Comment détecter les surfaces végétalisées en utilisant la vision par ordinateur

Chez nam.R, nous travaillons dur pour construire un jumeau numérique du territoire français : le Digital Twin. Nous agrégeons, nettoyons et réorganisons des grandes quantités de données de formats variés, issues de nombreux producteurs de données brutes.

Comment détecter les surfaces végétalisées

Chez nam.R, nous travaillons dur pour construire un jumeau numérique du territoire français : le Digital Twin. Nous agrégeons, nettoyons et réorganisons des grandes quantités de données de formats variés, issues de nombreux producteurs de données brutes. Parmi ces données se trouvent les images aériennes (des photographies géoréférencées, acquises depuis un avion) qui jouent un rôle crucial et représentent une des sources d’information les plus riches de la zone qu’elles recouvrent. À travers cet article, vous découvrirez comment chez nam.R nous opérons pour détecter les surfaces végétalisées en utilisant la vision par ordinateur.

Nous allons vous présenter un cas d’étude très important pour nous : la détection des zones végétalisées autour des bâtiments de France. Dans ce projet, nous vous présenterons comment nous avons construit un jeu de données adapté à l’application que nous avons imaginée et les défis que nous avons dû résoudre. La détection de la végétation autour des bâtiments est un outil simple mais puissant pour comprendre la qualité de vie des zones habitées.

Pour calculer les surfaces de parcelles végétalisées, nous avons décidé de nous intéresser à la segmentation de ces zones végétalisées. C’est à dire que nous avons cherché à définir, pour chaque pixel, s’il appartenait à la classe “végétation” ou “non végétation”.

 

Les idées simples ne produisent pas toujours les meilleurs résultats

Notre première idée pour détecter la végétation a été d’effectuer un seuillage très simple des valeurs HSV (teinte, saturation, intensité) des pixels :

Comment détecter les surfaces namR computer vision
La roue HSV et les teintes sélectionnées pour notre modèle

 

Nous avons considéré qu’un pixel de teinte entre 40 et 160 par exemple (des valeurs choisies de manière empirique) est un pixel de végétation. Cet intervalle contient des valeurs allant des verts jaunâtres jusqu’à des teintes plus bleutées. Il a aussi fallu prendre en compte la saturation de la couleur et son intensité lumineuse de manière à considérer les possibles différences d’illumination de la scène. Ce filtrage sur 3 dimensions, ou variables, a constitué notre premier modèle. De manière à adoucir les contours des détections, nous avons ajouté au traitement des images une opération d’ouverture et de fermeture, et, des opérateurs de morphologie mathématique standards.

Ceci a permi de régulariser les détections.

 

detecter les surfaces namR vision par ordinateur
Image test, teinte filtrée, masque adouci, superposition de l’image et du masque

 

Ce filtrage est une opération très simple et rapide qui nous permettrait de détecter la végétation de tout le territoire de manière simple et peu coûteuse. Néanmoins, cette solution bon marché est aussi très peu stable. En effet, la végétation cachée par des ombres était très mal identifiée et les pixels détectés comme de la végétation pouvaient aussi bien s’avérer appartenir à des toits verts, des étendues d’eau ayant des reflets verdâtres ou même de simples aberrations chromatiques de nos images !

 

vegetation detecter computer vision namR
La détection de la végétation par la teinte des pixels n’est pas toujours une réussite

 

Pour découvrir l’intégralité de cet article et savoir comment détecter les surfaces végétalisées, rendez-vous sur notre blog Medium.

Plus d'articles