Fiche de révision : Analyse des Images Satellite et Indices Radiométriques

📋 Plan du Cours

1. Visualisation monocanal
2. Histogramme fréquentiel
3. Etalement dynamique
4. Histogramme bimodal
5. Indices radiométriques
6. NDVI (Végétation)
7. NDWI (Stress hydrique)
8. Indice de brillance
9. Filtres directionnels
10. Filtre Laplacien
11. Masque radiométrique
12. Masque géométrique

📖 1. Visualisation monocanal

🔑 Notions clés & Définitions

• Canal d’image satellite : couche individuelle d’une image multispectrale représentant une bande spectrale spécifique, visualisée en teintes de gris pour analyser la réflectance ou l’émittance (voir section 2).
• Système de coordonnées de référence (SCR) : cadre géographique permettant de localiser précisément une couche raster dans l’espace, généralement associé à une projection cartographique comme UTM (voir section 2).
• Projection UTM (Universal Transverse Mercator) : système de projection cartographique divisé en fuseaux, permettant de représenter la surface terrestre avec une grande précision, notamment utilisé dans les données Sentinel 2 (voir section 2).
• Propriétés d’une couche raster : ensemble d’informations techniques telles que dimensions (nombre de colonnes et lignes), unité de mesure (mètre), taille du pixel, valeurs min/max, et emprise géographique (voir section 2).
• Interrogation des pixels : opération permettant d’obtenir la valeur numérique d’un pixel précis dans un canal, utile pour analyser la réflectance ou l’émittance à un point donné (voir section 2).

📝 Points essentiels

• La visualisation d’un canal en teintes de gris permet d’observer la distribution de la réflectance ou de l’émittance dans une seule bande spectrale, facilitant l’analyse de la dynamique radiométrique (voir section 2).
• Lors de l’importation des canaux Sentinel 2, le SCR du projet devient généralement le code EPSG 32631, correspondant à la projection UTM zone 31N en WGS84, garantissant une localisation précise dans l’espace (fig. 1, 2).
• La consultation des propriétés d’une couche raster fournit des informations clés : dimensions (ex. 3 279 x 3 056 pixels), unité (mètre), taille du pixel (10 m), valeurs min (ex. 732) et max (ex. 5384), ainsi que la moyenne et l’écart-type des valeurs numériques (voir section 2).
• L’interrogation des pixels à l’aide de l’outil « Identifier » permet de connaître la valeur précise d’un pixel dans un canal, essentielle pour des analyses quantitatives (fig. 4).

💡 À retenir

La visualisation monocanal en teintes de gris, combinée à l’analyse des propriétés et à l’interrogation des pixels, constitue une étape fondamentale pour comprendre la distribution radiométrique et la localisation spatiale des données satellitaires Sentinel 2.

📖 2. Histogramme fréquentiel

🔑 Notions clés & Définitions

• Histogramme fréquentiel : Représentation graphique ou tabulaire de la distribution des valeurs radiométriques d’un seul canal d’image satellite, où l’abscisse indique les niveaux de réflectance ou radiance et l’ordonnée leur fréquence d’apparition (nombre de pixels). AUTEUR (date) : permet d’analyser la dynamique radiométrique et la séparabilité des objets dans l’image.

• Lecture d’un histogramme : La compréhension de la forme de l’histogramme, notamment la localisation et l’allure des pics, permet d’interpréter la distribution des valeurs radiométriques. La position des pics indique les domaines dominants de réflectance, et leur bimodalité peut révéler la présence de deux grands groupes de surfaces (ex : eau vs autres surfaces). AUTEUR (date) : essentiel pour caractériser la distribution des valeurs dans un canal.

• Interprétation des formes d’histogrammes : La forme bimodale, avec deux pics distincts, indique la coexistence de deux grands domaines d’occupation du sol avec des signatures spectrales différentes. La séparation entre pics et leur largeur renseignent sur la discriminabilité des classes ou objets. La variation de la bimodalité selon la longueur d’onde permet d’évaluer la séparabilité des occupations du sol (ex : eau vs végétation). AUTEUR (date) : clé pour analyser la séparabilité spectrale.

• Représentation graphique : Sur un histogramme, l’abscisse correspond aux valeurs radiométriques (réflectance ou radiance), allant généralement du minimum au maximum observé, tandis que l’ordonnée indique la fréquence ou le pourcentage de pixels pour chaque niveau. La visualisation permet une lecture intuitive de la distribution radiométrique. AUTEUR (date) : outil visuel pour l’analyse radiométrique.

