MASTER 1

TEL-SIG

TEL 401 – TELEDETECTION ET TRAITEMENT D’IMAGES 1

TEL 401-2 – Systèmes d’acquisition et images satellitaires

Leçon 4 – Représentation spectrale des données-images

Prof. Fernand KOUAME

Tuteur : Dr Hélène B. KOUADIO
CURAT- Centre Universitaire de Recherche et d’Application en Télédétection
1 UFR STRM, Université Félix HOUPHOUET-BOIGNY
© CURAT 2014
fernand.kouame@curat-edu.org , kbhel@yahoo.fr
 LECTURE RECOMMANDEE
2

Xavier Briottet (2013). Imagerie hyperspectrale ou spectro-imagerie pour l'observation

de la Terre, ONERA, 02.05.2013. http://www.3af.fr/article/technologies/imagerie-
hyperspectrale-ou-spectro-imagerie-pour-l-observation-de-la-terre

© CURAT 2014
 CONTENU DU COURS
3

Formation en présentiel ou à distance

Ressources : documents pdf à télécharger

• Cours magistral : 2 H (à distance : 1 h de Tchat)

• Travail dirigé : 1 h (Quiz + Exercice + Homework)

Evaluation : Note de Homework (prise en compte dans la note finale)

© CURAT 2014
 OBJECTIFS DU COURS
4

Objectifs d’apprentissage
- Identifier les caractéristiques fondamentales de l’imagerie panchromatique
multi, hyper et ultraspectrale

Compétences acquises
A l’issu de ce cours, l’étudiant devrait acquérir une bonne connaissance des
différentes caractéristiques de l’imagerie panchromatique, multi, hyper et
ultraspectrale.

© CURAT 2014
 PLAN DU COURS
5

Leçon structurée en deux (03) sections

Introduction

I- Décomposition des images en bandes spectrales

I-1- Représentation des données images
I-2- Image panchromatique
I-3- Images multi-spectrales
I-4- Images hyper-spectrales
I-5- Images ultra-spectrales
I-6- Comparaison des types d’images
www.czechminibreweries.com II- Espace spectral multidimensionnel
III- Caractéristiques des images

Conclusion

© CURAT 2014
 INTRODUCTION
6

Comment exploiter le potentiel des images ?

Conduite à tenir :
identifier les caractéristiques spectrales,
spatiales, radiométriques et leur
répétitivité dans le temps

Les images enregistrées par les capteurs

embarqués à bord des satellites sont de
différents types.

D’une façon générale, les données peuvent être représentées ou exploitées de trois
grandes manières : Espace image, Espace spectral, Espace dimensionnel

© CURAT 2014
 I - Décomposition des images en bandes
spectrales
7

I-1- Représentation des données images

Trois manières : Espace image, Espace spectral, Espace dimensionnel

Espace image

La façon peut-être la plus «

naturelle » de représenter un jeu
de données image est de
l’afficher sous la forme d’une
image, et d’impliquer ainsi
directement le système visuel de
l’observateur.
 I - Décomposition des images en bandes
spectrales
8

I-1- Représentation des données images

Espace spectral
Variations de réponse observées en fonction de la longueur d’onde pour extraire
des informations de type signature spectrale.
Lorsque le nombre de canaux du système
d’acquisition est élevé, les réponses
spectrales du pixel ou du groupe de pixels sont
variées et permettent de distinguer les
différentes surfaces observées
Utilisation des signatures spectrales pour
différencier les objets
Espace spectral permet de distinguer L'eau et la végétation ont une signature
plusieurs types d’images spectrale similaire aux longueurs d'onde
visibles, mais sont presque toujours
différenciables dans l'infrarouge.
 I - Décomposition des images en bandes
spectrales
9

I-2- Image panchromatique

Les images panchromatiques sont obtenues à partir de l'enregistrement du

rayonnement réfléchi dans un unique intervalle de longueur d'onde situé dans le
domaine du visible (entre 0,4 et 0,7 µm).
Comme les données ne sont acquises que dans un seul canal, seules des images en noir et
blanc peuvent être obtenues.
Bien que moins riche du point de vue de la résolution spectrale, l'image
panchromatique offre une résolution spatiale plus importante,
 I - Décomposition des images en bandes
spectrales
10

I-3- Images multispectrales

Les données multispectrales sont obtenues par des enregistrements simultanés

dans un petit nombre de bandes spectrales (3 à 11), celles-ci n'étant pas
nécessairement contigües.

