Etude d`indicateurs morphologiques pour la caractérisation

Transcription

UNIVERSITE D'ANGERS
Année : 2003
N° d'ordre : 558
Etude d'indicateurs morphologiques pour la
caractérisation de l'état hydrique de végétaux par
analyse d'images
THESE DE DOCTORAT
Spécialité : Traitement des Images et du Signal
ECOLE DOCTORALE D'ANGERS
Présentée et soutenue publiquement
le : 11 juin 2003
à : Angers
par : Philippe FOUCHER
Devant le jury ci-dessous :
M. Hervé NICOLAS (Maître de conférences, HDR, ENSA de Rennes)
Rapporteur
M. Dominique BERTRAND (Directeur de Recherche, INRA de Nantes)
Rapporteur
M. Pierre COURTELLEMONT (Professeur, Université de la Rochelle)
Examinateur
Examinateur
M. Gilles RABATEL (Directeur de Recherche, CEMAGREF de Montpellier)
M. Paul REVOLLON (Maître de Conférences, INH Angers)
Examinateur
M. Gérard CHASSERIAUX (Professeur, INH Angers)
Directeur de thèse
M. Bertrand VIGOUROUX (Professeur, Université d'Angers)
Directeur de thèse
UMR A462 SAGAH (Sciences AGronomiques Appliquées à l'Horticulture) INRA-INHUniversité d'Angers. INH 2, rue le Nôtre, 49 045 Angers cedex 01.
LISA FRE 2656 CNRS-Université d’Angers (Laboratoire d'Ingénierie des Systèmes
Automatisés) IUT d'Angers. 4, boulevard Lavoisier, 49 016 Angers cedex.
AVANT-PROPOS
Ce travail a été réalisé au sein de l'Unité Mixte de Recherche Sciences AGronomiques
Appliquées à l'Horticulture (SAGAH) et du Laboratoire d'Ingénierie des Systèmes
Automatisés (LISA). J'ai été accueilli plus particulièrement au sein du département Génie
Rural de l'Institut National d'Horticulture. Durant ces trois années, j'ai bénéficié d'un
financement du Conseil Régional des Pays de la Loire.
Je tiens ici à remercier tous ceux qui m'ont aidé à réaliser ce travail :
-
Louis-Marie Rivière et Jean-Louis Ferrier qui, en tant que directeurs de l'UMR SAGAH
et du LISA m'ont accueilli dans leurs laboratoires respectifs.
-
Gérard Chassériaux et Bertrand Vigouroux qui ont accepté d'être mes directeurs de thèse.
Je les remercie pour leurs conseils tout au long de ces trois années, pour leur aide et leur
rigueur au cours de la rédaction.
-
Paul Revollon qui a encadré ce travail. Merci pour ses encouragements, ses conseils et sa
gentillesse.
-
Messieurs Dominique Bertrand, Hervé Nicolas, Pierre Courtellemont et Gilles Rabatel
pour l'attention qu'ils ont accordée à ce travail en participant au jury de cette thèse.
J'adressse mes plus sincères remerciements à Rachid Boumaza non seulement pour son aide
en statistiques mais aussi pour tous ses conseils scientifiques, sa disponibilité et sa gentillesse.
Je remercie également toutes les personnes qui ont participé de près ou de loin à cette thèse :
Luc Bidel, Georges Céril, Jean Duchesne, Dominique Liger, Philippe Morel, Besnik Pumo et
tous ceux que j'oublie de citer.
Je n'oublie pas Alain et Renaud, pour l'aide qu'ils m'ont apportée dans la mise en place des
expérimentations. Je les remercie également pour leur bonne humeur; les pauses-cafés et les
nombreuses discussions que nous avons eues ensemble.
Merci à toutes les personnes que j'ai cotoyées à l'INH et à l'IUT au cours de ces trois années
de thèse et qui ont contribué à une très bonne ambiance de travail. Je pense également aux
thésards qui sont dans la dernière ligne droite et je leur souhaite beaucoup de courage pour la
fin. J'adresse un merci particulier à Julie qui m'a supporté pendant quelques mois au bureau, et
qui, au cours de son stage, m'a beaucoup aidé pour les mesures physiologiques.
Je tiens enfin à remercier ma famille et mes amis pour leur soutien au cours de ces trois
années.
... Et non, je ne t'oublie pas Coraline, un grand merci à toi pour tes fameux "bonjour" du matin
qui mettent de si bonne humeur, pour tes encouragements et pour tous les moments partagés
ensemble.
TABLE DES MATIERES
INTRODUCTION GENERALE .......................................................................................... 13
1 PROBLEMATIQUE LIEE A L’ESTIMATION DE L’ETAT HYDRIQUE DES
VEGETAUX ........................................................................................................................... 17
1.1
APPROCHES ECOPHYSIOLOGIQUES ET BIOCHIMIQUES ................................................ 18
1.1.1
Mesure de la teneur en humidité : approche pondérale et volumique............. 18
1.1.2
Détermination du flux dans le continuum sol-plante-atmosphère ................... 19
1.1.2.1
Potentiel hydrique foliaire............................................................................ 19
1.1.2.2
Potentiel hydrique de substrat ...................................................................... 20
1.1.2.3
Mesure de flux de sève................................................................................. 21
1.1.2.4
Résistance stomatique .................................................................................. 22
1.1.2.5
Evapotranspiration potentielle...................................................................... 22
1.1.2.6
Mesure de l’évapotranspiration réelle .......................................................... 22
1.1.3
Méthodes "indirectes" de caractérisation de l’état hydrique........................... 23
1.1.3.1
Température de surface foliaire.................................................................... 23
1.1.3.2
Variations micrométriques de la dimension d’un organe............................. 24
1.1.4
Méthodes biochimiques .................................................................................... 25
1.2
APPROCHE MORPHOLOGIQUE PAR OBSERVATEUR EXPERT ......................................... 25
1.3
APPROCHE MORPHOLOGIQUE PAR VISION ARTIFICIELLE ............................................ 26
1.3.1
Critères de qualité esthétique........................................................................... 27
1.3.2
Stade de croissance .......................................................................................... 29
1.3.3
Mesures d’un déficit hydrique.......................................................................... 29
1.4
OBJECTIFS ET METHODES RETENUS POUR NOTRE ETUDE ............................................ 33
1.4.1
Pourquoi le forsythia ?..................................................................................... 33
1.4.2
Utilisation de la vision artificielle.................................................................... 34
1.4.2.1
Classification des pixels de l’image ............................................................. 35
1.4.2.2
Paramètres de forme du végétal ................................................................... 35
1.4.3
Mesures physiologiques ................................................................................... 36
1.4.4
Conclusion........................................................................................................ 36
2 DISPOSITIF EXPERIMENTAL....................................................................................... 39
2.1
LE MATERIEL VEGETAL ............................................................................................. 40
2.2
ACQUISITION DES IMAGES ......................................................................................... 40
2.2.1
Calibration de l’expérience.............................................................................. 41
2.2.2
Déroulement de l’expérience ........................................................................... 42
2.3
APPROCHE PHYSIOLOGIQUE ET CLIMATOLOGIQUE .................................................... 46
2.3.1
Dispositif général ............................................................................................. 46
2.3.2
Transpiration réelle.......................................................................................... 47
2.3.3
Relation tension/masse..................................................................................... 48
2.3.4
Mesures climatiques......................................................................................... 49
3 CLASSIFICATION DES PIXELS D’IMAGES DE VEGETAUX................................. 51
3.1
IMAGES NUMERIQUES COULEUR ................................................................................ 52
3.1.1
Système visuel humain...................................................................................... 53
3.1.2
Codage RVB ..................................................................................................... 53
3.1.3
Espaces colorimétriques .................................................................................. 53
3.1.3.1
L’espace colorimétrique RVB...................................................................... 54
3.1.3.2
L’espace colorimétrique HSI ....................................................................... 55
3.1.4
3.2
Images en fausses couleurs .............................................................................. 56
CLASSIFICATION DES PIXELS D ’IMAGES COULEUR ..................................................... 56
3.2.1
Méthodes de classification non supervisées..................................................... 59
3.2.1.1
Méthodes de regroupement .......................................................................... 59
3.2.1.2
Analyse de l’histogramme des couleurs....................................................... 59
·
Analyse des histogrammes marginaux mono-dimensionnels .......................... 60
·
Projections d’histogrammes ............................................................................. 62
·
Analyses d’histogrammes tri-dimensionnels ................................................... 63
3.2.1.3
Méthodes neuromimétiques ......................................................................... 64
·
Réseau de Hopfield .......................................................................................... 64
·
Réseau de Kohonen.......................................................................................... 65
3.2.2
Méthodes de classification supervisées............................................................ 66
3.2.2.1
Analyse discriminante : utilisation de la règle de Bayes.............................. 66
3.2.2.2
Perceptron multi-couches............................................................................. 68
3.3
ALGORITHMES UTILISES POUR CLASSER LES PIXELS D ’IMAGES DE FORSYTHIAS ........ 69
3.3.1
Lot d’apprentissage et lot de généralisation.................................................... 71
3.3.2
Evaluation de la qualité de la classification .................................................... 72
3.3.3
Classification par perceptron à une couche cachée ........................................ 73
3.3.3.1
Architecture du perceptron........................................................................... 73
3.3.3.2
Apprentissage du réseau : algorithme de rétropropagation du gradient....... 75
3.3.3.3
Déroulement de l’apprentissage ................................................................... 76
3.3.3.4
Fonctionnement du perceptron en mode non contextuel ou contextuel....... 76
3.3.3.5
Choix du nombre K de neurones de la couche cachée, et du nombre Z
d’époques ..................................................................................................................... 77
3.3.3.6
Choix de l’espace colorimétrique et du mode de fonctionnement non
contextuel ou contextuel............................................................................................... 78
3.3.4
Classification par seuillage de l’histogramme RV........................................... 79
3.3.4.1
Pré-traitement de l’histogramme .................................................................. 79
3.3.4.2
Sélection du point d’amorce I ...................................................................... 80
3.3.4.3
Tracé de la courbe de seuillage .................................................................... 84
3.3.5
Classification par analyse hiérarchique de l’histogramme RV ....................... 85
3.3.5.1
Phase d’apprentissage .................................................................................. 85
3.3.5.2