• Utilisation pour caractériser la distribution : L’histogramme permet d’évaluer la dynamique radiométrique d’un canal, d’identifier la présence de valeurs extrêmes ou saturées, et d’orienter les méthodes d’étalement ou de classification. La forme de l’histogramme guide aussi la sélection des techniques d’amélioration visuelle ou d’analyse spectrale. AUTEUR (date) : fondamental pour le traitement radiométrique.

📝 Points essentiels

• Un histogramme fréquentiel monocanal est une représentation graphique où l’abscisse indique les niveaux de réflectance ou radiance, et l’ordonnée leur fréquence d’apparition dans l’image. Il peut être présenté sous forme de graphique orthogonal, avec des pics correspondant aux domaines dominants de valeurs radiométriques.

• La lecture de l’histogramme consiste à analyser la localisation, la forme et la bimodalité éventuelle. La position des pics (ex : autour de 800 et 1350 pour le canal B2 de Sentinel 2) indique la présence de surfaces à faibles ou moyennes réflectances, souvent liées à des occupations du sol spécifiques.

• La forme bimodale, avec deux pics, traduit la coexistence de deux grands groupes de surfaces (ex : eau et végétation). La largeur des pics et leur écart permettent d’évaluer la discriminabilité entre ces groupes, notamment en fonction de la longueur d’onde.

• La représentation graphique facilite l’interprétation qualitative de la distribution radiométrique et guide les choix de traitement comme l’étalement dynamique ou la saturation. La compréhension de la forme de l’histogramme est essentielle pour caractériser la dynamique radiométrique et la séparabilité des objets dans l’image.

• La variation de la bimodalité selon la longueur d’onde (visible vs infrarouge) indique que certaines signatures spectrales sont plus discriminantes pour certains types de surfaces, notamment pour distinguer l’eau des autres occupations du sol.

💡 À retenir

L’histogramme fréquentiel monocanal est un outil clé pour analyser la distribution des valeurs radiométriques, permettant d’évaluer la dynamique, la séparabilité et la nature des surfaces représentées dans une image satellite. Sa forme bimodale est souvent révélatrice de la coexistence de groupes de surfaces à signatures spectrales distinctes.

📖 3. Etalement dynamique

🔑 Notions clés & Définitions

• Dynamique radiométrique : l’étendue des valeurs radiométriques d’une image, comprise entre le minimum et le maximum des comptes numériques (valeurs pixel). Elle détermine la gamme de réflectance visible dans l’image.
• Principe de l’étalement de la dynamique : consiste à ajuster la plage des valeurs radiométriques pour utiliser au mieux la palette de visualisation, améliorant ainsi la perception visuelle des détails.
• Méthode d’étalement linéaire : technique qui redistribue uniformément les valeurs radiométriques entre le minimum et le maximum, pour exploiter toute la gamme de la palette (cf. fig. 10).
• Méthode par équifréquence : regroupement des valeurs en classes de même fréquence pour équilibrer la distribution des pixels sur la palette, souvent utilisée pour renforcer le contraste dans des histogrammes bimodaux.
• Utilisation de la saturation dans l’étalement : consiste à exclure ou « saturer » les valeurs extrêmes (valeurs faibles ou élevées) en les forçant à apparaître en teintes limites (noir ou blanc), ce qui évite que ces valeurs dominent la visualisation (voir saturation à 2% dans fig. 11).
• Impact visuel de l’étalement avec saturation : permet d’accentuer les détails dans la majorité des pixels en réduisant l’effet des valeurs extrêmes, mais peut aussi introduire une perte d’informations sur ces valeurs extrêmes, rendant l’image plus contrastée et plus lisible.

📝 Points essentiels

• La dynamique radiométrique d’une image est définie par l’étendue entre ses valeurs minimum et maximum, telles que mesurées dans le fichier numérique (ex. valeurs min/max de 732/5384 pour le canal B2).
• L’étalement de la dynamique vise à optimiser l’utilisation de la palette de couleurs ou de gris en redistribuant les comptes radiométriques, ce qui facilite la visualisation des détails.
• La méthode linéaire est la plus simple, consistant à étirer la plage de valeurs pour couvrir toute la palette (fig. 10).
• La méthode par équifréquence ajuste la distribution des valeurs en classes de même fréquence, souvent pour améliorer la séparabilité des objets ou surfaces.
• La saturation dans l’étalement consiste à exclure une proportion de pixels aux valeurs extrêmes (ex. 2%), en les forçant à apparaître en teintes limites, ce qui accentue le contraste sans déformer la majorité des valeurs (fig. 11, 12).
• L’impact visuel de cette saturation est une image plus contrastée, où les détails dans la majorité des pixels sont mieux visibles, mais au prix d’une perte d’informations sur les valeurs extrêmes.

