Détection automatique de phénomènes présents dans une image satellitaire en composition colorée

ROYAUME DU MAROC UNIVERSITE MOHAMMED V-AGDAL FACULTE DES SCIENCES

N° d'ordre : PFE........./ 2008

MEMOIRE DE MASTER

Présenté par 

Ammadi Abdelaziz

Baslam Mohammed

Informatique Télécommunications et Imagerie

Master

en

Sciences de l'Ingénieur

Détection automatique de phénomènes présents dans une image satellitaire en composition colorée

Soutenu le 10/07/ 2008 devant le Jury :

F.REGRAGUI : P.E.S, FSR President

M. M Himmi : P.E.S, FSR Encadrant

F. El Ouazzany : I.E.G.P, DMN Encadrant

M. Jedra : P.E.S, FSR Examinateur

DEDICACE

AMMADI

Il est naturel que ma pensée la plus forte aille vers ma mère, à qui je dois la vie et une part essentielle de ma personnalité. Qu'elle sache que l'amour qu'elle me donne continue à m'animer et me permet d'envisager l'avenir comme un défi.

Ce travail est dédié à mon père Lhaj Mohammed, décédé trop tôt, qui m'a toujours poussé et motivé dans mes études. J'espère que, du monde qui est sien maintenant, il apprécie cet humble geste comme preuve de reconnaissance de la part d'un fils qui a toujours prié pour le salut de son âme. Puisse Dieu, le tout puissant, l'avoir en sa sainte miséricorde !

Je tiens à présenter mes reconnaissances et mes remerciements à ma femme Qui n'a jamais cessé de me soutenir pour que je puisse finir mes études et avoir une bonne formation et surtout être le meilleur et à qui je voudrais exprimer mes affections et mes gratitudes.

Je voudrais remercier mes enfants, Hind et Rania qui sont ma source d'inspiration et mon plus grand soutien

Je ne saurais oublier de remercier toutes les personnes qui me sont chères, en particulier mes frères et soeurs.

Pour leur soutien et leur amitié, je tiens à remercier tout le personnel de la DRMNORD en particulier le service d'exploitation.

J'associe à mes remerciements l'ensemble des étudiants du master ITI pour l'ambiance Chaleureuse de travail.

Merci aussi à tous ceux qui ont consacré du temps, de l'énergie et de la patience.

DEDICACE

BASLAM

Je dédie ce mémoire de fin d'études à

Mon très cher père Lhaj Brahim et ma très chère mère Khadjou bassou en témoignage de ma reconnaissance envers le soutien, les sacrifies et tous les efforts qu'ils ont fait pour mon éducation ainsi que ma formation.

Mes chers frères, et mes chères soeurs pour leur affection, compréhension et patience.

A tous ceux qui ont une relation de proche ou de loin avec la réalisation du présent rapport.

Remerciements

Nous somme très reconnaissant à nos encadrant :

Monsieur F. El Ouazzany ingénieur d'état grade principal à la Direction de la météorologie nationale et Monsieur M.M. Himmi, Professeur à la faculté des sciences RABAT pour l'aide compétente qu'ils nous ont apportée, pour leur patience et leur encouragement. Leurs critiques nous ont été très précieuses pour structurer ce travail et pour améliorer la qualité des différentes sections.

Nous tenons à remercier très sincèrement l'ensemble des membres du jury qui nous font le grand honneur d'accepter de juger notre travail.

Nous voulons remercier aussi tous nos professeurs du master informatique, télécommunication et imagerie et tous ceux qui nous ont offert la possibilité de mener a bien ce travail.

RESUME

Etant donné l'intérêt attribué à la détection spatiale dans le domaine de la prévision météorologique et vu l'intérêt de la surveillance de l'atmosphère, nous avons pensé d'exploiter les images du satellite Météosat Seconde Génération (MSG), afin de répondre aux besoins des prévisionnistes de la météorologie.

L'objectif de ce travail est donc la détection automatique des hydrométéores à travers les images du satellite MSG et les nicher sur un fond vierge.

