Une approche général des indices colorimétriques basé sur l'optimisation et l'approximation de fonctions

Abstract

Les indices colorimétriques en télédétection ont un large domaine d'application pour caractériser différents types de surface. Bien souvent, les formes d'indices de télédétection sont définies empiriquement, que ce soit en sélection des longueurs d'onde, de la forme de l’équation, ou des coefficients dans l’équation permettant de calculer le dit indice. Et un très petit nombre d'études optimisent les paramètres utilisés pour ces indices. Ces indices sont alors utilisés tel-quel pour de la classification (souvent linaire comme les RandomForest). Mais aucune étude ne semble chercher la meilleure forme de façon automatique afin d'optimiser la classification et/ou la segmentation.

Notons qu'il est important d'optimiser l'indice en amont, car la transformation engendre une perte d'information et de caractéristique essentielle à la classification. Un "mauvais indice" ne permet donc pas une bonne classification, pour pallier à cet effet les études privilégie presque toujours l'utilisation de plusieurs indices et de méthode de classification avancée

Le site www.indexdatabase.de référence ces différents indices (choix des longueurs d'ondes et des coefficients) en fonction du matériel d'acquisition. Souvent, le dit matériel est satellitaire (Landsat-5) donc moins influencé par les différences de luminosité, ce qui pose des soucis dans d'autres applications telles qu’en proxy-détection ce qui est notre cas. L'approche standard pour sélectionner l'indice qui correspond le mieux a ce que l'on cherche a caractériser consiste a tester tous les indices disponibles en fonction de nos longueurs d'ondes avec une simple corrélation entre les indices et une vérité terrain [Svitlana Kokh]. Ce n'est pas une mauvaise approche, mais elle reste sous-optimal et fastidieuse, car elle nécessite de coder l’ensemble des indices et leurs différentes versions et le niveau de corrélation n'est pas le meilleur estimateur.

Ainsi, l'objectif de cette étude est de développer une méthode de recherche de l'indice optimal grâce à une approche statistique par descente de gradient, sur différentes formes d’équation générique. Nous allons également tester de nouvelles approches par traitement du signal et analyse d'image. L'apprentissage est effectué à travers des mécanismes de deep-learning [Tensorflow 2.0]. L’étude se focalise sur une cameras particulière et en champ-proche, mais reste néanmoins transposable à n'importe quel matériel d’acquisition et hauteurs.

À titre d'illustration, l'indice le plus utilisé pour la végétation est NDVI qui offre une mean_iou de $72.7\%$, tandis que les "meilleurs" indices empiriques offre une mean_iou au mieux de $82.3\%$, la ou nos des formes d'indice généré automatiquement propose une mean_iou de $87\%$. Cette différence est suffisamment significative pour améliorer la segmentation et la robustesse de l'indice a différents facteurs extérieurs, ainsi que la forme des éléments détectée.

Materiel

Les images ont été acquises grâce à la caméra multispectrale à six bandes Airphen. C'est une caméra scientifique multispectrale développée par des agronomes pour des applications agricoles. Elle peut être intégrée dans différents types de plates-formes telles que des drones, des robots de phénotypage, etc.

La caméra a été configurée en utilisant les bandes 450/570/675/710/730/850 nm avec un FWHM de 10 nm. La focal de chaque objectif est de 8 mm. Leurs résolutions brutes, pour chaque bande spectrale sont de 1280x960 px avec une précision de 12 bits. Enfin, l'appareil est équipé d'une antenne GPS interne, qui peut être utilisée pour obtenir la distance par rapport au sol.

L'alignement est affiné en deux étapes, avec (i) une estimation approximative de l'enregistrement affine et (ii) un enregistrement en perspective pour le raffinement et la précision grâce à la détection et la mise en correspondance de points clé. La méthode utilisée pour l'enregistrement est basée sur des travaux antérieurs [Two-step Multi-spectral Registration], où la méthode montre une précision de l'enregistrement jusqu'au sous-pixel.

Données

Les données ont été acquises sur le site de l'IRSTEA de Montoldre, dans l'Allier (03), en France dans le cadre de l'ANR Challenge Rose ... 12 images présentant des caractéristiques très distinctes en terme d'illumination (ombre, matin, soir, plein soleil, nuageux, ...) on été acquises et caractérise afin de proposer différents types d'indices. Ainsi 3 vérités terrain ont été définie :

Attention, cet article correspond à de premier travaux sur le sujet en utilisant des images prises en bonnes conditions.
Des résultats complémentaires sont disponibles dans la publication disponible ici.

Exemple pour la végétation :

@Article{rs13122261,
AUTHOR = {Vayssade, Jehan-Antoine and Paoli, Jean-Noël and Gée, Christelle and Jones, Gawain},
TITLE = {DeepIndices: Remote Sensing Indices Based on Approximation of Functions through Deep-Learning, Application to Uncalibrated Vegetation Images},
JOURNAL = {Remote Sensing},
VOLUME = {13},
YEAR = {2021},
NUMBER = {12},
ARTICLE-NUMBER = {2261},
URL = {https://www.mdpi.com/2072-4292/13/12/2261},
ISSN = {2072-4292},
DOI = {10.3390/rs13122261}
}