WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

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

( Télécharger le fichier original )
par abdelaziz ammadi
faculte des sciences rabat universite mohammed 5 - master en informatique telecom imagerie 2006
  

Disponible en mode multipage

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

 

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 Xi-1;....;Xi-k :

P (Xi /Xu; u < t) = P (Xi / Xi-1; .... ;Xi-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.

I Le satellite météorologique Météosat
seconde génération (MSG).

1.1 Historique

Il y a quelques décennies, l'exploration de l'espace appartenait encore à l'univers fabuleux de la fiction. Cependant, l'espace et les activités spatiales se sont imposés très vite au monde.

Les premières vues de la terre depuis l'espace ont été obtenues, au début des années 1950, par l'intermédiaire de fusées militaires reconverties. L'URSS fut le premier Etat à mettre en orbite, le 4 octobre 1957, le premier satellite artificiel de l'histoire dénommé "Spoutnik 1" (D'un mot russe qui signifie "compagnon de voyage"). L'engin pesait 83,6 kilos et était mis en orbite à une altitude de 900 km. Il accomplissait une révolution de la terre en 96 minutes. Ce n'est que quelques mois plus tard (le 31 mai 1958) que les Etats Unis ont mis sur orbite terrestre le premier satellite artificiel américain "Explorer I" qui pesait 14 kilos. Depuis lors, plusieurs satellites ont été fabriqués et mis en orbite pour différentes utilisations. Parmi les derniers satellites qui ont été mis en orbite, on peut citer: le satellite météorologique européen MetOp (19 octobre 2006), le satellite AIM (Aeronomy of Ice in the Mesosphere) des Etats Unis pour l'observation de la terre (25 avril 2007) et le premier satellite de communication du Nigeria NIGCOMSAT-1 (14 mai 2007).

Les satellites sont indispensables au développement des sciences spatiales et bien utiles aux activités terrestres. Ils offrent aujourd'hui de nombreux services: communiquer, scruter l'univers, explorer le système solaire, observer la terre ... Ils sont composés d'une charge utile permettant au satellite de mener à bien sa mission et d'une plateforme assurant les fonctions annexes à sa mission [B1].

1.2 Les différents types de satellites

Il existe différents types de satellites que l'on peut classer suivant leurs domaines d'utilisation. Nous allons les présenter dans cette section.

1.2.1 Satellites de télécommunication

Ces satellites sont utilisés pour transmettre des informations d'un point à l'autre de la terre, notamment des communications téléphoniques ou de la transmission de données, les communications satellitaires et les programmes télévisés. Le premier satellite équipé d'un émetteur Radio embarqué était le "Spoutnik 1" russe (cf. page 10) tandis que le premier satellite américain à relayer des communications s'appelait "Project Score".

1.2.2 Satellites de télédétection

Ces satellites observent la terre, dans un but scientifique (température de la mer, manteau neigeux, sécheresse, ...), économique (ressources naturelles, agriculture, ...) ou militaire. Le spectre d'observation est vaste : optique, radar, infrarouge, ultraviolet, écoute de signaux radioélectriques... Citons quelques satellites de cette famille:

- SPOT pour observer le sol terrestre ;

- METEOSAT pour la météorologie ;

- CRYOSAT-2 pour mesurer l'épaisseur et la circonférence des calottes polaires et de la banquise.

1.2.3 Satellites de positionnement

Ces satellites permettent de connaître la position d'objets à la surface de la terre, dans les airs (avions, missiles) et dans l'espace. Par exemple :

- GPS : système américain ;

- GALILEO : futur système européen ;

- GLONASS : système russe.

1.2.4 Satellites d'observation spatiale.

Ces satellites observent l'espace au-dessus de l'atmosphère (par exemple HUBBLE) et permettent aux astronomes d'avoir accès à des domaines de longueurs d'onde non visibles depuis le sol ou d'exploiter les mêmes gammes de longueurs d'onde que les télescopes au sol, mais avec des performances accrues. L'écran de l'atmosphère terrestre dégrade toujours les signaux astronomiques.

1.2.5 Stations spatiales

Ces satellites sont destinés à être habités par l'homme et a un but scientifique. Après les stations Saliout et Mir russes et la station Skylab américaine, la station spatiale internationale est en orbite depuis 1998 et est habitée en permanence depuis 2002.

1.3 Satellites météorologiques

1.3.1 Généralité.

Les satellites météorologiques apportent une vision globale et planétaire de l'état de l'atmosphère. Les satellites en orbite polaire (passant à peu près par l'axe des pôles) survolent la totalité de la terre deux fois par jour. Ils fournissent une image des masses nuageuses et de leur évolution, ainsi qu'une multitude de données relatives à la température de surface des océans, à la quantité d'ozone atmosphérique, à l'humidité des sols, à la surface couverte par les glaces marines et continentales dans les hautes latitudes. Ils enregistrent des informations sur l'état de l'atmosphère. Les satellites géostationnaires paraissent immobiles car leur orbite est située dans le plan équatorial et ils tournent dans le même sens et à la même vitesse angulaire que la terre. Ils observent donc en continu une portion du globe terrestre. EUMETSAT exploite actuellement une flotte de cinq satellites géostationnaires,

Fig. 1.1 : Système de satellites météorologiques géostationnaires et en orbite polaire [I1]

Météosat-8 et sa réserve en orbite Météosat-9 (lancé le 21 décembre 2005) assurent la constante disponibilité de données opérationnelles, sans la moindre interruption. Embarquant un radiomètre doté de 12 canaux spectraux (au lieu de 3 pour la première génération : Météosat-7 et antérieurs), ces deux satellites sont nettement plus sophistiqués que les trois modèles de la première génération. La constellation Météosat est composée de satellites à orbite géostationnaire, qui permettent un envoi de photos de notre atmosphère avec un cycle de répétition de seulement 15 minutes, ils transmettent des images de la terre et de son atmosphère deux fois plus vite avec une résolution beaucoup plus fine (comparés à ceux de la première génération), ce qui a facilité le développement d'une multitude de nouvelles applications à l'intention des utilisateurs [B2]..

Le programme MSG comprend 4 satellites, pour un coût total d'environ 2 milliards d'euros. Ils assureront jusqu'en 2018 la fourniture de données sur la météorologie, la surveillance du climat et de l'environnement. Le premier a été lancé en 2002.

Les Européens ne sont pas les seuls à bénéficier de ce service. Les données qu'il fournit sont utilisées pour améliorer les prévisions météorologiques au Moyen-Orient et en Afrique (dont le Maroc bien sur). Les satellites Météosat jouent également un rôle essentiel au sein du réseau mondial des satellites météorologiques qui surveille le globe en permanence.

Les données brutes fournies par MSG seront transmises à la station sol de Darmstadt, en Allemagne, où elles seront traitées et renvoyées vers le satellite qui les relaiera vers les utilisateurs répartis à travers le monde. Les services offerts par la famille Météosat aux utilisateurs opérationnels et scientifiques seront ainsi maintenus.

Grâce aux 12 canaux spectraux de SEVIRI (le radiomètre imageur dans le visible et l'infrarouge embarqué sur les satellites), les apports du système MSG sont décisifs pour maintes applications dans le domaine de la prévision immédiate ou de la prévision numérique du temps, tout autant que pour la surveillance du climat et de l'environnement et la recherche.

1.3.2 Radiomètre SEVIRI

Le radiomètre SEVIRI transmet des images des structures météorologiques à une résolution de 3 Km pour tous les canaux à l'exception du canal visible haute résolution (HRV) qui a une résolution d'un Km. Ses 12 canaux permettent de procéder à ce qu'on appelle un "pseudo sondage". La fréquence de son cycle de vue rapide, avec une nouvelle image toutes les 15 minutes, permet de suivre les phénomènes météorologiques à évolution rapide, ce qui s'avère d'une grande utilité pour les prévisionnistes qui peuvent ainsi reconnaître et prévoir les phénomènes météorologiques dangereux, orages, pluies violentes, brouillards ou le développement de dépressions aussi petites qu'intenses susceptibles d'aboutir à des tempêtes dévastatrices.

