LARHYSS Journal
Volume 6, Numéro 1, Pages 105-120
2007-12-01

Identification Des Masses Nuageuses Par Fusion De Donnees Images (radar – Satellite)

Auteurs : Ameur Z . Lazri M . Ameur S .

Résumé

Dans cet article, nous présentons une méthode de fusion d’images basée sur une approche probabiliste en vue de l’identification des masses nuageuses. L’objectif visé est l’obtention d’une image segmentée à partir de deux images représentant la même scène captée au même moment par satellite et par radar. L’image résultante pourrait ainsi être utilisée pour une estimation plus fine des précipitations. Pour mettre au point notre méthode, nous avons dans une première étape, recalé les deux images à fusionner afin de superposer les pixels correspondant à un même objet observé par les deux capteurs. Ensuite, en considérant que l’image radar est constituée de trois classes "ciel clair", "précipitations moyennes" et "fortes précipitations" et que l’image satellitaire est constituée de deux classes "ciel clair" et "ciel nuageux", nous avons fait l’hypothèse que l’image résultante est constituée de la combinaison de ces classes. Nous avons ainsi défini pour cette image quatre classes qui correspondent à quatre situations météorologiques, à savoir, "ciel clair", "nuages non précipitants", "nuages à précipitation moyenne" et "nuages à fortes précipitations". Dans une seconde étape, les paramètres initiaux de chaque classe (moyenne et écart type) de chaque image sont déduits à partir d’une modélisation gaussienne de leurs histogrammes. Ces paramètres sont utilisés pour calculer les probabilités a priori d’appartenance des pixels aux différentes classes citées précédemment. Enfin, une première image de fusion est obtenue en appliquant la méthode du maximum de vraisemblance (Tupin et al. 2004). A partir de cette première image, les paramètres de chaque classe sont mis à jour pour être utilisés une deuxième fois, puis les mêmes opérations sont répétées jusqu’à ce qu’aucun pixel ne change de classes d’une itération à l’autre.

Mots clés

fusion, images, segmentation, classification bayesienne, recalage d’images, radar météorologique, satellite, Météosat, nuages, précipitations