TP3_PARTIE B : SEGMENTATION D`IMAGE RADAR

1
TP3_PARTIE B : SEGMENTATION D’IMAGE RADAR
Le but de cet exercice est de pratiquer avec un algorithme de segmentation d’images dans le cas
des images radar. Bien que l’algorithme disponible par PCI ne soit pas parmi les plus performants
il permet quand même de bien comprendre cette approche.
MATÉRIEL
Un extrait de l’image RADARSAT-2 de SF créée après corrections géométriques
(rééchantillonnage avec Complex SINC) : radarsat_2_clip.pix.
ÉTAPES
Le diagramme de flux suivant montre la série d’étapes nécessaires pour arriver à la segmentation
et la classification d’un canal de polarisation quelconque de l’image RADARSAT.
CONVERSION C32R en 32R
à PSIQINTERP
CHOIX DU CANAL À
SEGMENTER ET CONVERSION
EN 8U à SCALE
SEGMENTATION à
SARSEGM
CREATION D’UNE COUCHE
VECTORIELLE AVEC DES POINTS
D’ENTRAIENEMENT à
FOCUS
CLASSIFICATION PAR OBJET à
SARCLASS
HISTOGRAMME DU CANAL CHOISI POUR
TROUVER MIN/MAX DES VALEURS à
FOCUS
ÉTAPE 1 : PSIQINTERP
Afficher votre image. Si l’on vérifie les bandes, on peut voir que leur format est C32R pour format
complexe 32R à composantes I et Q de l’image radar emmagasinée dans 16bits + 16 bits, Pour
continuer nous devons alors convertir l’image en intensité (puissance) ou autre forme en 32R.
L’algorithme PSQINTERP fait cette conversion. Dans notre cas nous ferons la conversion en
intensité (lire help PCI pour les différentes formes de conversion)

2
Question 1 : Qu’est-ce que représente le terme I et quoi le terme Q d’une image radar?
Comment fait-on cette conversion de C32R à 32R?
ÉTAPE 2 : SCALE
Si l’on produit l’histogramme de n’importe quel canal de polarisation de notre nouvelle image on
observe par les statistiques que les valeurs couvrent un très large intervalle tandis que la majorité
des valeurs se trouve entre 0 et 1 (distribution hautement asymétrique à gauche). Ex. avec HH
Pour faciliter les étapes subséquentes on va appliquer un rééchelonnement des valeurs de 32R à
8U avec une transformation de l’histogramme en appliquant une égalisation de l’histogramme.
Cette conversion se fait via l’algorithme SCALE. On procède un canal à la fois. Ici un exemple avec
le canal HH.
Nouvelle
image *.pix
Conversion
en intensité

3
La nouvelle image HH apparaît très brillante. Cependant si vous faites l’histogramme on observe
que tout l’intervalle de 1 à 255 est couvert et que le nombre de pixels par niveau est « presque »
égal.
Répéter les opérations avec les autres canaux. Dans notre cas on peut omettre le canal VH car à
toutes fins pratiques le duplicata du canal HV.
Notre nouvelle image : choix
du canal à rééchelonner
On peut choisir à créer une
nouvelle image ou garder la
même
Valeurs issue des statistiques
du canal
Nouvel intervalle des valeurs
Choix de la fonction de
rehaussementà ici Égalisation
de l’histogramme
Type du nouvel canal

4
Question 2 : Qu’est-ce qu’une fonction d’égalisation de l’histogramme?
Question 3 : Comment peut-on prouver par une analyse statistique simple que le canal VH et le
duplicata de HV?
ÉTAPE 3 : SARSEGM
L’algorithme utilise l’approche par croissance des régions pour segmenter une image. Le
paramètre Sobel filter edge threshold est utilisé pour créer une carte d’arêtes qui servira comme
des « break lines » pour arrêter l’expansion d’un segment pendant l’opération de la croissance
d’une région. Lire le help de PCI dans la section Algorithm. Comme nous avons rehaussé les
contrastes on peut utiliser une valeur plus grande que celle donnée par défaut.
Canal avec HH après SCALE
L’algorithme crée deux
canaux : 1) les segments
(polygones) où tous les
pixels lui appartenant avec
un numéro unique; 2) la
valeur moyenne par
segment
`5 à valeur à ne pas
modifier (l’algorithme crache
si nous mettons de valeurs
plus hautes
10 à voir texte ci-dessous
20 à pour éviter la création
des nombreux petits
segments

5
Voici les résultats :
Moyennes des segments
Numéros des segments : Le nombre de segments est très grand quelques 33000. Si vous faites un
zoom dans la zone sombre et un rehaussement linéaire vous allez pouvoir visualiser les différents
segments.