la végétation au sol. Ces images sont disponibles sur plusieurs années avec des fréquences d’acquisition importantes (1 image tous les seize jours) et forment ainsi des séries temporelles d’image satellite (SITS). Dans ce travail, nous présentons une méthode permettant de segmenter une SITS en caractérisant l’évolution d’un indice de végétation (indice NDVI) sur deux échelles temporelles : annuels et pluriannuels. Nous expérimentons cette méthode pour segmenter les régions sèches du Sénégal et comparons notre méthode à une classification directe des séries temporelles. Les résultats montrent que notre méthode différentie mieux des régions dans la zones médianes du Sénégal et localise des régions fines significatives (villes, forêts, zones agricoles).

10h40   Mesure de déplacement co-sismique par corrélation d'images optiques - Ana-Maria ROSU, Arthur DELORME (IPGP), Marc PIERROT-DESEILLIGNY (IGN), Renaud BINET (CEA), Yann KLINGER (IPGP)

L'objet du travail est de mesurer les déformations du sol associées à des mouvements tectoniques majeurs, comme les séismes. La méthode retenue ici est celle de la corrélation d'images optiques (satellite ou aériennes) prises avant et après l'événement.

Aujourd'hui, pour ce type de mesure, la communauté des sciences de la Terre utilise principalement un corrélateur fondé sur une méthode de corrélation sub-pixel dans le domaine fréquentiel. Le corrélateur MICMAC, développé par l'IGN, utilise une méthode de corrélation sub-pixel dans le domaine spatial et représente une autre façon d'aborder cette problématique. Notamment, ce corrélateur présente des caractéristiques, particulièrement en terme de réduction du bruit (régularisation), qui pourraient se révéler très intéressantes pour la mesure de déformations.
D'une part, des tests de validation de MICMAC sur cette problématique sont en cours de réalisation sur des couples d'images dans lesquelles différents types de déplacements synthétiques sub-pixel (discontinus et élastiques) ont été introduits. Cela nous permet d'évaluer les différents paramètres qui contrôlent la corrélation en connaissant a priori la déformation recherchée.

En parallèle, des tests de comparaison entre MICMAC et un corrélateur en domaine fréquentiel sont effectués qui permettent de quantifier le degré de restitution de la déformation calculée par chaque corrélateur et de le comparer à la "vérité terrain".

D'autre part, nous menons aussi des tests sur des cas réels, ce qui est indispensable pour évaluer l'apport de MICMAC en terme de réduction de bruit (lié à la mesure et au diachronisme) et de robustesse.

Ces travaux, en cours, doivent nous permettre de déterminer quelle est la méthode de corrélation la mieux adaptée à la mesure de déformation et notamment l'impact de la régularisation sur la qualité de la mesure.

Nous tenons à remercier le CNES pour son soutien financier de ces travaux.

Imagerie Radar

11h20   Introduction : Potentiel, méthodes et enjeux de l'analyse des images SAR multitemporelles – Emmanuel TROUVE (LISTIC), Jean-Marie NICOLAS (LTCI)

Les capacités « tous temps » des radar imageurs en font un instrument privilégié pour l'acquisition de séries multitemporelles et l’observation régulière d'évolutions survenant à la surface de la Terre. Les spécificités des images SAR (Synthetic Aperture Radar) permettent d'aborder différents types d'applications tels que la détection de changement ou la mesure de déformation, mais elles nécessitent de prendre en compte la physique de la rétrodiffusion des ondes électromagnétiques et de s'affranchir de certaines limitations (bruit, perturbations atmosphériques, géométrie du capteur...).

Dans cet exposé introductif, nous rappellerons les principales caractéristiques des données SAR et les évolutions survenues entre la première génération de satellite radar (ERS-1/2, RadarSAT-1, ENVISAT) et la seconde génération (ALOS, TerraSAR-X, RadarSAT-2, COSMO-SkyMed), en particulier l'avènement de la haute résolution spatiale et des données satellitaires pleinement polarimétriques (PolSAR). Nous illustrerons l'apport des données multitemporelles et les méthodes associées pour exploiter l'information d'amplitude (changements radiométriques, suivi de texture...) et l'information de phase en interférométrie radar (InSAR).

Les résultats présentés s'appuieront notamment sur les travaux réalisés par les différents partenaires du projet ANR EFIDIR (Extraction Fusion d'Informations pour la mesure de Déplacement par Imagerie Radar, http://www.efidir.fr).

