Approche a contrario pour la détection de changements à partir d’images satellite basse résolution Amandine ROBIN 1,2 , Lionel MOISAN 1 , Sylvie LE HÉGARAT-MASCLE 2 1 Laboratoire MAP5, Université Paris-Descartes, 45, rue des Saints-Pères 75006 Paris, France 2 Laboratoire CETP, Institut Pierre Simon Laplace 10-12, avenue de l’Europe, 78 140 Vélizy, France {robin,moisan}@math-info.univ-paris5.fr, mascle@cetp.ipsl.fr Résumé – Nous considérons le problème du suivi de végétation et de la détection de changements à partir de séquences d’images satellite présentant une forte répétitivité temporelle mais une faible résolution spatiale. Nous dérivons un critère probabiliste a contrario mesurant la cohérence entre la séquence d’images “basse résolution” et un état antérieur de référence (classification). La mesure ainsi obtenue est au cœur d’un algorithme stochastique qui sélectionne automatiquement les zones contenant les changements apparus au cours de la période étudiée. Le principe de cette approche est validé d’un point de vue théorique : nous montrons que tout changement, aussi local soit-il, peut être détecté pour peu que le niveau de contraste de l’image soit suffisament élevé. Enfin, nous présentons des expériences sur données simulées, qui affichent des performances prometteuses en vue d’une future application à des données réelles. Abstract – In this study, we focus on the problem of vegetation monitoring and change detection from remote sensing data. Multitemporal information required by such an application is provided by coarse resolution series presenting high time-repetitiveness. We derive a probabilistic a contrario criterion analyzing the coherence between a coarse resolution image time series and a previous knowledge of the land-cover state (through a classification). The measure obtained is the core of a stochastic algorithm that selects automatically the regions with the most likely changes. The principle of this approach is validated from a theoretical viewpoint, since we prove that even very local changes may be detected, provided that the image contrast level is high enough. We conclude by showing promising experiments on simulated data. 1 Introduction Les méthodes automatiques de détection de changements en imagerie satellitaire font l’objet d’un intérêt croissant, notam- ment en raison des nombreuses applications liées à l’analyse de la surface terrestre ou de l’environnement (suivi de la végé- tation, mise à jour de cartographies, gestion des risques, etc). Les satellites permettant le suivi des zones d’intérêt présentent généralement soit une forte résolution spatiale, soit une forte résolution temporelle, mais ces deux qualités sont incompa- tibles, puisque le délai entre deux acquisitions d’une même zone (qui dépend de l’orbitographie du satellite) est, en pre- mière approximation, inversement proportionnel à la largeur de sa trace sur la surface terrestre. La plupart des méthodes existantes (voir [1, 2] par exemple) sont adaptées à des données haute résolution spatiale (h.r.), ty- piquement Landsat/TM ou Spot/HRV (pixel de largeur infé- rieure à 30 m). Elles ne sont donc valables que pour des ap- plications nécessitant très peu d’images par an. Dans le cas du suivi de la végétation, l’évolution temporelle étant l’un des cri- tères des plus discriminants, l’exploitation conjointe de don- nées haute et basse résolution devient nécessaire. Les premières méthodes de détection de changements à basse résolution (b.r.), c’est-à-dire pour une largeur de pixel allant de 300 m pour les images Meris à 1 km pour les images Spot/VGT ou NOAA/AVHRR, ont été adaptées de méthodes haute réso- lution (h.r.) [3, 4]. Des travaux plus récents [5] parviennent à détecter des changements de taille inférieure à celle du pixel b.r. en utilisant des informations a priori sur l’état précédent pour contraindre une approche de type Expectation Maximi- zation (EM). Ces dernières méthodes atteignent leurs limites dès que le changement considéré concerne une surface de taille inférieure à un certain pourcentage du pixel b.r. et lorsque le nombre de pixels affectés par des changements dépasse une certaine proportion de l’image. La méthode que nous proposons ici est entièrement auto- matique et vise à extraire d’une image b.r. le sous-domaine le plus cohérent avec une classification h.r. donnée (les pixels de changement correspondent alors au domaine complémentaire). À partir d’une classification h.r. correspondant à la date t 0 et d’une séquence d’images b.r. de la même région acquise ul- térieurement, nous proposons de déterminer dans quel sous- domaine spatial cette classification est encore correcte à un temps t>t 0 donné. Pour chaque sous-domaine de l’image b.r., nous mesurons la cohérence entre la classification h.r. et la séquence b.r. observée par le degré de contradiction qu’elle im- plique sur un modèle naïf très simple. Cette méthode, inspirée de la modélisation a contrario introduite en analyse d’images dans [6], permet ainsi de calculer un niveau de significativité sans avoir à quantifier les écarts attendus (bruit, distortions, va- riabilité intrinsèque, etc.) entre la classification h.r. initiale et les observations b.r. ultérieures. Dans la section 2, nous commençons par préciser le système de formation des images (lien avec les caractéristiques du sol,