Phase de décision ......................................................................................... 86
3.4
RESULTATS ............................................................................................................... 87
3.5
CONCLUSION ............................................................................................................. 89
4 CARACTERISATION MORPHOLOGIQUE DE LA CLASSE « VEGETAL » DANS
LES IMAGES DE FORSYTHIAS........................................................................................ 91
4.1
TECHNIQUES D’ANALYSE DE FORMES DANS LE DOMAINE VEGETAL ........................... 92
4.1.1
Descripteurs géométriques élémentaires ......................................................... 94
4.1.2
Descripteurs de Fourier ................................................................................... 95
4.1.3
Moments géométriques..................................................................................... 97
4.1.4
Dimension fractale ........................................................................................... 98
4.1.4.1
Méthode de comptage de boîtes ................................................................... 99
4.1.4.2
Méthode radiale.......................................................................................... 100
4.1.5
Squelettes........................................................................................................ 101
4.1.5.1
Squelettisation ............................................................................................ 101
4.1.5.2
Mesures sur le squelette ............................................................................. 102
4.2
APPLICATION A LA CARACTERISATION MORPHOLOGIQUE DE LA CLASSE « VEGETAL »
DANS LES IMAGES DE FORSYTHIAS ....................................................................................... 104
4.3
OUTILS STATISTIQUES UTILISES POUR MESURER LA PERTINENCE DES DESCRIPTEURS DE
FORME..................................................................................................................................105
4.3.1
Analyse de variance ....................................................................................... 105
4.3.2
Analyse en composantes principales.............................................................. 107
4.4
RESULTATS D’ANALYSE DE FORME ......................................................................... 109
4.4.1
Descripteurs géométriques élémentaires ....................................................... 111
4.4.2
Descripteurs de Fourier ................................................................................. 112
4.4.3
Les moments géométriques invariants ........................................................... 116
4.4.4
Dimension fractale radiale............................................................................. 119
4.4.5
Analyse du squelette ....................................................................................... 123
4.4.6
Conclusion...................................................................................................... 127
5 COMPARAISON ENTRE LES RESULTATS "VISION" ET "PHYSIOLOGIQUES"
................................................................................................................................................ 129
5.1
METHODOLOGIE ...................................................................................................... 130
5.1.1
Calcul du potentiel hydrique de substrat ....................................................... 130
5.1.1.1
Présentation du modèle de Van Genuchten................................................ 130
5.1.1.2
Utilisation d’un modèle polynômial........................................................... 131
5.1.2
Etablissement d’un modèle climatique prédictif de la consommation en eau des
plantes (serre) ................................................................................................................ 133
5.1.2.1
Estimation de la transpiration sous serre ( approche expérimentale )........ 134
5.1.2.2
Evapotranspiration de référence – approche générale................................ 135
5.1.2.3
Adaptation de la formulation au cas d’une serre........................................ 137
5.1.3
Transpiration réelle........................................................................................ 138
5.1.4
Estimation du potentiel hydrique de substrat................................................. 140
5.1.5
Transpiration potentielle................................................................................ 141
5.2
COMPARAISON AVEC LES RESULTATS OBTENUS PAR VISION ARTIFICIELLE .............. 143
5.3
CONCLUSION ........................................................................................................... 145
CONCLUSION GENERALE ............................................................................................. 147
BIBLIOGRAPHIE ............................................................................................................... 151
PUBLICATIONS TIREES DE LA THESE ..................................................................... 163
ANNEXES............................................................................................................................. 165
Introduction générale
A l’heure de la mondialisation des échanges, le domaine économique occupe actuellement
une place centrale dans la réflexion sur la qualité d’un produit, le marché des plantes
ornementales n’échappant pas à la règle. Chaque pays doit faire face à une concurrence de
plus en plus forte et doit montrer un savoir-faire technologique innovateur dans le but de
réduire les coûts.
La commercialisation actuelle des plantes est souvent réalisée sans que les plantes soient
vues, et souvent même avant qu’elles soient produites, un cahier des charges très strict est
alors établi entre un producteur et une centrale d’achats. Pour aider à l’élaboration du prix et
de ce cahier des charges, l’ensemble de la filière horticole serait très intéressé par la mise au
point d’indicateurs ou d’échelles de valeur sur la qualité du végétal. Définir ces indicateurs
reste cependant difficile tant le terme de qualité est vaste et fait appel à des caractéristiques à
la fois économiques, culturelles et bien entendu agronomiques. Chaque caractéristique se
décompose elle-même en plusieurs critères. Ainsi dans le domaine des plantes ornementales,
l’aspect agronomique de la qualité est défini par :
13
-
des critère esthétiques (forme, couleur, nombre de rameaux, disposition des fleurs...),
-
une aptitude à la résistance au "stress hydrique" (autonomie hydrique, tenue des
fleurs, tenue des tiges…),
-
la potentialité de développement après la vente (longévité, aptitude à la
transplantation…)
-
l’état sanitaire du végétal (certification, traitements préventifs…)
La mise en place de ces indicateurs peut passer par des méthodes de vison artificielle. Dans
l’optique d’automatiser les tâches, de fonctionner en temps réel et de manière non-destructive
sur le végétal, la vision artificielle, déjà largement utilisée dans le calibrage de produits finis,
apparaît comme une méthode adaptée. L’objectif de tout système de vision artificielle est
d’interpréter les images acquises par différents procédés. Utilisée dans de nombreux domaines
industriels et notamment pour le contrôle de la qualité, la vision artificielle fait l’objet de
recherches de plus en plus nombreuses. L’amélioration des outils d’analyse d’images et de
données mais aussi des capacités de transfert et d’archivage ont contribué au développement
des recherches dans cette voie.
Depuis 1995, l’INH (Institut National d’Horticulture) et en particulier l’Unité Mixte de
Recherche SAGAH (Sciences AGronomiques Appliquées à l’Horticulture) mènent un projet
sur l’utilisation de la vision artificielle en lien avec la notion de qualité des plantes. Face à
l’étendue du problème, il est apparu plus raisonnable de se limiter dans un premier temps à un
domaine particulier : l’aptitude des plantes à résister au stress hydrique et ceci dans la
perspective de pouvoir :
-
piloter une culture à l’aide de ces indicateurs, dans le but de gérer au mieux l’emploi
de l’eau lors des processus culturaux,
-
établir une échelle de valeur dans l’aptitude à résister à un stress hydrique, dans le but
d’assurer une meilleure adaptation à de nouveaux milieux (transplantation, habitation),
-
établir des lots homogènes.
La vision artificielle peut indirectement mesurer l’état hydrique du végétal. Un déficit
hydrique engendre une détérioration de l’aspect visuel du végétal, détérioration qui peut être
diagnostiquée par la vision artificielle. L’utilisation de déficits hydriques apparaît donc ici
comme un moyen de créer différents aspects visuels pour le végétal. L’objectif scientifique de
cette thèse est de proposer des outils automatiques de vision artificielle qui pourraient
14
permettre de détecter un changement de l’aspect visuel du végétal. Les différentes étapes du
processus seront présentées et les potentialités et les limites de chaque étape exposées.
La mise en oeuvre des outils d’analyse d’images occupe une large part de ce travail, en
particulier les outils de classification et d’analyse de formes.
Le mémoire se décompose en cinq chapitres qui décrivent la méthodologie suivie et les
résultats obtenus au cours de ce travail :
Le chapitre 1 expose la problématique liée à l’état hydrique du végétal. Les différentes
méthodes visant à mesurer l’état hydrique d’un végétal y sont présentées. L’utilisation de la
vision artificielle est envisagée d’une façon plus générale pour mesurer la qualité d’un
végétal. Cette présentation bibliographique permet de réaffirmer les objectifs de la thèse et de
proposer une méthodologie d’étude pour la suite de ce mémoire.
Dans le chapitre 2, l’ensemble du dispositif expérimental mis en place au cours de cette thèse
est décrit. Ce chapitre concerne à la fois la partie « acquisition des images » et la partie
« mesures écophysiologiques ».
Le chapitre 3 est consacré à l’étude de différentes méthodes de classification de pixels. Les
méthodes retenues pour notre application y seront décrites et détaillées et leurs résultats
comparés à ceux d’une classification experte.
Le chapitre 4 porte sur la sélection de paramètres de forme pertinents pour caractériser un
changement de l’aspect visuel du végétal. Le principe de chaque paramètre sera détaillé et les
résultats concernant leur potentialité à identifier un végétal en situation de déficit hydrique
seront exposés.
Les données physiologiques sont traitées dans le chapitre 5 et les résultats mis en parallèle
avec ceux obtenus par vision artificielle.
15
Problématique liée à l’estimation de l’état hydrique des végétaux
1
Problématique liée à
l’estimation de l’état
hydrique des végétaux
Outre son importance en tant que constituant, solvant et réactif au sein des plantes, l’eau a un
rôle primordial pour le maintien de la turgescence des cellules, elle-même essentielle à leur
croissance, au maintien de la forme des plantes herbacées, à l’ouverture des stomates et aux
mouvements des feuilles et des fleurs [Kramer 1983]. La plante en déficit hydrique ne peut
plus maintenir une pression de turgescence maximale et cherche alors à réduire sa
transpiration. De nombreuses modifications écophysiologiques et morphologiques sont
associées à cette diminution. L’étude de ces modifications permet d’apprécier l’état hydrique
du végétal.
17
Plusieurs techniques d’évaluation du statut hydrique du végétal sont possibles :
-
les mesures écophysiologiques et biochimiques, qui seront étudiées dans le paragraphe
1.1,
-
les observations visuelles du végétal, qui seront traitées dans le paragraphe 1.2,
-
les mesures par vision artificielle, qui seront décrites dans le paragraphe 1.3. Dans
cette partie, nous étudierons d’une façon plus générale l’utilisation de la vision
artificielle pour mesurer la qualité d’un végétal, qualité en termes d’esthétique, de
stade de croissance et de déficit hydrique.