12h       MIMOSA :  Un outil automatique de détection de changements pour couples ou séries temporelles d'images SAR - Guillaume QUIN (CEA)

MIMOSA (Method for generalIzed Means Ordered Series Analysis) est un outil automatique dédié à la détection de changements dans une série temporelle d'images SAR. La méthode dispose de trois modules distincts, dédiés respectivement aux couples, triplets et séries temporelles d'images. Dans chaque cas, le seul paramètre de la détection est le taux de fausse alarmes a priori. La méthode ne nécessite pas de filtrage préalable des images et les exploite de plus dans leur pleine résolution. Un soin particulier a été apporté à la représentation des cartes de changements, de sorte à conserver les habitudes des experts en analyse d'image. Des outils additionnels de classification de changements sont également  proposés dans le cas de séries temporelles, dans le but d'apporter une aide à l'interprétation. Une interface graphique a par ailleurs été développée et intégrée au logiciel ENVI. La méthode montre de très bons résultats en imagerie satellitaire, ainsi qu'avec des images aéroportées.

12h30   Traitement et analyse de données multi-temporelles TerraSAR-X appliqués à la prévention des chutes de séracs – Michel GAY, X.V. PHAN, (GIPSA-lab)

Les traitements d'une série temporelle d'images TSX (recalage des images, corrélation d'intensité, projection de la géométrie radar-sol, normalisation de la radiométrie...) nous ont permis de calculer des déplacements à la surface de tous les glaciers visibles de la vallée de Chamonix.  La haute résolution spatiale (HRS) des données TSX permet alors de déterminer des vitesses de surface sur des zones de faible dimension. Nous avons calculé l'évolution temporelle des vitesses de la chute de sérac du glacier de Taconnaz. La modélisation de la partie résiduelle de ces vitesses par des fonctions log-périodiques semble montrer une dramatique accélération qui pourrait être un indicateur préventif d'une chute de sérac. Ces résultats suggèrent qu'il serait possible de suivre l'évolution temporelle des mouvements des glaciers à risques à partir de données radar multi-temporelles HRS, d'en déduire des indicateurs de déstabilisation des zones terminales et de pouvoir prévenir des risques d'une éventuelle catastrophe naturelle.

Analyse de séries temporelles

14h20   Introduction : Techniques de post-classification pour la détection des changements anormaux - Grégoire MERCIER (Lab-STICC)

Nous nous intéressons à la détection de changements dans une série d'images de télédétection acquises par le même capteur à des instants différents. Il s'agit alors de détecter des changements anormaux parmi les évolutions normales des états de surface.

Nous présentons deux techniques permettant de traiter ce problème. La première est basée sur une méthode non paramétrique. La carte de Kohonen est un réseau de neurones qui réalise le même type de classification qu'un K-means mais avec une assignation d'indice de telle sorte que les classes similaires ont des indices équivalents. L'étude de ces indices permet de bâtir des "parcours de changements" qui peuvent eux même être classifiés de façon à détecter les anomalies de parcours.

La seconde technique est basée sur la caractérisation des parcours de changements dans un cadre bayesien ou crédibiliste. Ce raisonnement dynamique étend la théorie de Dempster-Shafer. Il requiert la définition de règles de combinaison spécifiques qui sont compatibles avec les règles de Dempster, de Yager et le modèle libre de Dezert-Smarandache.

Ces modèles seront appliquées à des images QuickBird acquises lors du tremblement de terre de Boumerdes. Ainsi qu'à une série d'images Formosat. 

15h       Matrice des Divergences Multi-Temporelles et Analyse des Séries Chronologiques d'Images SAR - Abdourrahmane ATTO, Emmanuel TROUVE (LISTIC), Yannick BERTHOUMIEU (IMS), Grégoire MERCIER (Lab-STICC)

Les séries chronologiques d'images de télédétection jouent un rôle essentiel en analyse et surveillance des régions terrestres difficilement accessibles. L'exploitation des nouvelles générations d'images de télédétection se confronte actuellement à trois défis majeurs: la haute résolution, les longues séries temporelles et l'effet de speckle intrinsèque aux images obtenues à partir de radiations cohérentes. La conjonction de ces faits rend la poursuite d'un événement temporel complexe sur une longue série.

La présentation porte sur un cadre spatio-temporel de détection des changements pour l'analyse des séries temporelles d'images. Dans ce cadre, la détection des changements dans le temps est abordée au niveau image/imagette en utilisant une matrice de dissimilarités croisées calculées sur la base d'une description parcimonieuse de la série chronologique. L'exploitation de la matrice des divergences croisées permet, entre autres, l'identification des sous-séquences stationnaires en temps, l'identification des acquisitions qui présentent un comportement singulier par rapport à leur voisinage dans la série temporelle, etc. De cette matrice, on récupère alors les acquisitions d'intérêts, celles qui sont associées à un comportement suspect et/ou celles qui traduisent des changements d'états dans la série chronologique. La détection des changements dans l'espace porte alors sur ces acquisitions d'intérêts: ces acquisitions sont comparées au niveau pixelique, afin de détecter les modifications spatiales caractérisant l'évolution de la série chronologique entre des instants dits critiques. L'exposé sera illustré par des résultats sur des séries chronologiques ERS et TerraSAR-X.