La représentation par combinaison de ces bandes d'information numérique en utilisant

les trois couleurs primaires (rouge, vert, bleu) permet d'obtenir des images en
couleurs.
Les données de chaque bande sont représentées comme une couleur primaire et,
selon la luminosité relative (la valeur numérique) de chaque pixel dans chaque bande,
les couleurs primaires se combineront en proportions différentes pour produire des
couleurs distinctes.
 I - Décomposition des images en bandes
spectrales
11

I-3- Images multispectrales

 I - Décomposition des images en bandes
spectrales
12

I-3- Images multispectrales

Image SPOT 4 et 5 :
• 3 bandes spectrales en mode multispectral :
- bande verte B1 : 0,50 à 0,59 µm ;
- bande rouge B2 : 0,61 à 0,68 µm ;
- bande proche infrarouge (PIR) B3 : 0,79 à 0,89 µm

• et une seule bande spectrale en mode panchromatique (0,61 - 0,68µm)

Image Landsat ETM+ :

• 7 bandes spectrales en mode multispectral
- 3 bandes dans le VIS ;
- 1 bande dans le PIR ;
- 2 bandes dans le MIR ;
- 1 bande dans l'infrarouge thermique
• Et une bande en mode panchromatique
 I - Décomposition des images en bandes
spectrales
13

I-3- Images multispectrales

 I - Décomposition des images en bandes
spectrales
14

I-4- Images hyperspectrales

Les images " hyperspectrales " sont obtenues par des capteurs capables
d'enregistrer l'information dans une multitude (100 à 200 et plus ) de bandes
spectrales de largeur fine (10 à 20 nm) et souvent contigües, dans les portions
visible, proche infrarouge et infrarouge moyen du spectre électromagnétique.

La contigüité des bandes spectrales permet une reconstruction du spectre de

chaque pixel : on réalise en fait un échantillonnage du spectre

Les données hyperspectrales sont acquises selon trois directions : deux

spatiales et une spectrale. Une représentation possible de ces données peut être
faite sous la forme d’un cube hyperspectral.
 I - Décomposition des images en bandes
spectrales
15

I-4- Images hyperspectrales

 I - Décomposition des images en bandes
spectrales
16

I-4- Images hyperspectrales

Les données hyperspectrales fournissent donc une information plus détaillée des
propriétés spectrales d'une scène et permettent une identification et une
discrimination plus précises des objets que les données des capteurs à larges
bandes.

Chaque pixel d'une image hyperspectrale contient l'information recueillie dans de

grandes fenêtres d'acquisition étalées sur la totalité du spectre visible et
infrarouge.

La quantité d'information à stocker et à traiter est donc énorme et requiert des

capacités de calcul bien plus importantes que dans le cas des images
multispectrales.
 I - Décomposition des images en bandes
spectrales
17

I-4- Images hyperspectrales

Exemple: le spectroradiomètre aéroporté APEX (Airborn Prism Experiment), développé pour

l'ESA, enregistre dans 285 bandes entre 400 et 2500 nm, avec un intervalle de longueur
d'onde inférieur à 5 nm dans le visible et le proche IR et à 10 nm dans le moyen IR.

Pourquoi l’imagerie hyperspectrale ?

De nombreux matériaux de surface ont une absorption unique et des caractéristiques de

réflectance qui sont larges seulement de 10 - 20 nm, le spectre détaillé de réflectance acquis
par télédétection hyperspectrale permet d'identifier et de distinguer ce type de matériau,
même lorsque cela est impossible avec l’imagerie multispectrale très haute résolution.

Il existe une différence entre les signatures dans le détail de la couverture terrestre hyperspectrale
et multispectrale pour une scène de banlieue / rural typique
 I - Décomposition des images en bandes
spectrales
18

I-4- Images hyperspectrales

Pourquoi l’imagerie hyperspectrale ?
19

I-4- Images hyperspectrales

Pourquoi l’imagerie hyperspectrale ?
 I - Décomposition des images en bandes
spectrales
20

I-5- Images ultraspectrales

Les images " ultraspectrales
" sont obtenues par des
capteurs capables
d'enregistrer l'information
dans une multitude (plus de
1000) de bandes
spectrales dans l’infrarouge
du spectre
électromagnétique.

Alumine vue par différents spectromètres

imageurs
 I - Décomposition des images en bandes
spectrales
21

I-5- Images ultraspectrales

Exemple
Le capteur AIRS (Atmospheric Infrared Sounder) :
• l'un des systèmes les plus avancés de sondage atmosphérique ;
• présente une forte corrélation dans les régions spectrales disjointes.

Il y a donc une différence entre les données ultraspectrales et les données

hyperspectrales en terme de volume de données à stocker, de domaine d’utilisation et
de contraintes d’utilisation.
 I - Décomposition des images en bandes
spectrales
22

I-6- Comparaison des types d’images

 I - Décomposition des images en bandes
spectrales
23

I-6- Comparaison des types d’images

 II - Espace multidimensionnel

24

II-1- Définition

Espace multidimensionnel

En sélectionnant deux longueurs d’onde λ1 et λ2 sur la représentation spectrale des

matériaux, il est possible de générer une représentation bidimensionnelle des
données source. Ainsi, si n longueurs d’onde sont sélectionnées, la
représentation associée sera à n dimensions
 II - Espace multidimensionnel

25

II-1- Définition

D’une façon générale, afin d’exploiter toutes les données issues des N canaux d’un
capteur multispectral, l’espace de représentation possèdera lui-même N
dimensions.