Enfin, nous proposerons dans le paragraphe 1.4 la méthodologie d’étude retenue pour ce
projet.
1.1 Approches écophysiologiques et biochimiques
Actuellement, l’analyse de l’état hydrique de la plante fait appel à des mesures
essentiellement physiologiques. Le choix de ces techniques dépend des exigences et des
préoccupations de l’expérimentateur ou des conditions de l’expérience. Parmi toutes les
mesures possibles, on distingue celles qui mesurent effectivement l’état hydrique que sont
l’humidité pondérale et la teneur en eau relative et celles qui ne mesurent que des
modifications associées à un changement de l’état hydrique. Parmi celles-ci, trois catégories
peuvent être répertoriées :
-
les mesures de flux dans le continuum sol-plante-atmosphère telles que : le potentiel
hydrique foliaire, le potentiel hydrique de substrat, le débit de sève, la résistance
stomatique, l’évapotranspiration potentielle, l’évapotranspiration réelle ;
-
les méthodes « indirectes » telles que la température de surface et la dimension d’un
organe ;
1.1.1
les méthodes biochimiques.
Mesure de la teneur en humidité : approche pondérale et volumique
Les deux principales mesures de l’état hydrique d’un végétal [Riou et al.1997] se définissent
de la façon suivante :
18
- L’humidité pondérale mesure le rapport entre le poids d’eau d’un échantillon et son poids
sec.
- La teneur en eau relative (TER) foliaire est le rapport entre le volume d’eau présent à un
instant t et sa valeur maximale obtenue à pleine turgescence [Turner 1981].
Ces méthodes de référence présentent toutefois plusieurs inconvénients :
1- Elles nécessitent tout d’abord le prélèvement d’un échantillon sur le végétal et donc une
détérioration de celui-ci.
2- Les mesures impliquent également des protocoles très précis pour le relevé des masses ou
des volumes, ce qui limite leur application à des conditions de laboratoire. L’intervention
manuelle et la longueur de l’expérience (quelques heures en étuve pour obtenir un poids
sec) limitent également ces expérimentations à des conditions de laboratoire.
3- Hsiao [1973] montre par ailleurs que ces méthodes sont relativement insensibles aux
perturbations hydriques de faible intensité.
4- Enfin, outre ces difficultés d’ordre expérimental, les grandeurs précédentes ne permettent
pas de déterminer le sens des flux hydriques au sein du continuum sol-plante-atmosphère.
1.1.2
Détermination du flux dans le continuum sol-plante-atmosphère
Le flux d’eau circulant à l’intérieur de la plante dépend non seulement de la différence de
potentiel hydrique entre deux points quelconques du continuum sol-plante-atmosphère, mais
aussi de la résistance au passage de l’eau entre ces points du système. La circulation de l’eau
dans la plante peut ainsi être modélisée selon la figure 1.1.
Le potentiel hydrique permet de déterminer les mouvements de l’eau au sein du continuum.
L’eau circule toujours des potentiels les plus hauts vers les potentiels les plus bas. La mesure
de ce potentiel peut être réalisée à plusieurs endroits du continuum.
1.1.2.1
Potentiel hydrique foliaire
Au sein même du végétal, le potentiel hydrique foliaire traduit l’état énergétique de l’eau dans
la plante. Il se mesure souvent à deux moments de la journée à l’aide d’une chambre à
pression [Schollander 1965] :
19
-
à l’aube, le potentiel hydrique foliaire atteint sa valeur maximale, la plante est alors à
turgescence maximale, il est un indicateur de l’équilibre entre le sol et la plante,
-
au zénith solaire, le potentiel hydrique foliaire atteint sa valeur minimale, il est un
indicateur de l’état hydrique de la feuille et dépend notamment de la transpiration du végétal.
Figure 1.1 : Modèle ohmique de la circulation de l’eau dans la plante [Nicolas et Cruiziat 1991].
Quelle que soit l’heure de la mesure, une chute de ces potentiels est révélatrice d’une
diminution de la quantité d’eau au sein du végétal [Dutremée 1995]. Comme la teneur en eau
relative, le potentiel hydrique foliaire est une méthode destructive.
1.1.2.2
Potentiel hydrique de substrat
Dans le sol, le potentiel hydrique de substrat permet d’apprécier la disponibilité en eau pour
les plantes. Plus le potentiel est bas, plus l’absorption est difficile. Ce paramètre ne mesure
pas directement l’état hydrique du végétal, mais est un bon indicateur d’un changement des
conditions d’alimentation en eau du végétal. Les mesures tensiométriques sont très souvent
utilisées pour le contrôle de l’irrigation lors de la production de végétaux en conteneurs
[Rivière et al. 1997]. Les valeurs obtenues peuvent être reliées à la valeur de la teneur en eau
20
relative du substrat en utilisant le modèle de Van Genuchten [1980]. Il s’agit d’un modèle
permettant de calculer la teneur en eau présente dans le substrat en fonction du potentiel
hydrique de substrat. Les seuils choisis pour déclencher une irrigation n’ont pas de caractère
absolu, ils dépendent du substrat, du végétal, de la localisation du tensiomètre par rapport au
végétal, du choix de conduite de culture.
Les autres mesures existantes traduisent des changements physiologiques du végétal dus au
déficit hydrique ou à une adaptation du végétal au déficit hydrique. Rivière et Chassériaux
[1999] abordent les conditions, les possibilités et les limites de plusieurs de ces méthodes
pour les plantes en pot.
1.1.2.3
Mesure de flux de sève
Les méthodes thermiques de mesure du débit de sève brute sont basées sur l’interaction entre
la circulation d’eau et la diffusion de chaleur, afin d’évaluer la consommation d’eau des
couverts végétaux. La mesure du flux de sève est délicate. Plusieurs méthodes existent, la
première consiste à déterminer la vitesse de la sève en observant la variation de température
d’une aiguille chauffante insérée dans la tige. Une relation, indépendante de l’espèce, est
établie entre la température de l’aiguille et la vitesse de la sève [Closs 1958]. Une autre
méthode, plus récente, calcule le débit de sève directement à partir des bilans des flux de
chaleur issus d’un ruban chauffant entourant le tronc [Valancogne et Nasr 1989]. Ce système
doit être très bien isolé des éléments extérieurs pour éviter des perturbations. Lorsque la
plante est en déficit hydrique, on observe une diminution du flux de sève. Cohen et al. [1993]
montrent ainsi expérimentalement sur les noyers que le flux de sève des sujets soumis à un
déficit hydrique est significativement plus faible que celui des sujets en confort hydrique.
La mesure des flux de sève nécessite une grande précision technique, l’installation des
capteurs est souvent délicate lorsque les diamètres de tige sont petits, cas souvent rencontrés
pour les plantes en pots. Pour certaines espèces comme le forsythia, dont les tiges sont
creuses, cette technique est inadaptée. Par ailleurs, l’étalonnage des capteurs est difficile et
cette mesure n’est qu’une approche qualitative de l’évolution du flux de sève.
21
1.1.2.4
Résistance stomatique
La résistance stomatique varie en fonction de très nombreux facteurs externes (lumière, état
hydrique de l’air, température…) et interne (acide abscissique, état hydrique de la feuille,
historique de la plante…). Lors d’un déficit hydrique, les stomates se ferment en recevant un
signal d’origine racinaire [Davies et Zhang 1991] ou à cause d’une trop faible pression de
turgescence [Collatz et al. 1991]. Lorsque l’absorption en eau est trop faible, l’accroissement
de la résistance stomatique est le plus souvent le seul moyen rapide que le végétal possède
pour réduire sa transpiration. Cette grandeur pourrait donc apparaître comme un indicateur de
stress hydrique de référence si sa mesure était aisée. En pratique, un poromètre compare la
diffusion de l’eau à la surface de la feuille à celle obtenue sur une surface dont les
caractéristiques sont connues (plaque d’étalonnage). L’utilisation du poromètre à diffusion
pose plusieurs problèmes. Nicolas [1986] évoque non seulement des erreurs d’ordre
biologique dues à la variabilité dans l’espace et dans le temps (éclairement du couvert, âge de
la feuille) de la résistance stomatique, mais aussi les erreurs d’ordre technique (étalonnage).
D’une manière plus originale, Jones [1999] arrive à mesurer la conductance stomatique d’une
feuille par thermométrie infrarouge.
1.1.2.5
Evapotranspiration potentielle
Il s’agit de suivre en continu la demande climatique par le biais d’un bilan d’énergie sur le
couvert végétal. On peut ainsi calculer la quantité d’eau potentielle que la plante consomme
sur des pas de temps pouvant varier de la journée à l’heure. L’estimation de
l’évapotranspiration potentielle dépend de nombreux facteurs climatiques (rayonnement,
température, hygrométrie, vitesse du vent…) et de facteurs propres à la plante (surface
foliaire, résistance stomatique…). Cette méthode demande un suivi du climat, parfois lourd à
mettre en place, mais qui présente l’avantage d’être non destructif et de donner des résultats
sur le végétal en globalité.
1.1.2.6
Mesure de l’évapotranspiration réelle
L'évapotranspiration réelle (ETR) désigne la quantité d'eau réellement perdue sous forme de
vapeur d'eau par l’ensemble substrat-végétal. Pour une plante en pot, la mesure de l’ETR est
22
obtenue en suivant l’évolution de la masse totale du système pot-plante avec, à l’instant
initial, un végétal en état de saturation hydrique.
On peut mesurer uniquement la transpiration réelle du végétal en couvrant le pot d’un film
plastique hermétique.
1.1.3
1.1.3.1
Méthodes "indirectes" de caractérisation de l’état hydrique
Température de surface foliaire
En 1963, Tanner [cité par Jackson et al. 1981] estime que « la température des plantes peut
être un indice qualitatif utile pour différencier les plantes soumises à différents régimes
hydriques ».
On peut écrire le bilan d’énergie sous forme simplifiée :
Rn = l E + H + Gs
(1.1)
Le rayonnement (Rn) reçu par la plante est utilisé pour la photosynthèse (partie négligeable),
le reste est dissipé sous forme :
-
de chaleur latente par la transpiration des plantes (λE) ;
-
de chaleur sensible sous forme convective (H) entre le couvert et l’atmosphère et sous
forme conductive (Gs) dans le sol. Ce flux conductif est négligé dans de nombreux cas.