Le capteur SEVIRI est un radiomètre à balayage et c'est la rotation du satellite autour de son axe principal d'inertie qui est utilisée pour réaliser l'acquisition des images.

Fig. 1.2. Radiomètre séviri [I1].

Le satellite tourne à 100 tours par minute autour d'un axe parallèle à l'axe Nord-Sud de la terre. Le télescope du radiomètre de Météosat vise la terre par l'intermédiaire d'un miroir et balaie à chaque révolution du satellite une étroite bande de la surface de la terre. L'angle de balayage correspondant, de 18°, est décrit en 30 ms. Pendant les 570 ms suivantes, le télescope vise l'espace et cette durée est mise à profit pour modifier l'orientation du miroir, de façon qu'au tour suivant, il balaie au sol une bande contiguë à la précédente, mais plus au nord. La phase de non acquisition de données est mise à profit pour calibrer les détecteurs. Le radiomètre est l'instrument principal dont les satellites météorologiques sont équipés. Cet instrument balaye la surface de la terre ligne par ligne. Chaque ligne consiste en une série d'images élémentaires ou pixel. Pour chaque pixel, le radiomètre mesure l'énergie radiative dans différentes bandes spectrales.

Cette mesure est numérisée, puis transmise à une station au sol où elle est traitée, avant d'être envoyée à la communauté des utilisateurs.

Outre SEVIRI, les satellites MSG ont a bord l'instrument GERB de mesure du bilan radiatif de la terre qui fournit des informations précieuses sur le rayonnement de la planète, permettant aux chercheurs de calculer avec une grande précision le bilan radiatif terrestre, c'est-à-dire le rapport entre le rayonnement venant du Soleil et celui renvoyé dans l'espace. En complément de ces deux instruments, les satellites MSG sont dotés d'une charge utile de télécommunications très perfectionnée, nécessaire à l'exploitation, à ses télécommunications et à la diffusion des données aux utilisateurs [B2].

1.4 Conclusion,

Grâce aux images satellites, les météorologues peuvent prévoir les déplacements et les directions prises par les masses nuageuses ainsi que leurs tailles. Les infrarouges interprétés informatiquement offrent des informations sur les températures. Une fois ces données couplées avec les mesures de pressions atmosphériques faites au sol, la prévision du temps devient plus facile. Plusieurs fois par jour, plusieurs satellites effectuent le même travail de prise d'image de manière à pouvoir élaborer les meilleures prévisions possibles. Les MSG apportent une autre méthode destiné a fournir aux services météorologiques des données de meilleure qualité à fréquence plus rapide.

Ces données et images aideront les services météo à mieux prévoir les conditions météorologiques extrêmes, et contribueront donc à sauver vies humaines et biens. Elles permettront tout autant aux chercheurs d'acquérir une meilleure compréhension des processus physiques influant le climat et le temps.

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

2.1 Introduction

La compréhension de la perception de la couleur est une problématique complexe, en constante évolution, à la frontière de plusieurs disciplines. La manipulation des couleurs, passe tout d'abord par le choix d'un espace paramétrique, permettant différentes représentations de couleurs. Cet espace peut s'appuyer sur des grandeurs physiques, physiologiques et mathématiques. [B9]

Les physiciens utilisent trois caractéristiques pour décrire les qualités d'une source de lumière polychromatique :

- la radiance (l'énergie émise),

- la luminance (l'énergie qu'un observateur humain perçoit),

- la brillance (traduit l'intensité chromatique perçue, subjective).

En tenant compte des propriétés "normales" des yeux humains, il apparaît que le spectre perceptible (d'environ 400 nm à 700 nm) est décomposable en trois couleurs primaires: rouge, bleu, et vert. La différence entre les couleurs primaires des lumières et celles des pigments est importante: pour les premières, elles sont additives (superposition); pour les secondes, elles sont soustractives (absorption d'une couleur primaire de la lumière, réfection des deux autres), de sorte que l'on considère que les couleurs primaires des pigments sont plutôt le magenta, le cyan, et le jaune (qui sont les couleurs secondaires, c'est-à-dire mélange des primaires deux à deux, de la lumière).

L'espace RVB (Fig. 2.1) est, par exemple, utilisé dans le domaine de l'informatique et du multimédia tandis que l'espace CMYK (Cyan, Magenta, Yellow, Black), le complémentaire de l'espace RGB, est utilisé en imprimerie pour des raisons pratiques. L'espace de couleurs RVB demeure le plus répandu. En effet, dans cet espace, un pixel est codé par trois composantes Rouge, Vert et Bleu

.

Fig. 2.1 cube des couleurs RGB

Cet espace a été développé en fonction des connaissances liées à la vision humaine. Ce modèle est additif, ce qui signifie que toutes les couleurs sont déduites à partir du noir (R = V = B = 0) en ajoutant plus ou moins certaines composantes.

2.2 Pseudo couleur et composition colorée

La visualisation d'une image, captée par satellite, sur un écran graphique peut soit se faire en «niveaux de gris», soit en «pseudo couleur» ou encore sous la forme d'une «composition colorée» [B4] :

2.2.1 La représentation «niveaux de gris»

L'intensité des informations captées par le satellite MSG est codée numériquement à l'origine sur 10 bits. Pour des raisons de commodités, elle est codée sur l'ordinateur soit sur 8 bits (dégradation de l'information de départ) ou sur 16 bits (comme notre cas). L'affichage en niveaux de gris se fait par correspondance entre ces derniers, ordonnés le long d'une échelle allant du noir au blanc, et entre les valeurs enregistrées par le satellite allant d'une valeur minimale à une autre maximale. Par conséquent, lors de l'affichage d'un canal d'une image, la hiérarchie des niveaux de gris correspond à celle de l'intensité des pixels.

Contrairement à l'affichage en niveaux de gris, aucun ordre parmi celles-ci ne peut être utilisé en correspondance avec la hiérarchie des valeurs des pixels. La couleur est donc principalement utilisée, dans ce cas, pour améliorer la distinction visuelle des valeurs. Elle est donc purement arbitraire et ne peut être source d'interprétation. Dans un tel contexte on parle de «pseudo couleur».

2.2.1.1 Les différents canaux.

Toutes les 15 minutes, une scène Météosat -SEVIRI est acquise. Douze fichiers images qui correspondent aux douze canaux du satellite MSG sont enregistrés. Un canal parmi les douze a une résolution très fine d'un km (High Résolution Visible : HRV), tandis que les autres sont acquis avec une résolution de 3 Km [B1].

paramètres

Bandes spectrales (longueur d'onde exprimée en m)

nom du canal

HRV

VIS 0,6

VIS 0,8

SWIR

IR 3,9

WV 6,2

WV 7,3

IR 8,7

IR 9,7

IR 10,8

IR 12

IR 13,4

domaine

VIS
0,5-0,9

VIS
0,6-0,7

VIS
0,7-0,9

IR
1,5-1,8

IR
3,5-4,4

IR
5,3-7,1

IR
6,8-7,9

IR
8,3-9,1

IR
9,4-9,9

IR
9,8-11,8

IR
11-13

IR
12,4-14

résolution spatiale

1 km

3km

3km

3km

3km

3km

3km

3km

3km

3km

3km

3km

nbre de lignes par image

11136

3712

3712

3712

3712

3712

3712

3712

3712

3712

3712

3712

nbre de pixels par ligne

5568

3712

3712

3712

3712

3712

3712

3712

3712

3712

3712

3712

Les principales caractéristiques du capteur SEVIRI :[T1]

2.2.1.1.1 Le canal visible :

Les images visibles représentent la quantité de lumière visible rétro diffusée par les nuages ou la surface de la terre. Les nuages et la neige apparaissent en blanc et les zones sans nuages en noir. Les nuages épais sont plus brillants que les nuages fins. Il est difficile de distinguer les nuages bas des nuages élevés. Pour cela, il faut utiliser les images infrarouges. Les images visibles sont complètement noires pendant la nuit, et ne peuvent ainsi être utilisées. L'énergie de radiation (S) émise par le Soleil est très intense pour une gamme de longueur d'onde comprise entre 0,4 um et 0,7 um (C'est la lumière visible que perçoit l'oeil humain) et maximale pour une valeur de longueur d'onde de 0,5 um [B2].