15h30   Description spatio-temporelle non supervisée de séries d'images satellitaires par extraction de motifs séquentiels fréquents groupés - Nicolas MEGER (LISTIC), Andreea JULEA (LAPI/LISTIC), Christophe RIGOTTI (LIRIS), Philippe BOLON (LISTIC)

Comment décrire spatialement et temporellement une série d'images satellitaires en mode non supervisé? Comment faire cela tout en rejetant les perturbations atmosphériques et les défauts liés aux capteurs? Ces questions sont à l'origine du concept de motif séquentiel fréquent groupé. Après avoir défini ce type de motif, l'exposé présentera le cadre algorithmique permettant l'extraction de tels motifs. Des applications de cette technique de fouille de données à la surveillance de cultures et à la caractérisation des déplacements du sol à large échelle seront présentées. Celles-ci mettent en œuvre différentes séries d'images satellitaires dont le type (optique, radar) et la résolution spatiale et temporelle diffèrent.

16h15   Utilisation de DTW pour la classification de séries temporelles d'images satellites - François PETITJEAN et Pierre GANCARSKI (LSIIT) - Soutien: CNES - Thales Alenia Space

L'analyse de séries temporelles d'images satellites se ramène souvent à l'analyse de l'évolution de ses pixels : il s'agit alors par exemple de classifier des séquences temporelles formée chacune de la suite des valeurs spectrales prises par le pixel sur la période considérée.

Toutefois, du fait des conditions météorologique (nuages, principalement) et des fréquences de survol des satellites, l’échantillonnage temporel de ces séquences est, dans les faits, toujours irrégulier. De plus, nous sommes amenés à traiter avec des séquences présentant des longueurs différentes.

Par ailleurs, les manifestations des phénomènes (par exemple : urbanisation péri-urbaine) peuvent être distordues dans le temps : dates de début (de la construction) décalées, durée et début des différentes phases (d'arasement, de construction, de vieillissement, ...) peuvent différer, etc.

Dans nos travaux, nous montrons que l'utilisation de DTW (Dynamique Time Warping) permet de contourner ces problèmes dans le cas de la classification non-supervisée de telles séquences. Néanmoins, l'utilisation de DTW dans des algorithmes de classification à base de distance nécessite, bien souvent, la définition du moyenne par rapport à cette mesure. Dans nos travaux nous avons donc été amenés à étudier les moyennes existantes et à proposer la méthode DBA (Dtw Barycentric Averaging).

Dans notre exposé nous nous proposons :

- de présenter DTW et son applicabilité (et les bénéfices) à l'analyse de séquences temporelles d'images de télédétection

- d'introduire rapidement la moyenne proposée

- de montrer des résultats sur les bases de données Kalideos  

16h45   Méthode automatique de sélection temporelle d'image de télédétection pour l’amélioration de la classification - Antoine MASSE, Danielle DUCROT (CESBIO) et Philippe MARTHON (IRIT)

As acquisition technology progresses, remote sensing data contains an ever increasing amount of information and future projects in remote sensing will give a high repeatability of acquisition. Projects like Venµs (CNES) may provide data of a same area every 2 days with a resolution of 5.3 meters on 12 bands (420nm-900nm) and Sentinel-2 (ESA) with 13 bands, 10-60m resolution and 5 days frequency. With such data, process automation will appear crucial. For that purpose, we develop several algorithms to automate image processing (classification, segmentation, interpretation, etc.).

In this paper, we will talk about dataset selection and more precisely temporal selection of remote sensing images in order to improve discrimination between thematic objects. A great number of tests showed that classification of a large amount of temporal images does not necessarily give the best results for every class. Thus we want to select the dataset combinations which maximize every class independently by quality indices. The novelties are automatic processes for classification improvement and their coordination: (1) search of the best dataset (for overall quality and single class quality), (2) classification of these data sets and (3) classification fusion of these datasets. New indices are introduced to evaluate and select the best temporal information. A goal of this method is to give discrimination information to users, to help them with reference study to choose the dataset which correspond to their thematic research. The interest of the presented method (selection, classification and fusion) is the possibility to reduce the date number by keeping the same quality for result.

We present tests performed on Spot 4/5 (2.5/20m), Formosat-2 (8m), Landsat (30m) and Terrasar-X (3m) images. These tests have the advantage to give a wide range of resolution and data type; they validate the presented process for temporal discrimination improvement. These tests are achieved over an agricultural site located in the South-West region of France. This site is particularly well instrumented with continuous field observations (Regional Spatial Observatory or OSR), allowing accurate training and validation of land cover mapping system.