💡 À retenir

L’étalement de la dynamique, en utilisant des méthodes linéaires ou par équifréquence avec saturation, permet d’optimiser la visualisation en exploitant au mieux la gamme de valeurs radiométriques, tout en contrôlant l’impact des valeurs extrêmes sur l’image.

📖 4. Histogramme bimodal

🔑 Notions clés & Définitions

• Histogramme fréquentiel bimodal : Représentation graphique où deux pics distincts apparaissent, indiquant la présence de deux grands domaines d’occupation du sol avec des signatures spectrales différentes, souvent liées à des surfaces telles que l’eau et la végétation ou le sol nu. AUTEUR (date) : caractérisation d’une distribution radiométrique à deux modes.

• Interprétation des deux pics : Les deux pics d’un histogramme bimodal correspondent à deux grands domaines d’occupation du sol, par exemple, surfaces aquatiques versus surfaces terrestres, permettant une différenciation spectrale. AUTEUR (date) : séparation spectrale liée à la nature des surfaces.

• Variation selon la longueur d’onde : La bimodalité de l’histogramme évolue avec la longueur d’onde ; elle tend à s’accentuer dans l’infrarouge (visible vs infrarouge) où la séparation entre surfaces est plus discriminante. La différence entre pics augmente avec la longueur d’onde, ce qui facilite la séparabilité des surfaces. AUTEUR (date) : influence de la longueur d’onde sur la discriminabilité spectrale.

• Lien avec la séparabilité des surfaces : La présence d’un histogramme bimodal indique une séparabilité potentielle entre surfaces (ex : eau vs autres surfaces), car les deux pics reflètent des signatures spectrales distinctes, facilitant la classification ou la segmentation. AUTEUR (date) : relation entre bimodalité et séparabilité des classes.

• Forme et allure de l’histogramme bimodal : La forme bimodale se traduit par deux maxima, souvent avec des bases plus ou moins larges, indiquant la diversité ou la dominance relative de chaque domaine d’occupation du sol. La largeur des pics informe sur la variabilité des signatures spectrales. AUTEUR (date) : interprétation de la forme pour l’analyse de la surface.

📝 Points essentiels

• La caractérisation d’un histogramme bimodal repose sur l’observation de deux pics distincts, souvent liés à deux grands domaines d’occupation du sol (eau vs autres surfaces). La présence de deux maxima indique une séparation spectrale entre ces surfaces, ce qui facilite leur différenciation dans l’analyse d’image.

• La variation de la bimodalité selon la longueur d’onde est cruciale : dans le domaine visible, la bimodalité peut être moins marquée, alors qu’elle devient plus nette dans l’infrarouge, où la réflectance des surfaces diffère davantage (ex : eau faible, végétation forte).

• La séparation des surfaces (ex : eau vs autres) est renforcée par la bimodalité de l’histogramme, ce qui permet d’établir une relation directe entre la forme de l’histogramme et la séparabilité des classes dans l’image satellite.

• La largeur et la hauteur des pics, ainsi que la présence de bases larges ou étroites, renseignent sur la diversité spectrale et la dominance relative des surfaces dans l’image. La bimodalité est un indicateur de la capacité à distinguer ces surfaces dans une analyse spectrale.

• La présence d’un histogramme bimodal est un indice de la possibilité de différencier efficacement deux grands domaines d’occupation du sol, notamment en utilisant des longueurs d’onde infrarouges où la séparation spectrale est accentuée.

💡 À retenir

L’histogramme bimodal, en révélant deux pics distincts, indique la présence de deux grands domaines d’occupation du sol avec des signatures spectrales différentes, dont la séparabilité s’accroît dans l’infrarouge, facilitant la classification des surfaces.