Dans ce contexte, un vecteur à N dimensions est affecté à chaque pixel.

L’avantage d’une telle représentation réside dans son caractère quantitatif non
seulement pour l’expression des pixels mais également pour traduire les fluctuations
des données autour d’une valeur moyenne.
 II - Espace multidimensionnel

26

II-2- Description

Bande N

é p1 ù Bande 2
êp ú
ê 2ú
Pij = ê p3 ú
ê ú Bande 1

êMú
êëp N úû

Chaque pixel est caractérisée par son vecteur de mesures (pattern)

 les coordonnées du pixel dans l’espace d’attributs
 III- Caractéristiques des images

27

III-1- Résolution temporelle

Les points sur la surface de la Terre qui se trouvent directement en dessous de la
trajectoire du satellite sont appelés les points nadir. Le cycle de passage du satellite
se définit comme étant la période de temps nécessaire pour que le satellite revienne
au-dessus d'un point nadir pris au hasard. Le satellite aura alors effectué un cycle
orbital complet.

Résolution temporelle = période qu’il faut à un satellite pour qu'il puisse observer de
nouveau exactement la même scène à partir du même point dans l'espace.

Cette période est généralement de quelques jours.

 III- Caractéristiques des images

28

III-1- Résolution radiométrique

Les caractéristiques radiométriques des pixels décrivent l'information contenue dans
une image. Chaque fois qu'une image est captée par une pellicule ou un capteur

Résolution radiométrique = sensibilité d'un capteur à distinguer l'intensité de l'énergie

électromagnétique.

Plus la résolution radiométrique d'un capteur est fine, plus le capteur est sensible à de
petites différences dans l'intensité de l'énergie reçue.
Le rayonnement réfléchi par les cibles au sol et enregistré par le capteur est codé en
format numérique binaire et l’image résultante est en niveaux de gris.
 III- Caractéristiques des images

29

III-1- Résolution radiométrique

Pour un codage en 8 bits, le niveaux de gris correspondant au rayonnement réfléchi varie
entre 0 et 255 (soit 256 niveaux de gris = 28).

Image code en 8 bits: 0-255 Image code en 1 bit: 0-1

Lorsqu’on compare l’image de 2 bits à l’image de 8 bits de la même scène, on

constate une énorme différence dans le niveau de détail perceptible selon la
résolution radiométrique
 III- Caractéristiques des images

30

III-3- Résolution spectrale

Résolution spectrale = aptitude du capteur à distinguer des rayonnements
électromagnétiques de fréquences différentes.

Plus le capteur est sensible à des différences spectrales fines (intervalles de longueur
d'onde étroits), plus la résolution spectrale du capteur est élevée.

La résolution spectrale dépend du dispositif de

filtrage optique qui décompose l'énergie captée en
bandes spectrales plus ou moins larges.

Les courbes d'émissivité spectrale une cible ou

une surface pour un ensemble de longueurs
d'onde.
 III- Caractéristiques des images

31

III-4- Résolution spatiale

Résolution spatiale = taille de la zone couverte par un pixel

Chaque pixel de l'image correspond à une

partie de la surface de la terre. On parle
alors de "résolution spatiale".

Le détail qu'il est possible de discerner sur

une image dépend de la résolution spatiale
du capteur utilisé. La résolution spatiale est
fonction de la dimension du plus petit élément
qu'il est possible de détecte
 III- Caractéristiques des images

32

III-4- Résolution spatiale

Image d’Abidjan de différentes résolution spatiales

 III- Caractéristiques des images

33

Capteurs HRVIR _ SPOT

Mode Bande Bande spectrale Résolution

Multispectral B1 (vert) 0,50 - 0,59 µm 20m x 20m
B2 (rouge) 0,61 - 0,68 µm 20m x 20m
B3 (proche IR) 0,79 - 0,89 µm 20m x 20m
MIR (moyen IR) 1,58 - 1,75 µm 20m x 20m
M - monospectral PAN 0,61 - 0,68 µm 10m x 10m
III- Caractéristiques des images

III-4- Autres caractéristiques : les signatures

variation de la valeur numérique d’un pixel dans

Signatures spectrales le spectre

Signatures spatiales Divers attributs de texture autour d’un pixel

variation de la valeur d’un pixel selon la
Signatures configuration de la polarisation (radar)
polarimétriques

Signatures temporelles variation de la valeur du pixel dans le temps

….
 CONCLUSION
35

Différentes caractéristiques temporelles, radiométriques, spectrales

et spatiales permettent de distinguer les images panchromatiques,
multispectrales, hyperspectrales et ultraspectrales.

Ces images peuvent êtres représentées sous forme espace et/ou sous
forme spectrale.

http://systematicphilosophy.com En fonction de l’étude à mener, il faudra savoir quelles caractéristiques

rendent mieux compte le phénomène ou l’objet à décrire ou à
cartographier

© CURAT 2014