Nôtre solution permet de segmenter l'image en des régions semblables utilisant l'algorithme des k.moyens. Ce dernier doit être initialisé par les valeurs des centres d'actions.

Pour se faire, on propose trois méthodes utilisant l'histogramme lissé par un filtre passe bas et un algorithme calculant les maximums locaux qui représentent les régions d'image.

Lexiques

ALBACHIR [A1]. : Modèle numérique fournissant des prévisions fiables à courte échéance à maille fine (16km), développé en collaboration avec la France et d'autres pays de l'Europe de l'Est fournit actuellement des prévisions allant jusqu'à 48 heures à raison de deux fois par jour.

EMAGRAMME [A2]. Outil extrêmement puissant pour comprendre les développements nuageux et connaître le potentiel instable d'une masse d'air, lors des situations orageuses.

CUMULONIMBUS [A3]. de la famille des cumulus, est le nuage qui présente la plus grande extension verticale. Sa base se situe en général de quelques centaines de mètres à 2000 mètres du sol. Son sommet dépasse parfois la tropopause; il peut donc culminer à des altitudes allant de 8 000 à 15000 m.

FUSION DE REGION [A4]. Cette technique enchaîne les 2 phases suivantes :

1. Découper itérativement l'image jusqu'à avoir des blocs contenant exclusivement des pixels similaires.

2. Regrouper les blocs voisins s'ils sont similaires

Les deux phases sont nécessaires afin de garantir que les régions obtenues sont à la fois homogènes et également les plus grandes possibles. Chaque phase étant indépendante, on peut les étudier séparément.

DIFFUSION ANISOTROPIQUE [A5]. La diffusion anisotrope est une nouvelle technique dérivée du produit de convolution avec une fonction gaussienne qui permet de restaurer les images bruitées en préservant le contraste de l'image. Ce processus peut êre utilisé dans le domaine de l'imagerie médicale pour segmenter différentes structures anatomiques

ALGORITHMES DE WATERSHED [A6] Le watershed est appelé en français "ligne de partage des eaux". Ce nom vient de la méthode utilisée. Le principe de la segmentation est le suivant :

En chaque minimum local, une source d'eau est placée. Le niveau d'eau est ensuite augmenté. Une contrainte doit être alors respectée : "Les eaux de différentes sources ne doivent pas se rejoindre". Par conséquent, lorsque les eaux montent, des barrages sont érigés afin que les eaux ne se mélangent pas. Le résultat de la segmentation est l'ensemble des barrages, ce qui représente une image binaire

CONTOURS ACTIFS OU «SNAKES» [A7] Un contour actif est un ensemble de points qu'on va tenter de déplacer pour leur faire épouser une forme. Il s'agit d'une technique d'extraction de données utilisée en traitement d'images. L'idée de cette méthode est de déplacer les points pour les rapprocher des zones de fort gradient tout en conservant des caractéristiques comme la courbure du contour ou la répartition des points sur le contour ou d'autres contraintes liées à la disposition des points.

Au démarrage de l'algorithme, le contour est disposé uniformément autour de l'objet à détourer puis il va se rétracter pour en épouser au mieux ses formes. De la même manière, un contour actif peut aussi se dilater et tenter de remplir une forme, il sera alors situé à l'intérieur de celle-ci au démarrage de l'algorithme

A chaque itération, l'algorithme va tenter de trouver un meilleur positionnement pour le contour pour minimiser les dérives par rapport aux contraintes utilisées. L'algorithme s'arrêtera lorsqu'il ne sera plus possible d'améliorer le positionnement ou simplement quand le nombre maximum d'itérations aura été atteint. On utilise les notions d'énergies internes.

