Chaque année, plus de 50 satellites sont lancés en orbite autour de la Terre. Beaucoup nous livrent des images de notre planète vue du ciel. Ces données sont acquises à très haute résolution, allant jusqu’à une précision de 30 centimètres (un point sur l’image représente un carré de 30cm x 30cm au sol), et regorgent d’informations. Il devient alors crucial de savoir analyser et interpréter ces images de manière automatique car leur traitement manuel est impossible tant la tâche est énorme.
Une première étape dans l’interprétation automatique de ce qui est représenté sur une image est d’identifier les objets qu’elle contient. Nous nous concentrerons ici sur un exemple bien précis : l’identification des bateaux dans un port. Extraire les bateaux dans les ports est une étape préliminaire indispensable pour obtenir des informations plus complexes telles que les flux de trafic, les événements inhabituels, etc.
En observant l’image satellitaire d’un port, l’œil humain détecte les bateaux en fonction de leurs caractéristiques, par exemple, le fait qu’ils soient généralement dans l’eau, qu’ils soient de couleur claire ou qu’ils aient une forme ovale. Toutes ces caractéristiques aident les humains à identifier correctement les bateaux et leur permettent également de les différentier d’autres objets tels que des voitures, des bâtiments ou des arbres. Les humains connaissent le concept de bateau, alors que l’ordinateur ne dispose pas de cette connaissance ; il ne fait qu’exécuter des algorithmes.
Pour détecter automatiquement les bateaux au moyen d’un algorithme, il faut d’abord identifier toutes les caractéristiques nécessaires ; certaines d’entre elles ont été mentionnées auparavant (taille, couleur, forme, etc.). Grâce à cette liste, on dispose d’une représentation mathématique de ce que peut être un bateau dans un port et on va s’en servir pour les identifier. Bien entendu, le nombre de caractéristiques choisies pour constituer ce modèle mathématique influe fortement sur sa qualité et donc sur la performance de l’outil de reconnaissance de bateaux que l’on conçoit…
La dernière étape consiste à intégrer ce modèle dans un mécanisme algorithmique qui permet d’extraire uniquement les objets qui correspondent au modèle des bateaux (et d’écarter les autres). Les probabilités jouent un rôle important dans cette étape. L’ordinateur va rechercher parmi les représentations mathématiques de bateaux les plus probables, les comparer aux données réelles de l’image, jusqu’à ce qu’il trouve celle qui a la plus grande probabilité de décrire le port observé. Dans certains cas (en particulier si le modèle mathématique de bateau est trop peu précis), cet algorithme n’aura trouvé qu’une partie des bateaux ou aura confondu un bateau avec une voiture garée sur le port. Il faut alors améliorer le modèle. Lorsque celui-ci est satisfaisant, on obtient une configuration qui intègre tous les bateaux du port et ces données peuvent alors être exploitées pour d’autres processus plus complexes.
Brève rédigée par Paula Craciun et Josiane Zerubia (Inria Sophia-Antipolis Méditerranée, équipe AYIN).
Pour en savoir plus :
- Podcast : Quand le traitement d’images participe à la gestion des ressources naturelles
- Article Interstices : Traitement d’images pour l’évaluation des ressources forestières
Crédits images : CNES et Equipe AYIN (Inria).