📖 5. Indices radiométriques

🔑 Notions clés & Définitions

• Indices radiométriques dérivés des canaux multispectraux : Calculs mathématiques utilisant les valeurs de réflectance ou de comptes numériques de plusieurs canaux pour caractériser des surfaces ou des phénomènes spécifiques, permettant une meilleure séparation des classes de surface (ex : végétation, eau). AUTEUR (date) : concept fondamental en télédétection pour l’analyse spectrale.

• Utilisation des indices pour caractériser la végétation, l’eau, etc. : Application d’indices spécifiques pour détecter, évaluer ou suivre l’état des surfaces, comme la santé de la végétation ou la présence d’eau, en exploitant leurs signatures spectrales distinctives. AUTEUR (date) : principe essentiel en télédétection pour la classification et la surveillance.

• NDVI (Normalized Difference Vegetation Index) : Indice de végétation normalisé calculé par la formule (B8 - B4) / (B8 + B4), où B8 est proche infrarouge et B4 rouge. Il permet d’évaluer la présence, la densité et la santé de la végétation. PERROUX (date) : indice standard pour la détection de la végétation.

• NDWI (Normalized Difference Water Index) : Indice de détection de l’eau, défini par (B3 - B8) / (B3 + B8), utilisant le vert et le proche infrarouge. Il sert à identifier et suivre les surfaces hydriques ou le stress hydrique dans la végétation. AUTEUR (date) : outil pour la caractérisation de l’humidité.

• Indice de brillance : Mesure de la réflectance globale d’une surface, souvent calculée à partir de la moyenne ou de la somme des valeurs radiométriques de plusieurs canaux, pour caractériser la réflectance de surfaces diverses (sol, eau, végétation). Il permet d’évaluer la "brillance" ou la "réflectivité" d’un objet ou surface. AUTEUR (date) : utilisé pour la classification spectrale.

📝 Points essentiels

• Les indices radiométriques exploitent la différence ou la somme de réponses spectrales dans des bandes spécifiques pour accentuer certaines signatures de surface, facilitant la séparation des classes (ex : végétation vs sol nu, eau vs sol sec). La formule générale est souvent une différence normalisée, comme pour le NDVI ou le NDWI, ce qui permet de réduire l’effet des variations d’éclairement et d’atmosphère.

• Le NDVI, développé par PERROUX (date), est le plus utilisé pour la surveillance de la végétation, avec des valeurs allant de -1 à +1. Les valeurs proches de +1 indiquent une végétation dense et saine, tandis que celles proches de -1 ou 0 correspondent à des surfaces non végétalisées ou à des sols nus.

• Le NDWI, introduit par AUTEUR (date), est un indice sensible à l’eau, permettant de distinguer les surfaces hydriques ou de suivre le stress hydrique dans la végétation. Il est particulièrement utile pour la gestion de l’eau, la détection de zones inondées ou la surveillance de la sécheresse.

• L’indice de brillance, plus général, sert à caractériser la réflectance globale d’une surface, en utilisant souvent la moyenne ou la somme des valeurs radiométriques des canaux, pour différencier des surfaces à forte ou faible réflectivité.

• La sélection des bandes pour le calcul des indices dépend de l’objectif : végétation (NDVI), eau (NDWI), ou caractérisation générale (indice de brillance).

💡 À retenir

Les indices radiométriques, dérivés des canaux multispectraux, sont des outils puissants pour la caractérisation et la différenciation des surfaces en télédétection, en exploitant leurs signatures spectrales spécifiques pour une meilleure analyse du terrain.

📖 6. NDVI (Végétation)

🔑 Notions clés & Définitions

• NDVI (Normalized Difference Vegetation Index) : indice radiométrique permettant d’évaluer la présence et la santé de la végétation, calculé à partir des bandes spectrales proches infrarouge (B8) et rouge (B4) selon la formule :
  $NDVI = \frac{(B8 - B4)}{(B8 + B4)}$
  AUTEUR (date) : méthode standard pour caractériser la végétation.
• Utilisation du NDVI : il sert à détecter la présence de végétation, à suivre sa croissance, à évaluer son état de santé, et à analyser la biomasse ou la couverture végétale dans un territoire.
  AUTEUR (date) : application en télédétection pour la gestion des ressources naturelles.
• Interprétation des valeurs du NDVI :
  • Valeurs proches de 1 indiquent une végétation dense et saine.
  • Valeurs proches de 0 ou négatives correspondent à des surfaces non végétalisées ou à des surfaces d’eau.
  • Valeurs intermédiaires reflètent une végétation peu dense ou stressée.
    AUTEUR (date) : seuils couramment utilisés pour différencier les types de couvert végétal.