A B C

Fig. 2.2: A : Image de MSG-1 du canal visible 0.6, B canal visible 0.8, C canal HRV [I2]

Une partie plus ou moins importante de cette énergie en provenance du soleil est absorbée par les différentes formations de la surface terrestre ou proche d'elle : il s'agit pour l'essentiel des sols, des océans et des nuages. L'autre fraction (R) est réfléchie ou diffusée en direction de l'espace. Le rapport de ces énergies S/R constitue l'albédo de cette surface (nous reviendrons plus tard sur la notion d'albédo). C'est elle que le satellite Météosat capte au moyen de son détecteur sensible aux énergies de radiation comprises entre 0,4 um et 0,9 um .

2.2.1.1.2 Le canal infrarouge :

Les images infrarouges représentent une mesure du rayonnement infrarouge émis par le sol ou les nuages. Ce rayonnement dépend de la température. En mode inversé, Plus l'objet est chaud, plus il est noir et plus l'objet est froid, plus il est blanc (Fig. 2.3). Les nuages élevés apparaissent plus blancs que les nuages bas car ils sont plus froids. Dans les zones sans nuages, plus le sol est chaud, plus il est sombre.

La surface terrestre après avoir absorbé une fraction de l'énergie incidente rayonne à son tour restituant ainsi une partie de l'énergie emmagasinée. A la température de la terre (moyenne 15°C), ce rayonnement se fait dans une gamme de longueurs d'ondes comprise entre 3 et 50um avec un maximum pour 10um. Ces longueurs d'onde appartiennent au domaine des infrarouges IR.

Une majeure partie de ces radiations émises par la terre est absorbée par la vapeur d'eau et certains gaz (CO2, N2O, O3, O2) présents dans l'atmosphère, piègent ainsi cette énergie (effet de serre).

Fig. 2.3 : Image de canal infrarouge thermique [I2]

Cependant cette absorption atmosphérique est inégale selon les radiations émises par la terre. Les infrarouges de longueur d'onde comprise entre 8,5um et 13um traversent bien l'atmosphère. Ce sont eux, entre autres, que le satellite Météosat capte au moyen de son détecteur IR sensible aux énergies radiatives dans cette plage de longueurs d'onde.

L'émission est fonction de la température et de la nature du corps émetteur. La couverture nuageuse, selon sa nature (glace, vapeur) et son épaisseur laissera passer plus ou moins ces rayons IR.

2.2.1.1.3 Les canaux vapeur d'eau

Les images «vapeur d'eau» représentent une mesure du rayonnement infrarouge influencée par la vapeur d'eau dans l'atmosphère. Cela permet de déterminer les zones sèches et les zones humides.

Les infrarouges de longueur d'onde comprise entre 5um et 7,5um sont particulièrement absorbés quand l'atmosphère est riche en vapeur d'eau. Ce sont eux que le satellite Météosat capte au moyen de son détecteur WV (Water Vapeur) sensible aux énergies radiatives comprises entre 5,5 et 7,5um.

Lorsque l'atmosphère est pauvre en vapeur d'eau, ces rayons infrarouges la traversent et parviennent au capteur WV de Météosat Seconde Génération. Au contraire plus l'atmosphère est chargée de vapeur d'eau moins ils la traversent.

2.2.1.1.4 Apport du canal HRV.

Il est clair que le canal Visible à Haute Résolution HRV, représente une technologie très poussée, avec un intervalle d'échantillonnage amélioré de 1 Km [B4].

En comparant les différents canaux ci-dessous Fig. 2.4 on constate une nette distinction entre la neige et les nuages. Cela pourra nous être très utile pour la détection automatique et la distinction entre les phénomènes dans une image MSG.

A B C

Fig. 2.4 (A Météosat Canal IR ~ 5 km , B Canal VIS ~ 2.5 km, C canal HRV ~ 1 km) [I2]

2.2.1.2 L'albédo

Quand les rayons parviennent à la terre une partie de l'énergie qu'ils transportent est déviée par les différentes couches de l'atmosphère. Cependant l'autre partie arrive à la traverser. Celle-ci est alors réfléchie par les nuages ou par le sol. Ce qu'on nomme albédo est le rapport entre l'énergie réfléchie et l'énergie incidente. Ce rapport est fonction de la cible réfléchissante. Ainsi, l'albédo de la neige (0.85) n'est pas le même que celui d'une prairie (0.20). En moyenne, l'albédo de la terre est de 0.3 ce qui signifie que 70% de l'énergie que nous recevons est absorbée (30% est réfléchie) [B5].

Toute surface absorbe une partie du rayonnement incident pour n'en réfléchir qu'une partie. Elle n'absorbe que les longueurs d'onde qu'elle ne possède pas (Fig. 2.5). De plus, un rayonnement solaire se compose de plusieurs longueurs d'onde (lumière polychromatique). On peut donc émettre l'hypothèse qu'il suffit de collecter les différentes longueurs d'ondes réfléchies pour pouvoir déterminer, sur une zone donnée, la nature de l'élément réfléchissant.

Fig. 2.5 méthode de reconstitution d'une image [I3]

2.2.2 La composition colorée. 

Dans le cas ou on associe chacune des couleurs fondamentales (rouge, vert, bleu) à un canal de la même image, il est possible de visualiser plusieurs canaux simultanément. Cette opération s'intitule: «composition colorée». L'utilisation de la couleur ne provoque pas dans ce cas une transformation des valeurs des pixels. L'interprétation des couleurs est donc possible.

Le résultat de la superposition des trois canaux et donc de la combinaison des niveaux d'intensité des trois couleurs fondamentales donnera une image en « vrais » ou en « fausse » couleur, selon que la couleur fondamentale associée à chaque canal correspond, ou non, à la zone du spectre couvert par ce canal. Dans le cas d'une correspondance parfaite entre les couleurs fondamentales et les canaux correspondants, on obtient une composition colorée (Fig. 2.7) en vraie couleur, permettant de localiser chaque phénomènes avec sa couleur tel quel apparaît dans la nature (similitude avec une photo).

Composition RGB

Application

Temps

RGB1 (3, 2,1)

Végétation, neige, poussière, brouillard, fumée

Jour

RGB2 (2,4r, 9)

Nuages, convection, neige, brouilllard, feu

Jour

RGB3(2,3,4r)

Nuages, convection,neige,fumee,brouillard,feu

Jour

RGB4(10-9,9-4,9)

Nuages, convection, brouillard, feu, traverser des bateaux

Nuit

RGB5(10-9,9-7,9)

Poussiere ,traverser des bateaux,

Jour/Nuit

RGB6(5-6,4-9,3-1

Cyclone,TempeteConvective

Jour

Fig. 2.7 les différentes RGB. [I2]

2.2.2.1 RGB 1

La RGB 1 est formée par les canaux (NIR1.6, VIS0.8, VIS0.6) et utilise l'étendu dynamique de 0 à 100 % et un gamma de 1.