CONTOURS GEODESIQUES [A8] Les contours actifs géodésiques apportent une réponse cohérente aux problèmes d'initialisation, d'optimisation et d'adaptativité topologique des contours actifs classiques. Dans ces modèles, la segmentation est formulée comme un calcul de surfaces minimales relativement à une métrique riemannienne isotrope fonction du gradient de luminance

MODELES DEFORMABLES [A9]. Les modèles déformables sont des outils puissants. Des points caractéristiques doivent être définis sur l'image. Puis, les variations de la position de ces points est observée sur un lot d'images d'apprentissage. Le modèle résultant décrit les déformations habituelles des points caractéristiques. De ce fait, en comparant la position des points caractéristiques sur une image de test qui n'appartient pas au lot d'apprentissage, il est possible de vérifier si la variation de la position de ces points est dans les limites du modèle déformable. Si c'est le cas, cela veut dire que l'image est similaire au lot d'apprentissage. Sinon, l'image est considérée comme différente

KERNEL-K-MEANS [A10]. L'idée de base est au lieu de projeter ou classer directement les données, on les transforme dans un espace de caractéristiques de grande dimension où les points images sont susceptibles d'être linéairement séparables. Ensuite, une technique classique de projection linéaire telle que l'analyse en composantes principales (PCA) ou de partitionnement tel que l'algorithme des K-means, sera appliquée sur les points dans leur espace de caractéristiques.

CHAINES DE MARKOV [A11]. Une chaîne de Markov est un processus stochastique permettant de gérer la dépendance des événements.

Une chaîne de Markov d'ordre k est une suite de variables aléatoires Xi où la distribution de chaque Xi dépend seulement des k précédentes variables X_i-1;....;X_i-k :

P (X_i /X_u; u < t) = P (X_i / X_i-1; .... ;X_i-k)

ALGORITHMES GENETIQUES [A12]. Une méthode nouvelle de segmentation d'images en mode non-supervisé. Cette méthode consiste à faire évoluer des populations d'unités capables de reconnaître des caractéristiques locales sur l'image. Au cours de cette évolution, induite par un algorithme génétique, les populations envahissent progressivement et de manière spécifique les régions à segmenter. Dans une première partie, la méthode est appliquée à la segmentation par l'intensité lumineuse. Grâce à un modèle du comportement asymptotique des populations d'unités

LA CONVECTION [A13] un phénomène familier: elle se traduit par exemple par le miroitement de l'air chaud au-dessus d'une route goudronnée, les courants océaniques, la circulation atmosphérique.

Prenons en particulier l'exemple d'une casserole sur une plaque chauffante: la chaleur reçue de la plaque élève la température de l'eau au fond de la casserole. Au début, la chaleur se propage vers le haut par conduction, c'est-à-dire qu'elle diffuse, dans le fluide immobile, à partir d'un élément du fluide vers les éléments voisins, et s'évacue finalement à la surface.