📝 Points essentiels

• Le NDVI est calculé à partir des bandes spectrales B8 (proche infrarouge) et B4 (rouge) de Sentinel 2, en utilisant la formule de Tucker (1979) : $NDVI = \frac{(NIR - Red)}{(NIR + Red)}$.
• Les valeurs du NDVI varient entre -1 et +1. Les valeurs positives indiquent la végétation, avec des seuils souvent fixés pour distinguer végétation dense (>0,6), végétation peu dense (0,2 à 0,6), et surfaces non végétalisées (<0,2).
• Le NDVI permet de suivre la dynamique de la végétation dans le temps, de détecter des stress hydriques ou de la dégradation, et de réaliser des cartes de couverture végétale.
• La précision de l’indice dépend de la calibration radiométrique et de la correction atmosphérique des images.
• La méthode est largement utilisée en gestion agricole, forestière, et environnementale pour la surveillance à distance.

💡 À retenir

Le NDVI, indice radiométrique basé sur la différence normalisée entre proche infrarouge et rouge, est un outil essentiel pour évaluer la présence, la densité et la santé de la végétation à partir d’images satellitaires, avec une interprétation simple de ses valeurs pour différencier les types de couvert végétal.

📖 7. NDWI (Stress hydrique)

🔑 Notions clés & Définitions

• NDWI (Normalized Difference Water Index) : Indice radiométrique développé par Gao (1996), permettant de détecter la présence d’eau ou de stress hydrique dans la végétation en utilisant la différence normalisée entre deux bandes spectrales, généralement le proche infrarouge (NIR) et le vert (B3 ou B2).
• Formule du NDWI : (B3 - B2) / (B3 + B2), où B3 est la bande du vert et B2 celle du proche infrarouge.
• Utilisation du NDWI : Permet d’évaluer le stress hydrique dans la végétation en détectant des variations de la teneur en eau, notamment lors de périodes de sécheresse ou de stress hydrique accru.
• Interprétation des valeurs :
  • Valeurs proches de 1 indiquent une forte teneur en eau ou un état hydrique satisfaisant.
  • Valeurs proches de 0 ou négatives signalent un stress hydrique ou une végétation en déficit d’eau.
• Point à retenir : Le NDWI est sensible aux variations de l’humidité du sol et de la végétation, ce qui en fait un indicateur efficace pour le suivi du stress hydrique à partir d’images satellites.

📝 Points essentiels

• Le NDWI est calculé à partir des bandes du vert (B3 ou B2) et du proche infrarouge (B8 ou B11), en utilisant la formule (B3 - B2) / (B3 + B2) ou (B8 - B3) / (B8 + B3), selon la plateforme et la disponibilité des bandes.
• Il permet de différencier les zones humides, les surfaces en stress hydrique ou en déficit hydrique, en exploitant la différence de réflectance entre le vert et le proche infrarouge.
• La valeur du NDWI varie entre -1 et +1, avec une majorité de pixels généralement proches de 0 ou négatifs en cas de végétation stressée ou de surfaces sèches.
• La sensibilité du NDWI à l’humidité en fait un outil précieux pour la gestion de l’irrigation, la surveillance des sécheresses et l’évaluation de la santé de la végétation.
• La détection du stress hydrique par le NDWI doit être croisée avec d’autres indices ou données pour une interprétation précise, notamment en tenant compte des conditions saisonnières et du type de végétation.

💡 À retenir

Le NDWI est un indice radiométrique clé pour la détection du stress hydrique dans la végétation, en exploitant la différence de réflectance entre le vert et le proche infrarouge, avec une valeur indicative de l’état hydrique des surfaces végétales.

📖 8. Indice de brillance

🔑 Notions clés & Définitions

• Indice de brillance : Mesure quantitative de la réflectance d'une surface, reflétant sa capacité à réfléchir la lumière. Il est souvent calculé à partir des comptes numériques d’un canal radiométrique, permettant d’évaluer la réflectance relative d’une surface (voir section 3).
• Utilisation de l’indice de brillance : Permet de caractériser la réflectance des surfaces en distinguant différents types d’occupations du sol, comme l’eau, la végétation ou les surfaces anthropiques, en exploitant leur signature spectrale (voir section 3).
• Applications possibles : L’indice de brillance est utilisé dans la classification des images satellite, la détection de stress hydrique, ou encore pour suivre l’évolution de la couverture terrestre, notamment en comparant des surfaces dans différentes conditions ou périodes (voir section 3).