Fig. 2.6 RGB1 (dynamique 0-100, gamma=1)[I2]

Selon les travaux menés dans ce domaine Cette RGB permet détecter la végétation, la neige, la poussière, le brouillard et la fumée. [B4]

2.2.2.2 RGB 2

La RGB 2 est constituée par les canaux (VIS0.8, IR3.9, IR10.8). L'étendu dynamique et la correction gamma sont résumé dans le tableau suivant:

 

Dynamique en ( % ou K)

Correction gamma

R= VIS0.8

0 100

1.0

G= IR3.9r

0 60

2.5

B= IR10.8

-203 +323

1.0

Fig. 2.7 RGB 2 [I2]

Cette RGB permet de détecter la convection, le brouillard, la neige et le feu.

2.2.2.3 RGB 3

La RGB 3 est produite par les canaux (VIS0.8, NIR1.6, IR3.9r), elle permet de visualiser les nuages, la convection, la neige, la fumée, le brouillard et le feu.

La dynamique et la correction gamma dépend de la saison (tableaux ci dessous).

Saison d'été

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= VIS0.8

0 +100

1.7

 

G= IR3.9r

0 +70

1.7

 

B= IR10.8

0 +60

2.5

1.0

Saison d'hiver

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= VIS0.8

0 +100

1.7

 

G= IR3.9r

0 +70

1.7

 

B= IR10.8

0 +30

1.7

1.0

Fig. 2.8 RGB 3 [I2]

2.2.2.4 RGB 4

La RGB 4 est faite à partir des canaux (IR12.0-IR10.8, IR10.8-IR3.9r, IR10.8), elle permet de visualiser les nuages à différents niveaux, le brouillard et le feu.

Selon la dynamique et la correction, la RGB 4 change de comportement :

Nuage bas, brouillard

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= IR12.0-IR10.8

-4 +2

1.0

1.0

G= IR10.8-IR3.9r

0 +6

2.0

1.0

B= IR10.8

+243 +293

1.0

1.0

Nuages élèves, brouillard

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= IR12.0-IR10.8

-4 0

1.0

3.0

G= IR10.8-IR3.9r

-15 +6

2.5

1.0

B= IR10.8

+223 +293

1.0

1.0

Fig. 2.9 RGB-4 du 9 Novembre 2003, 02:45 UTC [I2]

2.2.2.5 RGB 5

La RGB 5 est formée par les canaux (IR12.0-IR10.8, IR10.8-IR8.7, IR10.8), elle distingue la tempête de poussière en couleur magenta.

Tempête poussière ou de sable

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= IR12.0-IR10.8

-4 +2

1.0

1.0

G= IR10.8-IR8.7

0 +15

2.5

1.0

B= IR10.8

+261 +289

1.0

1.0

Fig. 2.10 RGB-5, 3 MARS 2004, 01:00 UTC [I2]

2.2.2.6 RGB 6

La RGB 6 est générée par les différences de canaux (WV6.2-WV7.3, IR3.9-IR10.8, NIR1.6-VIS0.6). Cette RGB détecte les cyclones et les tempêtes convectives.

Cyclone, tempête convective sévère

Dynamique en ( % ou K)

Correction gamma

Correction gamma 2

R= WV6.2-WV7.3

-30 +0

1.0

1.0

G= IR3.9-IR10.8

0 +55

0.5

1.0

B= NIR1.6-VIS0.6

-70 +20

1.0

1.0

2.2.2.6 La dynamique

La dynamique d'une image est l'étendue de la plage de couleurs utilisable. Elle est liée à la longueur du codage de chaque couleur :

· si une couleur est représentée par un seul bit, on aura deux valeurs possibles, 0 ou 1, c'est-à-dire blanc ou noir. L'image est dite de type bitmap.

· si une couleur est représentée sur un octet (8 bits), on aura 28 = 256 couleurs possibles. C'est le cas des images dites en "fausses couleurs" ou "à palette" (format GIF par exemple) et des images en "niveaux de gris".

· enfin, on parle de "vraies couleurs" lorsqu'on utilise un octet pour stocker chacune des composante dans l'espace de représentation des couleurs (Rouge - Vert - Bleu) on aura 28*28*28 = 16 millions de couleurs possibles, mais chaque point sera codé sur 3 octets [B6].

· La dynamique dans notre cas traduit l'étendue ou la plage de valeurs réelles parmi les 1024, qu'il faut prendre pour faire la correspondance avec celles de la couleur (ou du niveau de gris) qui est en général de 256.

2.2.2.7 le facteur gamma

Le gamma, ou facteur de contraste, caractérise la pente de partie rectiligne de la courbe La correction gamma ressemble à un réglage de contraste, mais utilise un algorithme plus complexe. Les tons sombres et clairs sont très peu modifiés alors que les tons moyens le sont davantage. Cette méthode garantit un ajustement optimal en préservant les ombres et les reflets.

Fig. 2.11 la correction gamma

Intensité corrigée = intensité (1 / gamma)

Plus le gamma est faible plus le contraste est faible; l'image perd sa saturation et devient pâle, elle n'a plus aucune dynamique car elle a perdu sa luminance. Inversement, à un gamma élevé correspond un contraste élevé et une forte dynamique; les couleurs sont vives, très saturées avec des noirs et des blancs presque purs, parfois trop lumineux.

2.2.3 Conclusion

L'objectif de ce chapitre était la présentation des divers canaux de SEVIRI, ainsi que les différentes compositions RGB menées par des travaux des recherches dans ce domaine. Nous avons commencé par une description des canaux visible, infrarouge et vapeur d'eau. Par la suite nous avons présenté les 6 combinaisons RGB les plus utilisées.

Il est essentiel, pour les modèles météorologiques tel que le model marocain ALBACHIR [A1], d'avoir des données très précises sur les conditions initiales prévalant dans l'atmosphère. C'est là qu'interviennent les données satellitaires - elles peuvent avoir un effet très positif sur les modèles pour la détection des phénomènes dangereuses.

III Détection des hydrométéores

3.1 Introduction.

Le passage au nouveau millénaire s'est caractérisé par des phénomènes hydrologiques extrêmes avec des périodes de sécheresse dans les pays méditerranéens et l'inondation de vastes surfaces dans le reste de l'Europe. A elles seules, les inondations ont fait des centaines de victimes et contraint à l'évacuation de près d'un million de personnes, sans compter des dégâts matériels estimés à plus de 25 milliards d'euros.

Au Maroc la sécheresse n'est pas en reste avec ses conséquences économiques et environnementales exorbitantes; en effet, elle frappe partout, que ce soit avec une intensité toujours plus forte dans les sud ou modérée au nord où l'eau a été rationnée pendant des périodes prolongées ces derniers années.

L'amélioration des prévisions de crues et de sécheresse, de même que celle des dispositifs de vigilance et d'alerte devient donc une priorité pour les météorologues et bien au-delà. Les modèles hydrologiques complexes sur lesquels s'appuient les météorologues pour prévoir et évaluer les risques des phénomènes météorologiques et gérer leur impact, doivent être basés sur des prévisions très précises et des données très détaillées. Cette précision peut être améliorée de manière substantielle en recourant à des techniques d'assimilation avancées intégrant les données de diverses sources d'information telles que radars, réseaux de pluviomètres, imagerie satellitaire.

Les avancées dans les technologies de télédétection par satellite et dans la qualité des données, notamment depuis l'arrivée des donnes MSG, ouvrent maintenant de nouvelles possibilités de combler les trous de couverture du réseau d'observation synoptique, en intégrant des informations spatialisées sur les précipitations, le manteau neigeux et l'humidité des sols. Ces paramètres sont d'importance capitale pour les modèles de la prévision numérique. Cette qualité se base sur la combinaison des douze canaux du satellite MSG d'Eumetsat sous forme des RGB.

3.2 La neige

La neige est un des phénomènes important à prévoir. Elle peut devenir dangereuse dans les cas suivants :

§ En montagne, elle peut déclencher des avalanches.

§ En suspension elle réduit la visibilité.

§ Sur les routes, elle peut perturber le trafic, isoler et enclaver des zones et donner lieu au verglas qui peut causer des accidents.

3.2 .1 détection de la neige par RGB 1.