La réduction de la transpiration végétale, suite à un accroissement de la résistance stomatique,
diminue considérablement la consommation d’énergie (lE). De ce fait, pour atteindre
l’équilibre, la température de surface augmente et l’énergie se dissipe sous forme de chaleur
sensible (H). Ces changements de température sont associés à des variations du rayonnement
thermique de la surface qui peuvent être mesurées par radiothermométrie infrarouge. Il
devient alors possible de déterminer le degré de stress hydrique d’une plante [Jackson et al.
1981]. Un indice adimensionnel a été associé à cette méthode, le CWSI (Crop Water Stress
Index), basé sur la différence de température entre l’air et le végétal. Le pilotage de
l’irrigation par suivi de température de surface a été appliqué par le passé [Evett 1996]. De
23
nombreuses autres études ont été réalisées [Olufayo et al. 1996], [Giulani et Flore 2000],
[Alderafsi et Nielsen 2001]. Ces méthodes n’ont par contre pas été appliquées dans le cas de
cultures en pots. La température de surface reste néanmoins une donnée complexe variant
avec de nombreux facteurs externes (variables climatiques) ou internes (géométrie,
orientation, hauteur) à la plante [Boissard et al. 1990], [Campbell et Norman 1990]. Morais
[1993] fait par ailleurs remarquer que les mesures radiothermométriques permettent de
détecter des stress hydriques, mais de manière peu sensible. Au moment de la détection, le
déficit hydrique peut déjà être sévère.
1.1.3.2
Variations micrométriques de la dimension d’un organe
L’évolution du diamètre de tige est en relation avec la sollicitation des réserves en eau dans
les organes. Des études sur les arbres fruitiers ont mis en évidence l’existence de cycles
journaliers de variations de la teneur en eau [Huguet 1985]. Le suivi micrométrique des
dimensions de la tige du végétal permet de mesurer l’intensité de ces variations. Au cours de
la journée, la plante transpire, les tiges et les branches se contractent en raison de la
déshydratation. Par contre, en fin d’après-midi et durant la nuit, la plante ne transpire plus, les
organes se réhydratent et se dilatent. Lorsque le végétal est en restriction hydrique, les
organes se contractent de plus en plus, la réhydratation et la dilatation des organes pendant la
nuit est de plus en plus limitée. En suivant l’évolution du diamètre de tige, on peut comparer
le comportement des cultures [Katerji et al. 1994], [Besset et al. 2001] soumises à des
contraintes plus ou moins élevées. Pour Schoch et al. [1991], la contraction observée sur les
tiges ne doit pas inciter à conclure trop rapidement à un manque d’eau. Pour eux, il est
possible de piloter l’irrigation par le suivi des diamètres de tige en prenant toutefois quelques
précautions.
Quoiqu’il en soit, cette méthode présente l’avantage de s’appuyer sur des mesures non
destructives, automatisables et globales. L’inconvénient majeur est qu’elle nécessite la
détermination préalable d’une valeur seuil correspondant au déclenchement de l’irrigation.
Cette valeur dépend du végétal suivi, de la nature des substrats, et des objectifs de la culture.
24
1.1.4
Méthodes biochimiques
L’acide abscissique (ABA) synthétisé et accumulé par la plante en réponse à différents types
de stress semble être impliqué dans certains mécanismes de résistance à la sécheresse. Il a été
montré que, lors d’un stress hydrique, la concentration endogène d’acide abscissique
augmente, ce qui provoque des changements physiologiques (fermeture stomatique,
enroulement foliaire) [Davies et Zhang 1991], [Loveys et al. 2000] limitant les pertes en eau.
La mesure de la concentration d’acide abscissique est donc un bon indicateur de l’état
hydrique de la plante. Cette mesure reste cependant destructive.
Les approches physiologiques et biochimiques sont des techniques de référence pour mesurer
l’état hydrique du végétal. Quel que soit l’objectif final, chaque méthode apporte son lot
d’avantages et d’inconvénients. Les limites abordées précédemment résultent du fait que
certaines méthodes sont destructives (potentiel foliaire, teneur en eau), lourdes à mettre en
place techniquement et nécessitent des équipements de laboratoire spécifiques (flux de sève,
acide abscissique). Enfin pour beaucoup d’entre elles, les résultats sont relatifs à l’espèce
végétale, au substrat (potentiel de substrat), au choix des organes au sein du végétal
(diamètre de tige, température de surface, potentiel de feuille).
Des
approches
basées
sur
l’observation
des
modifications
morphologiques
ou
colorimétriques d’une plante en situation de stress hydrique peuvent répondre aux
inconvénients présentés ci-dessus. Il s’agit en premier lieu de mesures non-destructives qui
peuvent être globales.
1.2 Approche morphologique par observateur expert
La principale adaptation des plantes pour réduire leur transpiration est une diminution de leur
surface évaporante [Levitt 1980]. Les modifications d’ordre morphologique les plus
observables sont à mettre en relation avec les variations de pression de turgescence [Turner
1981]. Les effets observés correspondent ainsi à une réduction de la taille de la plante, de la
surface foliaire [Kramer 1983]. Les feuilles se courbent [Begg 1980] ou s’enroulent [Moulia
1994] jusqu’à tomber. Suivant l’espèce végétale, l’âge des feuilles, le degré et la durée du
stress, les modifications diffèrent et évoluent. Ce changement de l’aspect visuel a permis à
25
Downey et Miller [1971] de développer une méthode qui se base sur l’analyse d’une série de
photographies de plantes de maïs à différents états de turgescence. L’état hydrique des plantes
dans les conditions naturelles peut être estimé par comparaison avec des photographies
standards. Ces travaux restent très cognitifs et difficilement applicables à d’autres cultures.
Une étude plus systématique a permis par exemple à Deblonde et Ledent [2001] d’étudier
l’impact de conditions relativement sèches sur le nombre de feuilles, la hauteur de tige, la
longueur des feuilles et la production de tubercules de pomme de terre. Bussotti et al. [1995]
se sont limités aux changements morphologiques des feuilles de hêtre au cours d’un stress
hydrique. Ces critères morphologiques sont corrélés à des indices de couleur ou de texture
(feuilles vertes, ondulées, jaunes). Ces travaux restent là aussi très cognitifs et ont des
applications trop limitées.
Si l’observation visuelle de ces symptômes peut indiquer une évolution de l’état hydrique, elle
n’apporte qu’une appréciation qualitative de cet état. La mesure quantitative, complètement
indépendante de l’opérateur, demeure à l’heure actuelle difficile, voire impossible. Outre ces
difficultés de quantification des résultats, la réaction même du végétal n’est pas uniforme, Dal
observe ainsi des différences de réaction au stress entre les strates d’un forsythia [Dal 1996].
Cette méthode possède cependant l’avantage d’être non destructive. Il reste néanmoins à
obtenir des paramètres quantitatifs indépendants de l’observateur et si possible de la plante.
1.3 Approche morphologique par vision artificielle
La littérature montre que la vision artificielle permet d’évaluer d’une manière générale l’état
d’un végétal en se basant sur des critères d’esthétique, de stade de croissance ou de statut
hydrique.
Les techniques multispectrales utilisées en télédétection avant le développement de la vision
artificielle permettaient déjà d’évaluer d’une manière générale un changement d’état du
végétal. En utilisant les mesures de réflectance, un diagnostic sur l’état hydrique des
conifères a pu être émis [Ammer et al. 1988]. Penuelas et al. [1993] réalisent une étude
beaucoup plus approfondie sur les relations entre mesures de réflectance dans le proche
infrarouge et déficit hydrique. De nombreuses mesures physiologiques sont réalisées en
parallèle. L’utilisation de l’image pour la détection de stress ou de maladies remonte à la fin
26
des années 1980. Blakeman [1990] propose de comparer l’utilisation de la photographie
aérienne à l’imagerie satellitaire pour la détection de maladies et de déficits dans les cultures
de céréales. Il se base sur les différences de niveaux de gris au sein même d’un champ de
cultures. Les très importants progrès accomplis en vision artificielle aussi bien au niveau de
l’acquisition d’images (caméra, automatisation, vision en couleurs) qu’au niveau du
traitement (ordinateurs, algorithmes) ont permis d’améliorer l’utilisation de l’image dans la
recherche agronomique. La couleur et la forme de l’objet sont des critères utilisés comme
indicateurs de qualité esthétique, de croissance ou de déficit hydrique.
1.3.1
Critères de qualité esthétique
Les études réalisées portent en grande partie sur la qualité esthétique des fruits, légumes et
céréales.
Leemans et al. [2002] suggèrent ainsi de classer les pommes en quatre groupes (extra, 1, 2 et
rebut) selon la présence plus ou moins importante de défauts sur la peau. Chaque défaut est
caractérisé par des paramètres géométriques (aire, périmètre, compacité…), des paramètres
colorimétriques (distance entre la couleur moyenne du défaut et la couleur moyenne de la
pomme), des paramètres de texture (écarts-types selon les trois composantes colorimétriques).
L’analyse discriminante (ou par réseau de neurones) de ces paramètres permet la
classification de deux variétés de pommes, avec des taux de bonne classification supérieurs à
70%.
La pomme a également été l’objet des travaux de recherche de Paulus et al. [1997]. Pour
estimer la qualité de celle-ci, les auteurs développent dans un premier temps un algorithme
permettant d’extraire de l’image des caractéristiques liées à la taille, la forme et la couleur. Ils
simulent ensuite la décision humaine à partir d’un modèle de classification, basé sur une
succession de décisions binaires regroupées dans un arbre de classification. Cette simulation
permet de montrer « l’inconsistance » de la décision humaine et permet de rechercher les
caractéristiques influençant les mauvaises répartitions. Ce travail a pour objectif final d’aider
les chercheurs et les experts dans leur jugement.