Table des matières

Lexiques 6

I Le satellite météorologique Météosat seconde génération (MSG). 13

1.1 Historique 14

1.2 Les différents types de satellites 14

1.2.1 Satellites de télécommunication 14

1.2.2 Satellites de télédétection 15

1.2.3 Satellites de positionnement 15

1.2.4 Satellites d'observation spatiale. 15

1.2.5 Stations spatiales 15

1.3 Satellites météorologiques 16

1.3.1 Généralité. 16

1.3.2 Radiomètre SEVIRI 17

1.4 Conclusion, 19

II Les compositions colorées (RGB) des canaux de Severi. 20

2.1 Introduction 21

2.2 Pseudo couleur et composition colorée 22

2.2.1 La représentation «niveaux de gris» 22

2.2.1.1 Les différents canaux. 22

2.2.1.1.1 Le canal visible : 23

2.2.1.1.2 Le canal infrarouge : 24

2.2.1.1.3 Les canaux vapeur d'eau 25

2.2.1.1.4 Apport du canal HRV. 25

2.2.1.2 L'albédo 26

2.2.2 La composition colorée. 27

2.2.2.1 RGB 1 28

2.2.2.2 RGB 2 29

2.2.2.3 RGB 3 29

2.2.2.4 RGB 4 30

2.2.2.5 RGB 5 31

2.2.2.6 RGB 6 32

2.2.2.6 La dynamique 32

2.2.2.7 le facteur gamma 33

2.2.3 Conclusion 34

III Détection des hydrométéores 35

3.1 Introduction. 36

3.2 La neige 36

3.2 .1 détection de la neige par RGB 1. 37

3.2 .2 détection de la neige par RGB 2. 37

3.3 Détection des nuages bas. 38

3.4 Détection brouillard. 39

3.4.1 Définition 39

3.4.2 Les dangers du brouillard 39

3.5 Détection de la convection sévère. 40

3.6 Détection des cyclones 43

3.7 Tempête de sable ou de poussière. 44

3.8 Les orages 45

3.9 Le couvert végétal (la verdure) 46

3.10 Détection du désert 47

3.11 Conclusion. 47

IV Segmentation et algorithmes proposés 48

4.1 Introduction 49

4.2 La segmentation 49

4.3 Analyse d'mages 51

4.3 Prétraitements : 52

4.3.1 L'outil msg2bin 52

4.3.2contrôle et vérification de la taille des fichiers. 52

4.3.3 Les tables de conversion en albédo et en température. 52

4.4 Formation des RGB 53

4.5 La segmentation proposée : k.moyens 53

4.5.1 Les étapes de k.moyens. 54

4.5.2 Première méthode : l'espace HSV 55

4.5.3.1 Histogramme. 55

4.5.3.2 Lissage de l'histogramme. 56

4.5.3.3 Maxima locaux 56

4.5.4 Deuxième méthode : espace RGB. 57

4.5.5 Troisième méthode : méthode améliorée. 57

4.6 Application à notre problème 60

4.6.1 Extraction du brouillard 61

4.6.2 Extraction des cumulonimbus [A2]. 62

4.6.3 Extraction des nuages d'altitudes. 63

4.6.4 Extraction des nuages d'altitude : cirrus [A4]. 64

4.6.5 Extraction de tempête de poussière. 65

4.6.6 Extraction de la neige 66

4.6.7 Extraction du couvert 67

4.7 Conclusion 68

Conclusion 69

Bibliographie 72

Introduction générale

Les conséquences économiques et sociales entraînées par de mauvaises prévisions météorologiques peuvent s'avérer catastrophiques. Les fortes intempéries ne font pas que détruire les arbres et les maisons. Elles provoquent des bouleversements, menacent la vie humaine et ruinent des économies locales.

Il nous a semblé important, presque vital sur le plan professionnel, d'essayer de s'orienter vers une approche d'interprétation automatique, ou assistée par ordinateur, des images satellitaires du MSG afin de faciliter la tache aux prévisionnistes météorologiques et de faire progresser de manière significative la météorologie opérationnelle.

Grâce à leur fréquence, leur précision et leur qualité, les données et images dérivées MSG s'avèrent particulièrement précieuses pour la prévision immédiates et à courte échéance. Combinées avec les autres moyens existant, Elles permettent aux météorologues de reconnaître et de suivre le développement des phénomènes météorologiques susceptibles de devenir dangereux et de prévenir les services d'intervention et les autorités locales. Ainsi, elles contribuent ainsi à atténuer les dégâts et à protéger les vies et les biens.

Le présent travail est un affermissement et un élargissement des études antérieures [S1]. Il ajoute aussi des techniques de segmentation qui d'une part déprise les différents phénomènes d'une image d'une manière plus précise et d'autre part regroupe les différents phénomènes dans une seule image dite composite afin d'aboutir a Une nouvelle façon de visualiser les images satellitaires.

Pour réaliser un tel projet, et afin de conduire et bien décrire ce travail, nous avons traité, dans notre rapport de quatre grandes parties:

La première fait le point sur les satellites en général et les satellites météorologiques en particulier.

La deuxième discute le développement des différentes combinaisons RGB.

La troisième traite les phénomènes dangereux recommandés à détecter.

Et en fin la quatrième partie explique les différentes techniques et algorithmes proposés.