La composition des canaux 3, 2, 1 respectivement en R, G, B permet de détecter la neige, entre autres. L'image suivante présente un exemple de cette composition avec l couleur cyan :

Fig. 3.1 RGB-1, 18 Février 2003, 13:00TU [I2]

3.2 .2 détection de la neige par RGB 2.

En plus de la composition précédente, dite RGB1, on peut détecter la neige par la composition RGB 2 formée par les canaux l0.8 um en Rouge, NIR 1.8um en vert, IR3.9 um en bleu.

Fig. 3.2 RBB-2, 24 Février 2003, 11:00 TU détection de la neige [I2]

3.3 Détection des nuages bas.

Les nuages bas présentent un impact négatif pour l'aéronautique. Le satellite ne peut pas distinguer entre le cumulus, le stratus et le stratocumulus. Ils sont tous identifiés comme des nuages bas constitués de gouttelettes d'eau.

Les nuages bas peuvent réduire la visibilité jusqu'au point où un pilote ne peut pas voir les marques au sol ou les feux qui délimitent la piste ou qui balisent son axe. Statistiquement ce facteur a causé 279 accidents à l'approche et à l'atterrissage entre 1980-1996.

La détection des nuages bas se fait par RGB 1, RGB2, RGB3 et RGB4.

Fig. 3.3 RGB-1, 18 Février 2003, 13:00 TU. [I2]

3.4 Détection brouillard.

3.4.1 Définition

Le brouillard est la suspension dans l'atmosphère de très petites gouttelettes d'eau réduisant la visibilité au sol à moins d'un kilomètre. Les gouttelettes d'eau sont maintenues en suspension par les mouvements turbulents de l'air, leurs charges électriques identiques, les écartent les unes des autres. Le brouillard est en fait un nuage dont la base touche le sol.

3.4.2 Les dangers du brouillard

Le brouillard est un phénomène particulièrement dangereux pour tous les types de transports, routiers, aéronautiques ou maritimes.

Sur la route, les accidents sont plus nombreux et plus graves par temps de brouillard : en dessous de 200 m de visibilité, le conducteur commence à perdre les repères visuels qui lui permettent d'évaluer sa vitesse.

En plus de réduire la visibilité, les brouillards peuvent entraîner de faibles précipitations sous forme de bruine, voire de neige, et des phénomènes de dépôts liquides ou givrants par températures négatives.

Prévoir les épisodes de brouillard.

Les différents processus de formation de brouillard sont bien connus, mais leur localisation et leur intensité restent difficiles à prévoir avec les méthodes classiques.

Fig. 3.4 MSG-1, 26 janvier2004, 01:00 tu RGB 10-09,09-04,09 [I2]

3.5 Détection de la convection sévère.

C'est généralement à l'échelle aérologique que la convection apparaît dans une couche, lorsque le profil vertical de température Fig. 3.5, plus tendu que celui d'une atmosphère adiabatique. Cette convection est la cause des orages, de la grêle des pluies diluviennes (cas d'Ourika en 1996)

Fig. 3.5 Emagramme 731[A2] qui montre le chemin d'air convectif. [I4]

Fig. 3.6 Développement du cumulonimbus [A3] [I4]

Les décharges électriques et les différences de potentiels qui se manifestent dans les cumulonimbus peuvent engendrer des effets électromagnétiques et affoler l'avionique embarquée ou endommager la VHF. Sans parler des mauvaises conditions météo.

Fig3.7 RGB-2, 20 Mai 2003, 13:30 UTC [I2]

Le satellite MSG permet grâce à la combinaison RGB-2 de repérer la convection sévère [A13] par la couleur moutarde.

Fig. 3.8 RGB 4, le Cb noyé dans une nappe de nuage [I2]

3.6 Détection des cyclones

Chaque année, plusieurs dizaines de cyclones se forment au dessus des océans dans les zones intertropicales. Chaque annonce de cyclone laisse prévoir de nombreux dommages et souvent de nombreuses victimes.

Avant la deuxième guerre mondiale, les informations sur les cyclones étaient transmises par les bateaux pris dans la tempête. Aujourd'hui, les stations météorologiques parviennent à détecter la formation d'un cyclone au dessus de l'océan. Par contre, il est plus difficile de prévoir sa direction.

L'arrivée des images RGB permet actuellement de tracer le chemin d'un cyclone avec une marge d'erreurs, la solution reste de suivre le cyclone instantanément.

Fig. 3.9 8 Septembre 2003, 12:00 UTC RGB 2. [I2]

3.7 Tempête de sable ou de poussière.

Le terme tempête est un terme générique qui peut décrire plusieurs phénomène. Tous ceux-ci sont cependant liés à la formation d'un cyclone ou dépression. On note deux types principaux de dépressions: les cyclones tropicaux, dont l'énergie est tirée de l'instabilité de la masse d'air qui les entoure, et les cyclones extratropicaux dont le moteur est la rencontre de masses d'air de différentes températures.

Une tempête de sable est un phénomène qui se manifeste par des vents violents transportant des particules de sables dans l'atmosphère et provoquant ainsi la réduction de la visibilité. Les tempêtes de sable les plus violentes peuvent transporter des milliers de tonnes de poussières à l'échelle d'un continent entier et à des altitudes élevées. Ces poussières, quand elles sont piégées dans les courants stratosphériques peuvent traverser les océans ou faire le tour du monde. C'est ainsi que des nutriments venant du Sahara enrichissent la forêt amazonienne, leur tracé étant maintenant suivi par satellite.

Fig. 3.10 RGB 10-09,09-07,09 image tempête de poussière. [I2]

3.8 Les orages

Fig. 3.11 RGB 05-06,04-09,03-01 détection des orages [I2]

3.9 Le couvert végétal (la verdure)

La verdure n'est pas un phénomène météorologique. Par contre elle pressente un indice majeur pour l'agriculture, les autorités de lutte contre les incendies de forêt et d'autres tels que l'opération de lutte antiacridienne.

Fig. 3.12 RGB (3,2,1) JUIN 2003, 15:00 TU[I2]

3.10 Détection du désert

Afin de segmenter l'image convenablement il est recommandé d'identifier le désert qui représente une classe de pixel de grande importance.

Le désert doit être connu par ses valeurs (RGB) afin que les opérateurs ne le confondent pas avec les autres classes de l'image.

Fig. 3.13 MSG-1, 31 Octobre 2003, 11:30 TU (source) [I2]

3.11 Conclusion.

Dans ce chapitre, nous avons présenté l'état de l'art des études menées sur la détection des phénomènes météorologiques. Diverses techniques de télédétection satellitaire sont utilisées pour mesurer ou détecter les hydrométéores. Par contre, très peu d'études utilisent les techniques de reconnaissance automatique de phénomènes présents sur les images satellitaires. Les compositions colorées (RGB) sont un grand atout pour réaliser cette interprétation automatique ; combinées avec des méthodes de traitement d'images nous pouvons détecter l'hydrométéore, le confirmer et en fin le présenter tout seul sur une carte.

IV Segmentation et algorithmes proposés

4.1 Introduction

Dans la première partie de ce travail, nous avons présenté l'état de l'art dans ce domaine de détection de phénomènes Ceci nous amène alors à chercher d'autres techniques pour améliorer et continuer sur cette première solution, puisque notre objectif est la détection automatique des phénomènes météorologiques présents sur les images satellitaires de Météosat MSG

Pour mener à bien cette détection, nous exploitons les techniques de traitement d'images

Ces techniques s'est développée dans des domaines très divers durant ces dernières décennies

Pour avoir alors une détection automatique plus performante, il est nécessaire d'intégrer les étapes suivantes 

Ø Prétraitement

Ø Segmentation

Ø Extraction

4.2 La segmentation

La segmentation en général consiste au découpage spatial de l'image en zones homogènes. Elle joue un rôle prépondérant dans le traitement et l'analyse d'image et la vision par ordinateur.