Recce et al. [1996] présentent quant à eux un système complet de vision permettant de
regrouper les oranges en trois catégories (1, 2 et rebut). Le système d’acquisition est assez
27
complexe puisqu’il photographie chaque orange selon six angles de vue. Les histogrammes
des canaux rouge et bleu des images couleur sont analysés. Les paramètres couleurs extraits,
les défauts observés et quelques caractéristiques morphologiques mesurées sous chacun des
six angles sont présentés à l’entrée d’un réseau de neurones. Les oranges sont classées dans
l’une des trois classes en sortie du réseau.
La forme et la couleur permettent également de mesurer la qualité des roses coupées
[Steinmetz et al. 1994]. Différentes caractéristiques sont extraites d’une image : longueur de
la tige, diamètre de la tige, courbure de la tige, maturité du bourgeon et couleur du bourgeon.
L’acquisition des images est réalisée au sein d’une chambre dans laquelle les conditions de
prise de vue sont complètement contrôlées. Le but de l’étude est de classer les roses selon
d’une part la courbure : « courbé » et « non courbé » et d’autre part selon la maturité du
bourgeon : « fermé », «ouvert 1», « ouvert 2 ». La règle de Bayes et les réseaux de neurones
sont utilisés pour classer la courbure, seule la règle de Bayes est utilisée pour prendre une
décision sur la maturité. Une comparaison avec des résultats experts permet de quantifier les
erreurs commises par les deux types de classification. Pour la courbure, les taux d’erreur
obtenus par les méthodes bayésienne et neuronale sont respectivement de 17% et 18%. Pour
la maturité du bourgeon, deux cultivars sont comparés par la méthode bayésienne : le cultivar
jaune donne 15% de taux d’erreur , le cultivar blanc 21%.
Les techniques d’analyse d’images et de traitement de données permettent également de
reconstituer la décision des experts concernant la qualité d’une plante en pot. Ainsi [Steinmetz
et Feuilloley 1996] et [Feuilloley et Steinmetz 1998] ont travaillé sur des bégonias, selon la
méthode suivante :
-
Une note est donnée à chaque plante par chacun des dix experts internationaux.
-
Vingt-huit caractéristiques géométriques sont extraites des images de chaque plante. Une
matrice de corrélation entre variables permet de garder un nombre réduit d’entre elles.
Les paramètres les plus pertinents obtenus sont présentés à l’entrée d’un perceptron
multicouches. L’apprentissage est réalisé sur la moitié des plantes ; il est basé sur l’algorithme
de rétropropagation du gradient [Rumelhart et al. 1986]. L’autre moitié des plantes est utilisée
pour valider la méthode. Une analyse discriminante est réalisée, pour comparaison avec
l’analyse neuronale. Les deux techniques simulent la note donnée par chacun des dix experts
avec une relativement bonne fiabilité.
28
1.3.2
Stade de croissance
Les outils d’analyse d’images et la méthodologie utilisée pour estimer le stade de croissance
sont semblables à ceux utilisés pour l’esthétique du végétal.
Les chercheurs japonais ont réalisé plusieurs types de travaux dans ce domaine et ont obtenu
des résultats très intéressants. Parmi ces études, Suzuki et al. [1996] arrivent à mesurer un
indice de croissance de jeunes plants de choux. Pour cela, ils relient les données « images » au
« poids frais » des jeunes plants en utilisant deux techniques différentes. Dans la première, ils
utilisent des modèles d’équations telle que y = f(x), où x est le rapport entre le nombre de
pixels appartenant au fond dans l’image et le nombre de pixels appartenant au plant, et y le
poids frais. La classification fond/végétal est réalisée par seuillage de la chrominance verte.
Dans la deuxième méthode, ils utilisent un perceptron à une couche cachée, avec en entrée du
perceptron des caractéristiques de texture (second moment angulaire, contraste et différence
des moments inverses). La sortie correspond au poids frais de la plante. Ils calculent la
déviation standard entre le poids frais mesuré et estimé. Les résultats obtenus sont
acceptables.
1.3.3
Mesures d’un déficit hydrique
Dans le but d’utiliser l’information couleur pour caractériser les niveaux de stress, Ahmad
[1996] conduit des cultures de maïs selon trois niveaux d’apport azoté (faible, moyen, élevé)
et trois niveaux d’apport hydrique (faible, moyen, élevé), soit neuf régimes différents. A
différents stades de développement, les cultures sont prélevées et photographiées en
conditions de laboratoire. L’étude des histogrammes couleur permet de différencier les
régimes. La précision des résultats reste cependant à améliorer et le développement d’un
protocole standard plus strict s’avère nécessaire.
Les paramètres de forme sont également utilisés pour mesurer un déficit hydrique. Kurata et
Yan [1996] peuvent ainsi estimer le stress hydrique de plants de tomates par analyse
d’images : après extraction du couvert végétal de l’image à partir de l’information couleur, ils
mesurent l’inclinaison des rachis et donc des feuilles en fonction du stress hydrique. La
relation entre l’inclinaison des feuilles et le potentiel hydrique reste néanmoins à développer.
D’autre part, les résultats obtenus sont relatifs à l’état initial du végétal.
29
Les études réalisées depuis 1995 dans notre laboratoire (UMR SAGAH – Angers) s’inscrivent
dans cette optique. Les premières approches de la caractérisation de l’état hydrique du
forsythia par analyse d’images ont porté sur le suivi d’un organe : la feuille. Ainsi, Gardet
[1996] a suivi l’évolution de l’angle que forme avec l’horizontale le segment de droite
joignant le point d’insertion du pétiole sur le rameau et l’extrémité du limbe (angle IPEL,
figure 1.2). Les organes choisis sur des plantes en restriction hydrique et des plantes témoins
sont photographiés plusieurs fois par jour. Les images obtenues sont des images couleur.
Dans un premier temps, une fenêtre de travail a été définie pour exclure la tige de la zone
d’intérêt et faciliter la segmentation de la feuille étudiée.
Figure 1.2 : Visualisation l’angle IPEL d’une feuille [Gardet 1996].
Les résultats obtenus sont encourageants et montrent la potentialité de la vision artificielle
pour mettre en évidence un déficit hydrique, puisqu’une diminution de l’angle IPEL au cours
du temps est constatée. Sur la séquence de cinq photographies prises en une journée (figure
1.3), on observe ainsi une chute de l’angle de la feuille par rapport à la tige. En fin de journée
(19h30), on constate par contre un retour à l’état normal.
Figure 1.3 : Evolution au cours de la journée d'une feuille de forsythia.
Différentes réserves ont été posées pour continuer dans cette voie : le choix de la feuille par
rapport à son âge, sa position par rapport à la prise de vue. Le suivi d’un organe comme la
feuille limite l’étude à des végétaux en disposition opposée décussée. En effet, seules les
30
feuilles dont le pétiole se situe dans le plan perpendiculaire à l’axe de visée de la caméra
peuvent être utilisées pour l’analyse d’images.
La segmentation de la feuille, et en particulier du pétiole, pose également problème : il est
souvent délicat d’identifier clairement le lien pétiole-tige. La valeur de l’angle IPEL devient
alors dans ce cas moins précise [Revollon et al. 1998].
Pour éviter cette difficulté liée au choix des feuilles, Eon [1997] est parti d’une approche plus
globale et a comparé l’évolution de deux couverts de végétaux (un stressé, un témoin)
photographiés en visée verticale. L’observation des couverts stressés a montré une
augmentation significative de la présence des éléments fins du couvert : pétioles et tiges. Le
pétiole est un élément relativement petit et long dans l’image. Dans des images en niveaux de
gris, le pétiole apparaît plus clair que le reste du feuillage. Il est segmenté à l’aide d’un outil
de morphologie mathématique : le chapeau "haut de forme", qui calcule la différence entre
une image I et l’image I’ obtenue par ouverture ou fermeture morphologique de I. L’élément
structurant a la forme d’une ligne horizontale de onze pixels. L’opération est répétée trois fois
en faisant tourner l’élément structurant de 45°. Les éléments fins apparaissent en rouge dans
l’image (figure 1.4). La procédure permet de déterminer la surface relative occupée par les
pétioles dans l’image.
Figure 1.4 : Mise en évidence des pétioles sur un couvert végétal ; comparaison entre un couvert
végétal en confort hydrique (à gauche) et un couvert végétal stressé (à droite).
L’évolution temporelle de la densité de pétioles visibles dans l’image (figure1.5) montre chez
les témoins des minima locaux correspondant au début de matinée, période à laquelle les
feuilles sont en pleine turgescence, et des maxima locaux correspondant au milieu de la
journée. A ce moment, sous l’effet de la chaleur et du rayonnement, les feuilles ont tendance à
fléchir légèrement, laissant apparaître les pétioles. Les témoins ont néanmoins un
comportement journalier pratiquement constant. L’évolution des plants stressés est beaucoup
31
plus hétérogène ce qui se traduit par une évolution du pourcentage de pétioles dans l’image
plus ou moins rapide.
Cette étude a donc donné dans l’ensemble de bons résultats, qui restent cependant relatifs à la
taille de la plante dans l’image et à l’âge de la plante. Pour pouvoir proposer une conclusion
pertinente, des analyses statistiques plus développées, sur un nombre plus important de plants,
seraient sans doute nécessaires. Les observations sur les images dépendent d’une bonne
visualisation des pétioles du végétal. Dans le cas d’une expérience à plus grande échelle, la
Pourcentage de la surface de pétioles
dans l'image
mise en place d’un seuillage automatique serait donc nécessaire.
3,5
plant stressé 1
3
plant stressé 2
2,5
plant stressé 3
2
plant stressé 4
1,5
plant stressé 5
1
0,5
0
1
3
5
7
9
Pourcentage de la surface de pétioles
dans l'image
instant d'acquisition
3,5
plant témoin 1
3
plant témoin 2
2,5
plant témoin 3
2
plant témoin 4
1,5
plant témoin 5
1
0,5
0
1
3
5
7
9
instant d'acquisition
Figure 1.5 : Evolution de la densité de pétioles dans l'image : comparaison plants
stressés (en haut) et plants témoins (en bas).