📝 Points essentiels

• L’indice de brillance se calcule à partir des comptes numériques des pixels dans un canal radiométrique, en normalisant ou en transformant ces valeurs pour obtenir une mesure relative de la réflectance (voir section 3).
• Il permet de différencier rapidement des surfaces en fonction de leur capacité à réfléchir la lumière, ce qui est utile pour la séparation des objets comme l’eau, la végétation ou le bâti dans une image satellite.
• La caractérisation par l’indice de brillance s’appuie sur l’analyse des histogrammes fréquentiels, notamment en observant la bimodalité ou la distribution des valeurs, pour identifier les domaines d’occupation du sol (voir section 3).
• Son utilisation dans le traitement d’image facilite l’étalement de la dynamique radiométrique, en ajustant la visualisation pour mieux distinguer les surfaces à réflectance faible ou forte, notamment via des méthodes d’étalement linéaire ou par équifréquence (voir section 3).
• La valeur de l’indice de brillance peut varier selon la longueur d’onde du canal considéré, ce qui influence la séparabilité des différentes classes de surface en fonction de leur signature spectrale (voir section 3).

💡 À retenir

L’indice de brillance est un outil radiométrique essentiel pour caractériser la réflectance des surfaces dans une image satellite, facilitant la différenciation des occupations du sol et l’analyse de leur état ou évolution.

📖 9. Filtres directionnels

🔑 Notions clés & Définitions

• Filtres directionnels : Opérations de traitement d’image conçues pour accentuer ou détecter des structures orientées selon une direction spécifique, en utilisant des kernels adaptés à cette orientation. AUTEUR (date) : ces filtres permettent de mettre en évidence des contours ou textures suivant une orientation donnée.

• Utilisation pour détecter des structures orientées : Application des filtres directionnels pour repérer des éléments comme des lignes, des bords ou des textures alignés dans une image, facilitant l’analyse spatiale des formes et des textures. AUTEUR (date) : ils sont essentiels pour l’analyse de motifs linéaires ou structurés dans le traitement d’image.

• Exemples de filtres directionnels : Kernels spécifiques tels que le filtre de Sobel orienté, le filtre de Prewitt ou encore le filtre de Roberts, ajustés pour accentuer les contours dans une direction précise (horizontal, vertical, diagonale). Ces filtres modifient la réponse en fonction de la direction du motif recherché.

📝 Points essentiels

• Les filtres directionnels sont construits à partir de kernels (matrices de convolution) orientés selon une direction particulière, par exemple 0°, 45°, 90°, ou 135°, permettant de détecter des structures alignées dans ces directions.

• Leur utilisation permet d’isoler ou de mettre en évidence des contours ou textures orientés, ce qui est utile pour la segmentation de lignes, la détection de réseaux ou la caractérisation de textures dans une image satellite ou autre.

• Parmi les exemples, le filtre de Sobel orienté horizontal accentue les contours horizontaux, tandis que le filtre de Prewitt diagonal cible les structures en diagonale. Leur effet est de répondre fortement aux structures dans la direction ciblée, tout en atténuant les autres.

• Ces filtres sont souvent combinés ou appliqués successivement pour analyser plusieurs orientations, ou intégrés dans des méthodes plus complexes comme la détection de textures ou la segmentation orientée.

💡 À retenir

Les filtres directionnels sont des outils puissants pour détecter et accentuer des structures orientées dans une image, en utilisant des kernels adaptés à chaque direction, ce qui facilite l’analyse spatiale et la segmentation des motifs linéaires ou textures.

📖 10. Filtre Laplacien

🔑 Notions clés & Définitions

• Filtre Laplacien : Opération de traitement d’image basée sur l’application du second dérivé spatial de l’image, permettant de détecter les zones de variation rapide de la luminance. PERROUX (date) : "Le filtre Laplacien met en évidence les contours en accentuant les régions où la variation de l’intensité est maximale."
• Détection des contours : Processus visant à localiser les frontières entre différentes régions d’une image en utilisant des filtres comme le Laplacien pour souligner les changements brusques de luminance ou de couleur. AUTEUR (date) : "Le filtre Laplacien est particulièrement efficace pour la détection précise des contours et des détails fins."
• Propriétés du filtre Laplacien : Caractéristiques mathématiques et visuelles telles que la sensibilité aux détails fins, la réponse aux variations rapides, et la nature isotrope (indépendante de la direction). AUTEUR (date) : "Le filtre Laplacien est un opérateur linéaire qui accentue les transitions rapides tout en supprimant les zones homogènes."

