Modélisation de texture basée sur les ondelettes pour la détection de parcelles viticoles à partir d'images Pléiades panchromatiques

Olivier Regniers; Lionel Bombrun; Christian Germain

doi:10.52638/rfpt.2014.122

Authors

Olivier Regniers Laboratoire IMS - Université de Bordeaux
Lionel Bombrun Laboratoire IMS - Université de Bordeaux
Christian Germain Laboratoire IMS - Université de Bordeaux

DOI:

https://doi.org/10.52638/rfpt.2014.122

Keywords:

texture, ondelettes, SIRV, GLCM, GaborPLEIADES, vigne

Abstract

Cette étude évalue le potentiel des modèles de texture SIRV sur ondelettes pour la détection de parcelles viticoles dans les images à très haute résolution de type PLEIADES et compare les performances de ces modèles avec des méthodes de référence telles que les matrices de co-occurrence de niveaux de gris et une approche de segmentation par filtre de Gabor. Les résultats obtenus montrent que les modèles SIRV permettent à la fois une bonne détection des parcelles tout en limitant le taux de faux positifs par rapport aux autres approches. Ces modèles font également preuve d'une plus grande robustesse à des effets d'atténuation de texture liés au faible rapport entre distance inter-rang et résolution spatiale propre aux appellations viticoles étudiées.

Downloads

Download data is not yet available.

References

Bigun J., Granlund G. H., Wiklund J., 1991. Multidimensional orientation estimation with applications to texture analysis and optical flow. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(8) :775-790.

Chanussot J., Bas P., Bombrun L., 2005. Airborne remote sensing of vineyards for the detection of dead vine trees. Proceedings of the 2005 International Geoscience and Remote Sensing Symposium, Seoul, South Korea, 3090-3093.

Comaniciu D., Meer P., 2002. Mean Shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence 24(5):603-619.

Do M. N., Vetterli M., 2002. Wavelet-based texture retrieval using generalized Gaussian density and Kullback-Leibler distance. IEEE Transactions on Image Processing, 11:146-158.

Freitas C., Frery A., Correia A., 2005. The polarimetric G distribution for SAR data analysis. Environmetrics 16:13-31.

Haralick R. M., Shanmuggam K., Dinstein I., 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6):610-621.

Kwit R., Uhl A., 2009. A joint model of complex wavelet coefficients for texture retrieval. Proceedings of the 2009 International Conference on Image Processing, Cairo, Egypt, 1877-1880.

Rabatel G., Delenne C., Deshayes M., 2008. A non-supervised approach using Gabor filters for vine-plot detection in aerial images. Computers and Electronics in Agriculture 62:159-168.

Regniers O., Da Costa J.-P., Grenier G., Germain C., Bombrun L., 2013. Texture based image retrieval and classification of very high resolution maritime pin forest images. Proceedings of the 2013 International Geoscience and Remote Sensing Symposium, Melbourne, Australia, 4038-4041.

Warner T. A., Steinmaus K., 2005. Spatial classification of orchards and vineyards with high spatial resolution panchromatic imagery. Photogrammetric Engineering and Remote Sensing 71(2):179-187.

Wassenaar T., Robbez-Masson J.-M., Andrieux P., 2002. Vineyard identification and description of spatial crop structure by per-field frequency analysis. International Journal of Remote Sensing, 23(17):3311-3325.

Yao K., 1973. A representation theorem and its applications to spherically-invariant processes. IEEE Transactions on Information Theory, 19(5): 600-608.