32
L’utilisation des techniques d’analyse d’images pour estimer un état qualitatif du végétal lié à
son statut hydrique a donc fait l’objet d’études peu nombreuses mais diversifiées. Il n’existe
pas encore de chaîne de vision artificielle complète capable d’émettre un diagnostic sur l’état
hydrique du végétal, mais les études réalisées notamment au sein de notre laboratoire
montrent la faisabilité d’un tel projet.
En ce sens, les indices de vision artificielle trouvés pour classer les plantes selon des critères
esthétiques ou de stade de croissance ont montré de bons résultats et peuvent être adaptés à
l’estimation des changements d’état du végétal sous contraintes hydriques.
1.4 Objectifs et méthodes retenus pour notre étude
L’objectif général est d’élaborer des outils d’analyse d’images capables de fournir des indices
quantitatifs absolus destinés à répondre à la question : "la plante est-elle visuellement en bon
ou mauvais état ?".
Il n’est bien sûr pas possible, dans le cadre d’une thèse, d’élaborer des outils qui soient
applicables à toutes les plantes, et à toutes les sources de modification de leur aspect visuel.
Aussi notre travail sera-t-il restreint à la mise en place d’algorithmes d’analyse d’images
appliqués à l’estimation des changements d’état d’un forsythia soumis à un déficit hydrique.
Les résultats issus des techniques de vision artificielle seront complétés, pour validation, par
ceux obtenus par une approche physiologique.
1.4.1
Pourquoi le forsythia ?
Le forsythia est un arbuste d’ornement feuillé à port dressé qui peut atteindre 2 à 3 mètres de
hauteur pour 2 mètres de large. Les feuilles sont opposées décussées. La croissance du
forsythia est rapide, sa culture aisée, et sa floraison très précoce, antérieure à l’apparition des
premières feuilles. Pour les expériences menées, l’espèce Forsythia x intermedia sera utilisée
(figure 1.6). Sa consommation hydrique importante et sa réaction rapide et visible à la
privation d’eau fait de ce végétal un outil très adapté à ce type de travaux.
33
Figure 1.6 : Image couleur numérisée de forsythia en codage rouge, vert, bleu.
1.4.2
Utilisation de la vision artificielle
La vision artificielle peut être utilisée comme un outil non destructif de mesures de
changement d’état du végétal engendré par un stress hydrique. Les précédents travaux, portant
sur la détermination précoce d’un changement d’état dû au stress hydrique, ont permis de
cerner les difficultés rencontrées lors de l’acquisition et du traitement des images, et de mettre
en évidence la pertinence ou la non pertinence de certains indices. Ainsi, tout en considérant
l’intérêt des résultats intéressants trouvés par Gardet [1996], le choix de l’organe et la
difficulté d’identification du pétiole sont des limites importantes à une étude au moyen de la
mesure de l’angle IPEL. Une approche du végétal en globalité semble donc plus appropriée.
Dans cette voie, les travaux de Eon [1997] sur la texture ont montré une différence
significative entre des végétaux stressés et témoins, mais le caractère absolu de la mesure n’a
pas du tout été mis en évidence. Cette approche a donc été abandonnée. Seul le pourcentage
d’éléments fins a permis d’obtenir de bons résultas en distinguant nettement les couverts
stressés des couverts témoins, mais les valeurs obtenues sont très sensibles à la qualité de la
segmentation.
Le suivi de la forme globale du végétal ou de la couleur de la plante peut être une alternative
intéressante. Les quelques mesures préliminaires, réalisées dans un premier temps sur la
couleur et sur une évolution éventuelle de celle-ci en fonction du stress hydrique, n’ont pas
34
montré de résultats probants et ont donc été également abandonnées. Au final, seules les
mesures de la forme globale du végétal ont été poursuivies et font l’objet du travail présenté
dans ce mémoire. Pour cela, il est nécessaire au préalable de bien identifier le végétal dans
l’image, c’est-à-dire de séparer le végétal du fond de l’image. L’utilisation de techniques de
classification est donc nécessaire.
1.4.2.1
Classification des pixels de l’image
La classification des pixels de l’image en deux classes (végétal et fond) constitue une étape
décisive, et son automatisation pose de réels problèmes, à l’origine de très nombreux
programmes de recherche.
Parmi les techniques de classification existantes, certaines sont mieux adaptées aux images de
forsythias que nous aurons à traiter. Elles seront décrites, et leurs résultats comparés, dans le
chapitre 3.
1.4.2.2
Paramètres de forme du végétal
L’évolution de la forme du végétal au cours d’un stress hydrique est avérée visuellement. La
vision artificielle doit donc permettre de mesurer des indices qui traduisent les changements
morphologiques induits par le stress. Un volet important de notre étude, qui sera développé au
chapitre 4, a consisté à rechercher les indices les plus pertinents pour la caractérisation de
l’état hydrique du forsythia. La pertinence des indices est relative aux caractères de précocité,
de robustesse et d’absolu :
-
La précocité caractérise la dynamique temporelle ; c’est le critère qui discrimine le plus
rapidement les végétaux stressés des végétaux témoins.
-
La robustesse garantit qu’un critère discriminant à l’instant t 0 reste discriminant aux
instants t ultérieurs.
-
Enfin, un critère est absolu s’il permet de définir un seuil de séparation entre plantes en
rationnement hydrique et plantes irriguées, ce seuil devant être le même pour tous les
plants utilisés dans nos expérimentations.
Pour déterminer les critères de pertinence, il est nécessaire de comparer les paramètres
mesurés sur un lot de végétaux en déficit hydrique et sur un lot témoin de végétaux en confort
35
hydrique. L’utilisation des outils statistiques, et en particulier des méthodes d’analyse de
variance, est donc indispensable pour cette étape de sélection. Quelle que soit leur pertinence,
les paramètres retenus caractériseront les changements d’aspect du végétal soumis à un déficit
hydrique, mais ne fourniront pas une mesure effective de son état hydrique.
1.4.3
Mesures physiologiques
Des mesures physiologiques seront utilisées en complément des mesures par analyse
d’images, pour répondre à deux objectifs :
-
permettre un diagnostic physiologique sur l’état du végétal au cours de l’expérience ;
-
évaluer la précocité de la technique de vision artificielle, pour la détection de
l’apparition du stress.
Du fait des contraintes expérimentales imposées par la prise d’images, et du nécessaire
synchronisme entre mesures physiologiques et prise d’images, les méthodes employées
doivent être non destructives, globales et rapides. Le choix est donc limité en pratique à la
mesure
-
de la transpiration réelle
-
de la transpiration potentielle
-
du potentiel hydrique de substrat.
Ces techniques seront présentées au chapitre 5, et leurs résultats comparés avec ceux de
l’analyse d’images.
1.4.4
Conclusion
L’utilisation de la vision artificielle est l’axe principal de nos travaux. Les méthodes
physiologiques proposées ne seront utilisées que pour caractériser l’évolution du statut
hydrique de la culture. Le tableau 1.1 récapitule la méthodologie retenue.
36
Tableau 1.1 : Méthodologie
Estimation des changements d’état du forsythia soumis à un déficit hydrique
Approche par vision artificielle
Approche physiologique
Acquisition des images
ß
Transpiration réelle
Classification des pixels en deux classes
(végétal et fond)
Transpiration potentielle
ß
Extraction des paramètres
Potentiel hydrique de substrat
et estimation de leur pertinence
vis à vis du déficit hydrique
37
Dispositif expérimental
2
Les images analysées dans ce rapport sont issues de plusieurs expérimentations préliminaires
réalisées en 1999 et d’une expérimentation finale mise en place durant l’été 2001. Ce sont les
résultats obtenus lors de l'expérimentation finale qui ont été utilisés pour analyser de façon
simultanée l’évolution de la forme des végétaux et celle des paramètres écophysiologiques.
L’objectif était de réaliser le suivi de deux lots de végétaux : le premier était en situation de
déficit hydrique (les végétaux de ce lot seront appelés dorénavant végétaux stressés) et le
second était irrigué quotidiennement (les végétaux de ce lot seront appelés dorénavant
végétaux témoins).
Ce chapitre est consacré à la description du dispositif expérimental et du protocole mis en
œuvre pour cette expérience. Le paragraphe 2.1 donne une description du matériel végétal. Le
paragraphe 2.2 décrit les manipulations préliminaires et l'acquisition des séries d’images. Les
mesures physiologiques et climatiques, menées en parallèle sont exposées dans le paragraphe
2.3 ainsi que certains résultats tirés de ces mesures.
39
2.1 Le matériel végétal
Pour l’expérience menée en juillet 2001, les végétaux choisis sont des jeunes plants de
forsythia x intermedia, issues de boutures de tête taillées en Y. Tous ces végétaux ont été
rempotés la deuxième semaine d’avril 2001 dans des conteneurs de 1,5 litres remplis d’un
substrat de tourbe blonde dont les caractéristiques sont présentées en annexe 1, puis taillés
une première fois deux nœuds au-dessus du collet et une deuxième fois quelques semaines
plus tard.
Le faible volume du conteneur permet un approvisionnement limité en eau, favorisant une
réaction rapide au déficit hydrique. Les végétaux ainsi rempotés ont d’abord été disposés en
serre durant deux semaines, puis sur une aire à conteneurs en extérieur avec un système
d’irrigation au goutte à goutte.
Les plantes finalement utilisées pour l’expérience ont été choisies dans la mesure du possible
selon des critères d’homogénéité de forme :
-
huit rameaux,
-
un diamètre de 30 centimètres,
-
une hauteur de 20 à 30 centimètres à partir du collet.
La surface foliaire de chacun des végétaux est de 600 cm 2 environ. L’indice foliaire est estimé
à 0,6 (dix plantes par m²).
2.2 Acquisition des images
Pour les trois lots utilisés dans le cadre de ce mémoire (tableau 2.1), les images sont de
résolution 768 ´ 576, au format RVB, chaque composante colorimétrique étant codée sur 8
bits (pour plus de précisions sur la constitution des images numériques, voir le paragraphe
3.1). Les images sont acquises au moyen d’une caméra tri-CCD JVC® (modèle KY-F30B)
avec une sortie vidéo R/V/B/synchro/composite reliée par un câble EP306 à une carte de
40
numérisation Datatranslation® 3154, l’enregistrement étant géré par un logiciel DTacquire
fourni par Datatranslation® .