📝 Points essentiels

• Le filtre Laplacien calcule la dérivée seconde de l’image, ce qui permet d’identifier rapidement les zones où l’intensité change brusquement, comme les contours ou les détails fins.
• En pratique, il est souvent appliqué via un noyau convolutionnel (ex : noyau 3x3 ou 5x5) pour accentuer les contours. La formule mathématique du Laplacien en 2D est généralement donnée par :
  $\nabla^2 I = \frac{\partial^2 I}{\partial x^2} + \frac{\partial^2 I}{\partial y^2}$
• Le filtre est isotrope, c’est-à-dire qu’il répond de manière équivalente dans toutes les directions, ce qui est essentiel pour une détection de contours sans biais directionnel.
• La réponse du filtre Laplacien est sensible au bruit, ce qui nécessite souvent une étape de pré-traitement (filtrage ou lissage) pour éviter la détection de faux contours.
• En traitement d’image, il est souvent combiné avec une opération d’addition ou de soustraction à l’image originale pour améliorer la visibilité des contours (ex : filtre de Laplace en "sharpening").
• La propriété principale est qu’il met en évidence les zones de variation rapide, ce qui en fait un outil puissant pour la segmentation, la détection de détails et la mise en valeur des structures.

💡 À retenir

Le filtre Laplacien est un opérateur de dérivée seconde qui accentue les contours et détails fins en détectant les variations rapides d’intensité, mais il est sensible au bruit, nécessitant souvent un pré-traitement pour une détection précise.

📖 11. Masque radiométrique

🔑 Notions clés & Définitions

• Masque radiométrique : Technique qui consiste à sélectionner ou exclure certains pixels d’une image en fonction de leurs valeurs radiométriques, afin de cibler des zones d’intérêt ou de filtrer le bruit. AUTEUR (date) : "Utilisation des masques radiométriques pour filtrer les pixels selon leurs valeurs radiométriques."

• Filtrage par masque radiométrique : Processus d’application du masque pour isoler ou supprimer des pixels dont les valeurs radiométriques ne répondent pas à certains critères, permettant d’améliorer la qualité ou la pertinence de l’analyse. AUTEUR (date) : "Application des masques radiométriques dans le traitement d’images."

• Notion de seuil radiométrique : Définition d’une limite (seuil) en valeur radiométrique pour distinguer les pixels à conserver ou à exclure lors de la création du masque. Ce seuil peut être fixé manuellement ou via des méthodes automatiques.

• Application dans le traitement d’image : Utilisation du masque radiométrique pour segmenter, nettoyer ou focaliser l’analyse sur des zones spécifiques, par exemple en excluant les pixels trop sombres ou trop clairs, ou en isolant des surfaces de réflectance particulière.

📝 Points essentiels

• Le masque radiométrique permet de filtrer efficacement les pixels selon leurs valeurs radiométriques, facilitant la sélection de zones d’intérêt ou la suppression de données indésirables (bruit, pixels saturés, zones non pertinentes). AUTEUR (date) : "Utilisation des masques radiométriques pour filtrer les pixels selon leurs valeurs radiométriques."

• La création d’un masque repose sur la définition de seuils radiométriques, qui peuvent être fixes ou dynamiques, en fonction de la distribution des valeurs radiométriques dans l’image. Ces seuils déterminent quels pixels seront conservés ou exclus.

• L’application du masque permet d’améliorer la précision des analyses ultérieures (classification, indices, détection de changements) en éliminant les pixels non représentatifs ou perturbateurs.

• La technique est souvent utilisée en prétraitement pour nettoyer l’image, notamment pour exclure les pixels saturés ou très sombres, ou pour cibler des plages de réflectance spécifiques correspondant à certains types de surfaces ou objets.

• La sélection ou la création du masque radiométrique doit s’appuyer sur une bonne compréhension de la distribution radiométrique des pixels, souvent visualisée par histogramme ou autre représentation graphique.

💡 À retenir

Le masque radiométrique est un outil essentiel pour filtrer et cibler les pixels d’une image selon leurs valeurs radiométriques, permettant d’optimiser le traitement et l’analyse en isolant les zones pertinentes ou en éliminant le bruit.