En analyse d'images, on distingue les traitements de bas niveau et les traitements de haut niveau. Cette distinction est liée au contenu sémantique des entités traitées et extraites de l'image.

Les traitements de bas niveau opèrent en général, sur les grandeurs calculées à partir des valeurs attachées à chaque point de l'image sans faire nécessairement la liaison avec la réalité qu'elles représentent. Par exemple, la détection des contours est un traitement de bas niveau qui est effectué  «sans comprendre» l'image. Le contour détecté peut très bien ne pas correspondre à un bord d'objet dans la réalité et ne présenter aucun intérêt, Ainsi les traitements de bas niveau opèrent plutôt sur des données de nature numérique.

A l'opposé, les traitements de haut niveau s'appliquent à des entités de nature symbolique associées à une représentation de la réalité extraite de l'image. Ils sont relatifs à l'interprétation et à la compréhension de l'image et sont exprimés avec des mots du vocabulaire de l'application. Par exemple, des zones d'une image aérienne peuvent être caractérisées par leur forme (rectangulaire, linéique,..), être étiquetées avec les termes : bâtiment, route, bosquet, ombre, etc... Des relations entre ces zones sont exploitées pour comprendre la scène étudiée, par exemple : une route ne peut pas être incluse dans un bosquet.

La segmentation est un traitement de bas niveau qui consiste à créer une partition de l'image A en sous-ensemble Ri, appelées régions, tels que :

Une région est un ensemble connexe de points image (pixels) ayant des propriétés communes (intensité, texture,...) qui les différencient des pixels des régions voisins. Les connaissances utilisées sont le plus souvent du domaine de l'imagerie numérique et du traitement du signal, donc sémantiquement assez pauvres. Il n'y a pas de méthode unique de segmentation d'une image, le choix d'une technique ou une autre est dicté par :

Ø la nature de l'image :

-éclairage non homogène, reflets,

-présence de bruit, de zones texturées,

- contours flous, en partie occultes,

Ø les opérations situées en aval de la segmentation :

- localisation, mesure, calcul 3D,

- reconnaissance des formes, interprétation,

-diagnostique, contrôle qualité,

Ø les primitives à extraire :

-contours, segments de droite, angles,...

-régions, formes,

- textures,

Ø les contraintes d'exploitation :

-complexité algorithmique, fonctionnement en temps réel,

- taille de la mémoire disponible en machine.

Du fait de cette diversité, il est difficile de définir, de manière absolue, une « bonne » segmentation qui fait référence aux notions de différence et de similarité comme les perçoit le système visuel humain et ceci donne naissance à deux proches : « frontière » et approche « région »

Ø La notion de « frontière » est associée à une variation d'intensité ou à une discontinuité entre les propriétés de deux ensembles connexes de points.

Ø La notion de « région » fait référence à des groupements de points ayant des propriétés communes.

Il existe évidemment de nombreuses méthodes de segmentation :

Ø Fusion de région, [A4] ;

Ø Diffusion anisotropique [A5] ;

Ø Algorithmes de watershed [A6] ;

Ø Contours actifs ou «snakes» [A7] ;

Ø Contours géodésiques [A8] ;

Ø Modèles déformables [A9] ;

Ø Méthode des k-means introduite par MacQueen ;

Ø Kernel-k-means [A10];

Ø Chaînes de Markov [A11] ;

Ø Algorithmes génétiques [A12] ;

Ø Filtrages ;

Ø Etc....

Cependant, aucune méthode de segmentation ne se révèle absolue et optimale dans tous les cas. En effet, la complexité et la diversité des images à traiter rendent difficile la conception d'une méthode générique. Chaque méthode présente ses avantages et ses limites, aussi son utilisation dépend généralement du problème à résoudre. Le but est en général de trouver la méthode la plus adaptée à une famille d'application donnée. .

4.3 Analyse d'mages

Le traitement d'image est né de l'idée et de la nécessité de remplacer l'observateur humain par la machine. L'image ou les signaux provenant des capteurs ont alors été codés et mémorisés sur différents supports (, la vision intervenant dans un grand nombre d'activités humaines) à revoir ce morceau de phrase car il n'a aucun sens. Le champ des applications du traitement d'images est très vaste.

Une image est composée de pixels (répartis sous forme de tableau). On attribut a chaque pixel un niveau de gris codé en binaire sur n bits. S'il s'agit d'une image couleur, chaque pixel a trois composantes : une composante rouge, une composante verte et une composante bleue.

A partir de ces trois composantes, il est possible de représenter plus ou moins bien la quasi-totalité du spectre visible.

Dans le cadre de ce projet, les radiances (informations de départ) des canaux sont des comptes numériques de 10 bits (1024 valeurs), alors que les images de sortie seront en couleurs et chaque niveau de gris sera codé sur un octet soit huit bits. Les valeurs de niveaux de gris varieront donc de 0 `a 28 - 1 = 255. Si l'image traitée est en «noir & blanc», les composantes rouge, verte et bleue auront la même valeur pour un pixel donné.

4.3 Prétraitements :

Les satellites d'EUMETSAT transmettent leurs images et données à la station de réception au sol (Centre de contrôle de Darmstadt.) ou les données seront traitées pour éliminer le bruit et faire la correction géométrique et le géoréférencement. Elles sont, ensuite retransmises aux usagers, essentiellement via le système de diffusion développé spécifiquement par EUMETSAT.

4.3.1 L'outil msg2bin

L`outil msg2bin est un exécutable permet de convertir les données de formats HRIT 1.5 d'Eumetsat à des valeurs binaires.

4.3.2contrôle et vérification de la taille des fichiers.

Afin de s'assurer que les fichiers sont corrects, une vérification de la taille des fichiers est obligatoire ainsi que les valeurs des pixels. Pour cela un programme a été développé pour répondre si le fichier est de taille (1280 *1024) ou (1540 *1236) et si les valeurs des pixels sont entre 0 et 1023.

Pour cette raison nous avons développé une fonction qui lit la valeur de chaque pixel (codée sur 2 octets). La valeur du pixel est alors donnée par la formule :

F= (255*c1) +c2

Avec c1 et c2 les 2 octets d'un enregistrement

4.3.3 Les tables de conversion en albédo et en température.

Le travail avec les canaux visibles nécessitent la conversion des valeurs numériques en albédo. De même les valeurs des canaux infrarouges seront converties en températures de brillance.

En pratique chaque enregistrement sera remplacé par la valeur qui lui correspond dans la table de conversion. Il est à noter que chaque canal a sa propre table de conversion.

4.4 Formation des RGB

La composition colorée représente la plate forme de notre travail. A l'occasion une fonction intégrée dans le programme permet de regrouper les canaux appelés pour la formation de la composition souhaitée.

Chaque RGB est caractérisée par sa dynamique et la correction gamma comme décrit au chapitre 2. Ainsi la valeur en niveau de gris (de 0 à 255) d'une composante R, G ou B d'un pixel donné est calculée par la formule suivante :

Avec

BT la valeur d'enregistrement.

BTmin : la valeur minimale de la dynamique ou de température.

BTmax : la valeur maximale de la dynamique ou de température.

 : représente la correction gamma.

D'autre correction seront intégrée à l'occasion telle que la correction gamma 2.

4.5 La segmentation proposée : k.moyens

Lorsque nous voulons développer un système de segmentation, nous sommes souvent confrontés au problème de la sélection des meilleurs attributs pour cette segmentation. Pour cela, nous avons utilisé deux critères de sélection : la complexité et la taille en mémoire.

La réduction du nombre de couleurs d'une image couleur est un problème de quantification classique.