Tableau 2.1 : Présentation des trois lots d'images.
LOT 1
Elaboration de
Objectif
l'algorithme de
classification des
pixels de l'image
-
LOT 2
LOT 3
Dimensionnement
Morphologie du
du nombre de
végétal en état de
végétaux du lot 3
déficit hydrique
Nombre de végétaux
8
10
40
Année d’obtention
1999
1999
2001
Le lot 1 a été consacré à la mise au point d’un outil de classification automatique des
pixels de l'image. Ce lot est constitué d'une série de 24 images de huit végétaux disposés
sur fond de terreau. Les images ont été prises en visée verticale. L’acquisition a été
réalisée en serre au cours de l’année 1999, à la lumière du jour, dans des conditions
d’éclairement volontairement non contrôlées pour obtenir une variabilité la plus large
possible. L’ensemble des 24 images est présenté en annexe 2.
-
Le deuxième lot, réalisé aussi en 1999, représente cinq végétaux stressés et cinq
végétaux témoins. Ce lot a permis de réaliser quelques essais sur l’évolution de la forme
du végétal, et de calibrer le nombre de végétaux requis pour la mise en place de
l’expérience menée en 2001.
-
Le troisième et dernier lot d’images a été réalisé en 2001 dans le cadre de la thèse. Cette
expérimentation avait pour but d’acquérir des images de végétaux en situation de stress
hydrique, et d’accompagner cette acquisition d’un certain nombre de mesures
physiologiques et climatiques. Les 40 végétaux utilisés sont présentés en annexe 3
(prises de vue au début de l’expérience et à la fin de l’expérience).
2.2.1
Calibration de l’expérience
L'objectif est de classer les forsythias à partir de paramètres morphologiques. C'est la
variabilité intra et inter-classe de ces paramètres qui doit dicter le choix du nombre de
végétaux nécessaires à l'expérimentation.
41
Irrigation stoppée
Végétaux stressés
S1
S2
S3
S11
S12
S4
S13
S5
S6
S14
S15
S7
S16
S8
S17
Végétaux « physiologiques »
S9
S18
S10
S19
S20
CENTRALE
P2
P3
Poids
température d’air humide
P1
rayonnement
Potentiel de substrat
température d’air sèche
Irrigation stoppée
D’ACQUISITION
Dispositif climatologique
Irrigation quotidienne
Végétaux témoins
T1
T2
T11
T3
T12
T4
T13
T5
T14
T6
T15
T7
T16
T8
T17
T9
T18
T10
T19
T20
Figure 2.1 : Disposition des végétaux sur les tables de culture.
42
En fonction du nombre de classes voulu, et pour un seuil de signification fixé par l'opérateur
(le seuil de 5% est communément utilisé ), on estime à partir de la variance des résultats le
nombre de végétaux nécessaires [Sokal et Rohlf 1981]. Cette estimation est calculée à partir
de la table de Student. A partir du lot d’images N°2 (acquis en 1999), des paramètres
classiques (tels que la surface, le périmètre et la compacité) ont été mesurés. Le calcul
effectué à partir de la table de Student a permis de fixer à 20 le nombre de végétaux stressés et
de végétaux témoins nécessaire à l'expérimentation du lot 3.
2.2.2
Déroulement de l’expérience
Tous les pots utilisés pour la prise d'images du lot 3 sont recouverts d'un film plastique pour
éviter l'évaporation par le substrat. Les pots sont numérotés et disposés sur deux tables de
culture (20 végétaux par table) de dimension 3,08 mètres sur 1,48 mètres (figure 2.1). Tous
les végétaux sont alimentés en eau la veille de l’expérience par sub-irrigation jusqu’à
saturation du substrat, puis l’alimentation en eau est coupée sur une des tables de culture
formant ainsi le lot des végétaux stressés (S1 à S20). L’autre table reste irriguée une fois par
jour et regroupe les végétaux témoins (T1 à T20). Les végétaux sont disposés en quinconce et
de façon espacée les uns par rapport aux autres, pour éviter des gênes réciproques (ombrages).
Les deux tables de culture sont disposées l’une à côté de l’autre dans des conditions de
rayonnement et d’ombrage aussi proches que possible.
L’expérience a duré six jours (du mardi 10 juillet - 8 heures au dimanche 15 juillet - 18
heures) au cours desquels 26 séries d’images ont été prises. Chaque série représente
l’acquisition des images en visée verticale des 40 végétaux sur fond de terreau les uns à la
suite des autres. Au final 40 ´ 26 images ont été enregistrées. Les variations très importantes
de lumière au cours de la journée conduisent à l’apparition d’ombres portées, qui rendent plus
difficile l'analyse des images. Bien que la technique retenue pour classer les pixels de nos
images ait été mise au point, sur le lot 1, dans des conditions d'éclairage non contrôlées, nous
avons fait le choix d'effectuer les prises de vue du lot 3 dans des conditions d'éclairage
artificiel identiques pour tous les végétaux, à l'aide de la chambre noire (figure 2.3). Pendant
l’expérimentation, on observe une croissance importante des végétaux témoins.
43
Chambre noire
Visée verticale
Etape 3 : Repositionnement du
végétal Si ou Ti sur la table de
culture et prise du végétal Sj ou
Visée latérale
Tj (avec j = i+1)
Ordinateur d’acquisition
Etape 2 : Acquisition d'image
Végétal Si ou Ti
du végétal Si ou Ti selon deux
angles de visée
Etape 1 : Pesée de l’ensemble
végétal + substrat + pot
(Si ou Ti)
Figure 2.2 : Déroulement d'une série d’acquisition Sj (j = 1 à 26).
44
L’expérience s’est déroulée selon la chronologie suivante (figure 2.2) : au cours de chaque
série d'acquisition Sj (j = 1,…,26), le végétal Si ou Ti (i = 1,…,20) est déplacé sur les
différentes aires d’acquisition ou de mesures :
-
étape 1 : Pesée de l’ensemble substrat – plante – pot.
-
étape 2 : Acquisition simultanée d'images en visée verticale (caméra reliée à un PC) et
en visée latérale (appareil photo numérique). Les plantes sont placées rigoureusement
au même emplacement et selon la même disposition à partir de marques au sol (figure
2.3). Les images latérales ne sont pas utilisées dans le cadre de notre étude, mais
peuvent servir de base de données pour des projets futurs
-
étape 3 : Repositionnement du végétal sur la table de culture au même endroit et selon
la même orientation. Les mesures de la série t sur le végétal i sont terminées, on passe
ensuite au végétal i+1.
La procédure est itérée de i = 1 à 20 pour les végétaux stressés, puis pour les végétaux
témoins, au sein de la série Sj.
Caméra tri-CCD
Emplacement de l’appareil photo
numérique.
Figure 2.3 : Photographie de l’aire d’acquisition en chambre noire.
45
2.3 Approche physiologique et climatologique
2.3.1
Dispositif général
L’objectif des mesures physiologiques n’est pas d’expliquer l’état morphologique du végétal
par un déficit hydrique, mais de réaliser un suivi de l’évolution des conditions
environnementales dans lesquelles se trouvent les plantes au cours de l’expérience.
Les mesures physiologiques sont réalisées dans le même temps que l’acquisition des images,
sur un lot physiologique et dans la mesure du possible sur les végétaux utilisés pour la prise
d'images du lot 3. Trois paramètres ont été mesurés (voir paragraphe 1.4.3) :
-
la transpiration réelle du végétal (mesure par pesée),
-
le potentiel hydrique de substrat (mesure par tensiométrie),
-
la transpiration potentielle (approche climatique par bilan d’énergie).
Le lot physiologique utilisé est constitué de trois plantes, notées P1, P2 et P3 issues de la
même production que celle ayant fourni les végétaux du lot 3. Les végétaux sont préparés
d’une façon totalement identique à celle mise en œuvre pour la prise d'images du lot 3
(plastique recouvrant le pots). Les pesées s'effectuent sur des balances identiques à celle
utilisée pour mesurer la transpiration réelle des plantes stressées et témoins. Les mesures de
potentiel de substrat sont exclusivement réalisées sur ce lot physiologique. L’enregistrement
des données climatiques permet de calculer la transpiration potentielle.
La figure 2.1 illustre le dispositif mis en place sur les végétaux destinés aux mesures
physiologiques. Les trois végétaux P1, P2 et P3 sont placés sur des balances (symbolisées en
gris sur la figure 2.1) et sont équipés d’un tensiomètre.
Toutes les mesures sont enregistrées automatiquement par une centrale de type Delta Logger
DL2e, avec une fréquence d’acquisition de 2 minutes ; les mesures sont moyennées toutes les
10 minutes.
46
2.3.2
Pour chacune des séries d'acquisition Sj, l'ensemble substrat + plante + pot a été pesé (une
pesée pour chacune des 40 plantes du lot 3, conformément à l'étape 1 décrite au paragraphe
2.2.2). Soit mSij le masse mesurée pour la plante stressée Si à l'instant t Sij de la série
d'acquisition Sj. La quantité d’eau perdue par transpiration par la plante Si entre les séries
d'acquisition Sj et Sj-1 est donnée par mSij -mSij-1 . Les mesures sont réalisées sur une balance
Mettler® de charge maximale égale à 6 kg et de précision 2 grammes, composée d’une plateforme et d’un terminal de commande séparé. Les résultats obtenus sont présentés sur la figure
2.4 qui donne pour les végétaux stressés l'évolution, en moyenne, des consommations
hydriques CH( t Sij ) :
1 20 Si Si
CH(t )= å (m j -m j-1 )
20 i=1
S1
j
(2.1)
consommation hdyrique entre deux instants
d'acquisition (en kg/m²)
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
10/7/01 10/7/01 11/7/01 11/7/01 12/7/01 12/7/01 13/7/01 13/7/01 14/7/01 14/7/01 15/7/01
8:00 20:00 8:00 20:00 8:00 20:00 8:00 20:00 8:00 20:00 8:00
date et heure des prises de vue
Figure 2.4 : Evolution de la consommation hydrique moyenne des 20
végétaux stressés du lot 3, par unité de surface (dix plantes sont disposées
par m²). L'abscisse indique l'instant d'acquisition t S1
j de la masse pour la
première plante (S1) de chaque série Sj.