📖 12. Masque géométrique

🔑 Notions clés & Définitions

• Masque géométrique : Sélection ou filtrage de zones spatiales spécifiques d’une image en utilisant une forme géométrique (ex : polygone, cercle, rectangle) pour définir la zone d’intérêt. AUTEUR (date) : "Un masque géométrique permet de cibler précisément une zone spatiale en superposant une forme géométrique sur l’image."
• Utilisation des masques géométriques : Technique consistant à appliquer une forme géométrique pour isoler, analyser ou traiter uniquement la zone concernée dans une image ou un raster. Cela facilite l’analyse ciblée des objets ou des surfaces d’intérêt. AUTEUR (date) : "Les masques géométriques sont essentiels pour sélectionner des sous-ensembles spatiaux dans l’analyse géospatiale."
• Application dans l’analyse spatiale : Intégration des masques géométriques dans les processus de traitement pour extraire des données, réaliser des statistiques ou visualiser des zones spécifiques, en évitant l’impact des zones non pertinentes. AUTEUR (date) : "L’application des masques géométriques permet d’affiner l’analyse en limitant le traitement aux zones d’intérêt."

📝 Points essentiels

• Le masque géométrique est une forme de filtrage spatial basé sur la superposition d’une forme géométrique sur une image raster ou vecteur. Il sert à isoler une zone précise pour une analyse ciblée.
• La création d’un masque géométrique peut se faire via des outils SIG ou de traitement d’image, en dessinant la forme souhaitée (polygone, cercle, rectangle, etc.) sur la zone d’intérêt.
• Son utilisation permet de sélectionner des zones spécifiques telles que un bassin versant, une parcelle agricole ou une zone urbaine, facilitant ainsi l’analyse qualitative ou quantitative.
• Dans l’analyse spatiale, le masque géométrique est souvent combiné avec d’autres opérations comme le recadrage, la classification ou l’extraction de statistiques.
• La précision de la sélection dépend de la forme géométrique choisie et de la précision du dessin ou de la définition de la zone dans le logiciel SIG.
• La méthode est largement utilisée dans la gestion des ressources naturelles, la cartographie thématique, ou encore dans la détection de changements spatiaux.

💡 À retenir

Le masque géométrique est un outil clé pour cibler précisément une zone d’intérêt dans une image ou un espace géographique, permettant une analyse spatiale plus ciblée et efficace.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre histogramme bimodal et multimodal : la bimodalité indique deux pics, pas forcément plusieurs modes.
2. Utiliser un étalement dynamique sans tenir compte des valeurs extrêmes, risquant de perdre des informations importantes.
3. Interpréter à tort la position des pics dans l’histogramme comme des classes distinctes sans validation spatiale.
4. Confondre indice NDVI et indice de brillance : le premier est spécifique à la végétation, le second à la luminosité globale.
5. Appliquer un filtre Laplacien sans comprendre qu’il accentue les contours, pouvant générer du bruit.
6. Négliger la résolution spatiale lors de l’interprétation des masques radiométriques ou géométriques.
7. Confondre projection UTM avec d’autres systèmes de coordonnées, entraînant des erreurs de localisation.

✅ Checklist Examen

• Connaître la définition de la visualisation monocanal et ses applications.
• Savoir interpréter un histogramme fréquentiel, notamment la bimodalité.
• Comprendre le principe et l’intérêt de l’étalement dynamique, linéaire et par équifréquence.
• Maîtriser le calcul et l’utilisation des indices radiométriques : NDVI, NDWI, indice de brillance.
• Identifier les filtres directionnels et leur usage dans l’analyse d’images.
• Connaître le fonctionnement du filtre Laplacien et ses applications.
• Savoir différencier un masque radiométrique d’un masque géométrique.
• Connaître la projection UTM (EPSG 32631) et ses implications pour la localisation.
• Savoir consulter et interpréter les propriétés d’une couche raster (dimensions, valeurs min/max, emprise).
• Être capable d’interroger un pixel précis dans un canal satellite.
• Comprendre la relation entre histogramme bimodal et séparabilité des classes.
• Maîtriser les notions de dynamique radiométrique et de saturation dans l’étalement.
• Réviser les auteurs clés : Perroud (1994) pour le NDVI, Gao (1996) pour le NDWI.
• Vérifier la maîtrise du vocabulaire spécifique : réflectance, radiance, bimodalité, seuils, etc.