L'algorithme k-means est l'algorithme de clustering le plus connu et le plus utilisé, du fait de sa simplicité de mise en oeuvre. Il partitionne les données d'une image en K clusters. Contrairement à d'autres méthodes dites hiérarchiques, qui créent une structure en « arbre de clusters » pour décrire les groupements, k-means ne crée qu'un seul niveau de clusters. L'algorithme renvoie une partition des données, dans laquelle les objets à l'intérieur de chaque cluster sont aussi proches que possible les uns des autres et aussi loin que possible des objets des autres clusters. Chaque cluster de la partition est défini par ses objets et son centroïde.

Le k-means est un algorithme itératif qui minimise la somme des distances entre chaque objet et le centroïde de son cluster. La position initiale des centroïdes conditionne le résultat final, de sorte que les centroïdes doivent être initialement placés le plus loin possible les uns des autres de façon à optimiser l'algorithme. K-means change les objets de cluster jusqu'à ce que la somme ne puisse plus diminuer. Le résultat est un ensemble de clusters compacts et clairement séparés, sous réserve qu'on ait choisi la bonne valeur K du nombre de clusters.

La méthode proposée consiste à calculer la distance euclidienne entre le pixel à traiter et les centres des classes. La difficulté de cet algorithme réside essentiellement dans la définition des classes et l'initialisation des centres.

4.5.1 Les étapes de k.moyens.

est issue de la distance euclidienne.

Il procède ainsi (on note la fonction qui à un point de associe son niveau de gris) :

1. Choisir classes (distincts) y1, y2 ..yk (on les appelle centres des classes) Ci

2. Construire les classes telles que

3. Recalculer le centre des classes :

4. Reconstruire les nouvelles classes en retournant à l'étape 2. Si les nouvelles classes ne sont pas différentes des anciennes, s'arrêter.

L'algorithme k-means dans le cadre du traitement de l'image se présente en quatre étapes :

Cette segmentation présente une caractéristique particulière : on cherche uniquement à extraire les grandes zones homogènes en couleur.

Dans les k-means classique, le nombre k de clusters est fixé au départ. A partir d'une partition initiale (k moyennes choisies au hasard), on cherche à améliorer itérativement ce choix et devient automatique. Pour cela on propose trois méthodes pour résoudre ce problème.

4.5.2 Première méthode : l'espace HSV

La segmentation proposée ici utilise la composante H (teinte) de l'espace de couleur HSV. La transformation de l'espace RGB vers l'espace HSV s'obtient par les formules suivantes :

si max(r,g,b) = r H = 60*(g-b)/(max(r,g,b)-min(r-g-b))

si max(r,g,b) = g H= 60*(b-r)/(max(r,g,b)-min(r,g,b)).

si max(r,g,b) = b H= 60*(r-g)/(max(r,g,b)-min(r,g,b)).

S = (max(r,g,b) - min(r,g,b)) / max(r,g,b).

V = max(r,g,b).

H représente la teinte du pixel (l'information chromatique du pixel), qui varie entre 0 et 359.

Cette information sera utilisée pour déterminer les centres d'action et leur nombres.

A cet effet un histogramme de H est calculé et lissé.

4.5.3.1 Histogramme.

L'histogramme est un moyen simple et rapide pour représenter la distribution d'un paramètre obtenu lors d'une fabrication.

L'histogramme de la teinte représente typiquement le nombre de pixels en fonction de la couleur.

His[i] = ki avec 0<=i<=359.ki représente le nombre de pixels ayant la teinte i. 0

50

100

150

200

250

300

0

2000

4000

6000

8000

10000

12000

14000

Fig 4.1.Histogramme de la teinte de la RGB 5 de la situation du 21/02/2008 à 1300tu.

4.5.3.2 Lissage de l'histogramme.

Le lissage permet de rendre la courbe de l'histogramme plus régulière en éliminant les hautes fréquences.

Avec H l'histogramme de la teinte.

2*p+1 représente la taille du masque.

Le masque ici est représenté par un filtre moyen.

Fig 4.2. Histogramme de la RGB 5 lissé situation du 21/02/2008 à 1300tu

4.5.3.3 Maxima locaux

Après le lissage, en cherche les maxima locaux par la formule suivante :

est un maximum local si >

Et >.

Fig 4.3. Maxima locaux histogramme lissé la RGB 5 lissé situation du 21/02/2008 à 1300tu).

4.5.4 Deuxième méthode : espace RGB.

De la même manière que la teinte et pour chaque composante R, G et B on calcule l'histogramme, on opère un lissage et on détermine les maximums locaux.

En fin le max des classes obtenus du triplet (R,G,B) initialisera notre programme.

4.5.5 Troisième méthode : méthode améliorée.

L'inconvénient majeur des deux méthodes précédentes se présente d'une part de l'instabilité du masque (2*p+1) utilisé pour le calcul des maxima locaux d'autre part de l'irréalité des nombres de classes qui influencent le résultat d'une manière directe:

Ainsi, la taille du masque sera une variable qui varie selon chaque situation. Cette contrainte augmente la complexité (le temps d'exécution) du programme, ce qui nous a poussés à réfléchir à une autre solution.

Cette solution améliorée s'appuie donc sur les deux premières solutions, à laquelle nous introduisons d'autres processus.

L'exemple ci-dessous appliqué sur deux images de différentes situations montre que le nombres des classes trouvées ne reflète pas le nombre des phénomènes météo existant.

Test Sur HSV

Taille masque (2*p+1)

Nbre de classes

3

68

5

70

7

64

9

65

11

59

13

53

15

47

17

47

19

51

21

52

Taille masque (2*p+1)

Nbre de classes

3

69

5

70

7

64

9

68

11

59

13

57

15

50

17

48

19

44

21

55

Nombre de classe, correspondant à chaque masque, appliqué sur RGB 1 du 200802211300

Nombre de classe, correspondant à chaque masque, appliqué sur RGB 2 du 200802231300

Test Sur RGB

Taille masque (2*p+1)

Nbre de classes

3

86

5

69

7

52

9

35

11

26

13

21

15

23

17

12

19

19

21

13

Taille masque (2*p+1)

Nbre de classes

3

86

5

71

7

56

9

33

11

25

13

22

15

20

17

17

19

15

21

10

Nombre de classe, correspondant à chaque masque, appliqué sur RGB 1 du 200802211300

Nombre de classe, correspondant à chaque masque, appliqué sur RGB 2 du 200802231300

Afin de remédier ce problème, on propose une autre méthode pour le calcul du nombre des centres. Il s'agit de travailler avec le niveau de gris au lieu des couleurs. La conversion de l'espace RGB à l'espace monochromatique (niveau de gris) se fait par la formule suivante :

Grayi = 0.2989 * Ri + 0.5870 * Gi + 0.1140 * Bi

Avec i l'indice du pixel à traiter.

L'avantage de cette formule, c'est qu'elle conserve l'information de R, G et B par l'intermédiaire de la valeur de la variable gray et garde un masque constant, de valeur égale à 3 et qui est obtenue pour p=1.

Taille masque (2*p+1)

Nbre de classes

3

16

Nombre de classe optimal avec p=1

Par la suite, et de la même manière que les deux méthodes antérieures, on calcule l'histogramme, on procède à son lissage et on détermine les maxima locaux.

Plusieurs tests sur différentes situations montrent l'avantage de cette méthode sur les deux autres

En comparant les résultats de cette méthode et en particulier le nombre de classe, avec ceux des méthodes (HSV, RGB) on constate l'amélioration du résultat et la rapidité d'exécution.

4.6 Application à notre problème

Ce travail permet aux prévisionnistes de gagner énormément du temps dans leur analyse et d'enrichir leurs bulletins d'alertes. Pour cela On a choisi une situation plus récente, celle du 21 février 2008. Cette situation à 13h00 GMT présente une perturbation de sud-ouest qui couvre la majorité de notre royaume, et qui a présenté presque tous les hydrométéores.

4.6.1 Extraction du brouillard

On présente ici la composition colorée RGB5 initiale (Fig 4) qui comporte des milliers de couleurs, ainsi que le résultat de la solution améliorée (Fig 5) qui comporte uniquement 16 couleurs.

Fig.4.4 RGB5 initial Fig.4.5 résultat de la segmentation de RGB5

Cette RGB présente le brouillard en couleurs (DarkOliveGreen1) que nous avons extraire et le nicher sur un fond vierge (Fig 4.6)

Fig.4.6 Le brouillard de la RGB5 sur un fond vierge

4.6.2 Extraction des cumulonimbus [A2].

Les cumulonimbus sont des nuages convective [A3] très dangereux de la famille des cumulus, c'est le nuage qui présente la plus grande extension verticale.son sommet dépasse parfois la tropopause .ce nuage qui donne les orages et il peut être le siège de manifestations électriques comme la foudre de fortes précipitation et de chutes de grêle. On présente ici la composition colorée RGB7 initiale (Fig 7) qui comporte des milliers de couleurs, ainsi que le résultat de la solution améliorée (Fig 8) qui comporte uniquement 12 couleurs.

Fig.4.7 RGB7 initial Fig.4.8 résultat de la segmentation de RGB7

Cette RGB présente le cumulonimbus en couleurs (LightGoldenrod4) que nous avons extraire et le nicher sur un fond vierge (Fig 4.9).

Fig.4.9 les cumulonimbus de la RGB7 sur un fond vierge

4.6.3 Extraction des nuages d'altitudes.

Chaque type et variété de nuages a une signification particuliers chez les prévisionnistes.

Les nuages d'altitudes représentes l'entête d'une dépression, comme il peut nous informé d'autre chose, a titre d'exemple la vitesse du vent, l'humidité en altitude...

Ce type des nuages est très prisé par les pilotes, car ils indiquent la présence des ondes qui peuvent générer les courants ascendants et la turbulence.

Cette RGB présente les nuages d'altitudes en couleur (firebrick3).

Fig.4.10 RGB2 initial Fig.4.11 résultat de la segmentation de RGB2

Fig.4.12 nuages de l'étage de la RGB7 sur un fond vierge

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

De même on peut extraire les nuages d'altitude comme les cirrus de la RGB4.

Les cirrus se présentent en couleur(MediumPurple3).

Fig.4.13 RGB4 initial Fig.4.14 résultat de la segmentation de RGB4

Fig.4.15 nuages de l'étage supérieur : cirrus de la RGB4 sur un fond vierge

4.6.5 Extraction de tempête de poussière.

Une tempête est un type de condition météorologique violente à large échelle dite synoptique, caractérisée par des vents rapides provoquant le déplacement et le transport des particules.

La RGB 5 détecte ce phénomène elle le présente en couleur (maroon1).

Fig.4.16 RGB5 initial Fig.4.17 résultat de la segmentation de RGB5

Fig.4.18 tempête de poussière de la RGB5 sur un fond vierge

4.6.6 Extraction de la neige

La neige peut se présente soit dans un nuage ou stagne sur le sol,

La RGB 1 présente la neige sous la couleur (cyan).

Fig.4.19 RGB1 initial Fig.4.20 résultat de la segmentation de RGB1

Fig.4.21 la neige de la RGB1 sur un fond vierge

4.6.7 Extraction du couvert

Les images MSG permet de détecter même le couvert végétal en couleur (ForestGreen).

Fig.4.22 RGB1 initial Fig.4.23 résultat de la segmentation de RGB1

Fig.4.24 la neige de la RGB1 sur un fond vierge

4.7 Conclusion

Globalement, nous pouvons conclure que cette solution améliorée a certes perfectionné la détection de phénomènes météorologiques .En effet notre travail confirme l'intérêt de la télédétection spatiale dans la résolution du problème des moyens de contrôle, d'alerte et d'initialisation.

Conclusion

Consciente de l'effort qui doit être entrepris en matière de recherche et développement en télédétection spatiale, la DMN déploie tous les moyens pour contribuer à ce grand chantier mondial. C'est dans ce contexte qu'inscrit notre travail. Il vise à tirer profit des compositions colorées de manière à faciliter l'interprétation des images RGB pour le prévisionniste.

En effet, la performance apportée par ce travail, axé sur la détection des phénomènes météorologiques à partir des compositions colorée des images MSG, est un grand pas vers une nouvelle approche de classification automatique des nuages et d'interprétation assistée. La méthode utilisée met en avant certaines techniques de traitement d'images et ouvre ainsi de nouvelles voies d'exploration.

Pour atteindre cet objectif, on a eu recours à l'algorithme de k-moyen, appliqué sur les composantes R, G et B d'une image en composition colorée. Les premiers résultats étaient déjà encourageant, cependant, ils étaient très tributaire du nombre d'objets (classes) à détecter et qui était jusqu'au là forcé à la main et de manière subjective. Ce qui nous a poussé à automatiser le choix du nombre de classe et ce, de manière objectif. Pour se faire on a utilisé l'histogramme lissé de la composante H (teinte) de l'espace de couleur HSV. Cette technique a eu l'inconvénient de surestimer le nombre de classes malgré l'application de filtres de grandes tailles. En fin ce problème a été résolu par l'utilisation de l'histogramme lissé de la composante monochromatique (niveau de gris). L'algorithme k-moyen s'initialise, alors par un nombre de classes déduit de manière automatique et objective de cet histogramme pour tourner ensuite sur l'espace RGB.

Les résultats obtenus par cette dernière technique sont presque parfait. La méthode est très stable et elle est auto adaptée et auto réglée. Cependant, l'étude et résultats soulèvent bon nombre de questions qui s'ouvrent comme autant de perspectives pour la poursuite de travaux futurs. On peut citer certaines idées qui pourraient améliorer les performances obtenues par ce travail :

Ø il serait intéressant de tester cette approche sur un grand nombre de situations pour faire éventuellement un réglage plus fin,

Ø les phénomènes cachés par d'autres météores seront inaperçues par le radiomètre, d'où la nécessite du réseau radar ou les radiosondes pour compléter une image dite composite

Ø Compléter l'algorithme, par un autre qui permet de détecter les phénomènes de très petites tailles (feu de forêt),

Ø Enfin d'autres méthodes de segmentation peuvent apporter de nouvelles informations.

Bibliographie

[B1] O.diop. « Détection de nuages de poussière dans les images Météosat à l'aide des attributs de textures et de la fusion de segmentations : application à la zone sahélienne du continent africain » .thèse doctorat.2007, INSA, RENNE.

[B2] archive. ''Image en ligne''.nr 24 mai 2006.

[B3] J.P.Couwenbergh ''l'indispensable pour maitriser la couleur''. Marabout 269-270.1992.

[B4] Jochen kerkmann .»applications of meteosat second generation (msg)».pp5.2004. http://msg.univ-paris1.fr/faq.html

[B5] dos santos anaëlle , kang sari. & simon grégory . « acquisition des images satellites » http://the-overtake.ifrance.com/part3.htm.

[B6] université de Genève Module 4 - Le traitement des images. http://universite www.unige.ch/cyberdocuments/didacticiel/unite2/module4.html.

[B7] j.-p. cocquerez et s. philipp analyse d'images :filtrage et segmentation..p :1-3.1996

[B8]M.petermand+M.louys, Représentation couleur d'images multispectrales astronomiques,universite strasbourg http://documents.irevues.inist.fr/

[I1] (EUMETSAT [Eumet]). http://www.eumetsat.int/home/index.htm?l=fr

[I2] Jochen Kerkmann (PPT : applications of Météosat second generation (msg) Eumetsat ).http://msg.univ-paris1.fr/faq.html

[I3] R. Caloz et F. Golay, Télédétection et images numériques, Laboratoire de systèmes d'information géographique (LaSIG),

[I4] météo France, www.meteofrance.com.






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Des chercheurs qui cherchent on en trouve, des chercheurs qui trouvent, on en cherche !"   Charles de Gaulle