47
2.3.3
Relation tension/masse
Les mesures de potentiel de substrat sont effectuées par des tensiomètres de type DTP 1000.
Le tensiomètre permet de mesurer la pression sous laquelle l’eau, non évacuée par gravité, est
retenue dans le substrat. La bougie du tensiomètre doit être enfoncée à mi-hauteur dans le
conteneur. Le potentiel matriciel devient plus intense (plus négatif) dans un substrat lorsque
l'humidité diminue. Il faut s'assurer qu’il n’existe pas de discontinuité (bulle de gaz) dans la
colonne d'eau du tensiomètre, sinon le potentiel fourni par le capteur ne serait pas
représentatif du milieu.
La mesure du potentiel hydrique nécessite une instrumentation et une immobilisation du
végétal ; elle est donc incompatible avec un déplacement des végétaux. Les végétaux du lot
physiologique (P1, P2, P3) fournissent, aux instants tk, une mesure simultanée de la perte en
eau PEPi(tk) et du potentiel hydrique de substrat PHSPi(tk), pour i =1 ,2, 3. La perte en eau
relative, à l'instant tk, est donné par :
PER Pi (t k )=100
PE Pi (t k ) - PE Pi (t 0 )
PE Pi (t 0 )
(2.2)
où t0 désigne l'instant de la première mesure. Ceci permet de calibrer un modèle visant à
déterminer le potentiel hydrique de substrat en fonction de la perte en eau relative du végétal,
en traçant la courbe d'évolution de PHSPi(tk) en fonction de PERPi(tk).
potentiel hydrique de substrat (-hPa)
900
800
végétal P1
700
végétal P2
600
végétal P3
500
400
300
200
100
0
0
10
20
30
40
50
60
70
perte en eau relative (%)
Figure 2.5 : Evolution du potentiel hydrique de substrat en fonction de la perte en eau, pour les
végétaux stressés du lot physiologique (P1, P2, P3).
48
2.3.4
Mesures climatiques
Le dispositif de mesure adopté à l’intérieur de la serre pour l’acquisition des données
climatiques est le suivant :
-
le rayonnement solaire Rg (en W/m2) est mesuré par un pyranomètre Kipp & Zonen,
-
l’humidité relative HR est obtenue à l’aide d’un psychromètre composé de deux sondes
platines Pt100 qui mesurent les températures (sèche et humide) d’air ventilé,
-
la température T à l’intérieur de la serre est donnée par la sonde de température sèche du
psychromètre.
Tous ces résultats journaliers et horaires sont présentés dans le tableau 2.2 et sur la figure 2.6.
.
Tableau 2.2 : données climatiques journalières
Jour
1
2
3
4
5
6
Température moyenne (en °C)
21,77 21,37 20,14 19,22 19,32 20,14
HR moyenne en %
75,77 70,11 80,18 84,13 80,84 70,71
Rg cumulé kJ/m²
6749
8171
6104
4179
6517
8077
49
15_18
15_08
14_22
14_12
14_02
13_16
13_06
12_20
12_10
12_00
11_14
11_04
10_18
30
28
26
24
22
20
18
16
14
12
10
10_08
Température(°C)
(a)
dates(jour_heures)
(b)
Humidité relative (%)
100
90
80
70
60
50
40
30
20
14_12
14_22
15_08
15_18
14_12
14_22
15_08
15_18
14_02
13_16
13_06
12_20
12_10
12_00
11_14
11_04
10_18
10_08
10
0
dates(jour_heures)
14_02
13_16
13_06
12_20
12_10
12_00
11_14
11_04
10_18
500
450
400
350
300
250
200
150
100
50
0
10_08
Rayonnement (Watt/m²)
(c)
dates(jour_heures)
Figure 2.6 : Suivi horaire de la température (a), de l’humidité relative (b) et du rayonnement (c)
dans la serre au cours de l’expérience.
50
Classification des pixels d’images de végétaux
3
Classification des pixels
d’images de végétaux
Comme il a été précisé au chapitre 1, une des étapes décisives de notre travail consiste à
classer les pixels des images de forsythia en deux catégories : pixels appartenant au végétal et
pixels appartenant au fond.
Il faut ici préciser la différence qui existe entre classification des pixels d’une image, et
segmentation de cette même image. La classification est une partition de l’espace des attributs
en Nc classes, alors que la segmentation est une partition de l’image en Nr régions connexes.
En raison de l’obligation de connexité, on a toujours Nr ≥ Nc. Seules nous intéressent ici les
méthodes de classification.
Les techniques de classification des pixels d’images en niveaux de gris (ou images
51
monochromes) ont fait l’objet d’un très grand nombre de publications depuis plusieurs
décennies. Dans les applications vouées à distinguer les pixels représentatifs du végétal de
ceux représentatifs du sol, ces techniques s’avèrent souvent insuffisantes : il faut recourir à la
couleur (ou à des images multi-spectrales) pour réaliser une classification correcte des pixels.
L’élaboration d’outils de classification des pixels d’images couleur constitue un sujet de
recherche encore en développement. En effet, l’adaptation à ces images des méthodes
développées pour les images monochromes n’est pas toujours possible, en raison de la nature
vectorielle des images couleur. De plus, différents espaces colorimétriques peuvent être
utilisés pour le codage des images couleur, et leur choix a des incidences sur le résultat de la
classification.
Le paragraphe 3.1 présente les caractéristiques des images couleur, et les principaux espaces
colorimétriques utilisés pour analyser ces images. Le paragraphe 3.2 brosse un état de l’art
des approches les plus courantes de classification de pixels d’images couleur. Les méthodes
retenues pour classer les pixels de nos images en deux catégories (végétal et fond) sont
décrites dans le paragraphe 3.3. Le paragraphe 3.4 présente et compare les résultats fournis
par ces méthodes, pour nos images de forsythias. Une conclusion sur les méthodes de
classification présentées est apportée dans le paragraphe 3.5.
3.1 Images numériques couleur
Une image numérique est un arrangement de pixels (picture elements) selon un pavage
rectangulaire. Le nombre de lignes M et de colonnes N des pixels de l’image définit la
résolution M x N de l’image. Chaque pixel est caractérisé par un vecteur y à P composantes :
autant que le système d’acquisition comporte de filtres ou de matrices de capteurs. Le cas le
plus simple (le premier à être apparu historiquement) est celui où P = 1. Les images sont alors
dites monochromes, ou en niveaux de gris, et les pixels sont caractérisés par un scalaire
quantifié sur Q bits. Les images couleur correspondent au cas où P = 3. Mais il arrive (par
exemple en imagerie satellitaire) que le nombre de composantes de chaque pixel soit
supérieur à 3 (imagerie multi-spectrale). Se pose alors le problème de la visualisation de ces
images, qui sera évoqué au paragraphe 3.1.4.
52
3.1.1
Système visuel humain
Le système visuel humain est sensible aux longueurs d’ondes électromagnétiques comprises
entre 400 et 800 nm. Ses capteurs, répartis sur la rétine, sont de deux types [Russ 1999] : (i)
les bâtonnets pour la vision scotopique (faible luminance) sont à réponse achromatique ; leur
bande passante est centrée sur 507 nm ; (ii) les cônes pour la vision photopique (luminance
élevée) se répartissent en trois catégories : ceux dont la bande passante est centrée
respectivement sur le rouge (560 nm), le vert (530 nm) et le bleu (430 nm). L’ensemble du
spectre visible peut ainsi être capté sous forme de combinaisons des signaux issus des
capteurs rétiniens.
3.1.2
Codage RVB
Les techniques d’imagerie numérique couleur se sont naturellement inspirées des processus
mis en œuvre dans le système visuel humain. Elles utilisent des matrices de capteurs dont les
bandes passantes sont centrées sur le rouge (R), le vert (V) et le bleu (B). Chaque pixel est
ainsi caractérisé par un vecteur y à trois composantes : c’est le codage RVB. Chaque
composante colorimétrique est codée sur Q bits (en règle générale, Q = 8).
3.1.3
Espaces colorimétriques
L’image couleur à traiter n’est pas forcément conservée dans le format RVB, et de nombreux
systèmes de codage ont été imaginés pour répondre à diverses nécessités technologiques ou
algorithmiques [Wyszecki et Stiles 1982]. Tous ces systèmes ont en commun le codage de
l’image en trois composantes obtenues par transformation des valeurs RVB initiales.
Parmi tous les espaces colorimétriques possibles, on peut distinguer [Lambert et Macaire
2000] :
-
Les espaces psychovisuels, qui spécifient les couleurs de manière intuitive à partir des
grandeurs psychovisuelles de la colorimétrie. Il s’agit par exemple de l’espace HSL (Hue,
Saturation, Lightness) et de ses dérivés HSI (Hue, Saturation, Intensity), HSV (Hue,
Saturation, Value), …
-
Les espaces perceptivement uniformes, principalement les espaces Lab et Luv, dans
lesquels la distance euclidienne entre couleurs est proche de celle établie par le système
53
visuel humain.
-
Les espaces décorrélés, qui tendent à supprimer la corrélation entre composantes
colorimétriques. La décorrélation peut s’effectuer à l’aide d’une analyse en composantes
principales [Gonzalez et Woods 1993], encore appelée transformation de Hotelling ou
transformation de Karhunen-Loeve. Elle nécessite le calcul de la matrice de covariance,
qui peut s’avérer long pour des images de forte résolution. Une approximation de cette
transformation, dont le calcul est nettement plus rapide, est obtenue en utilisant l’espace
colorimétrique I1I2I3 [Ohta et al. 1980].
3.1.3.1
L’espace colorimétrique RVB
L’espace colorimétrique RVB est le système de représentation le plus couramment utilisé dans
les images couleur. Chaque pixel de l’image est représenté par un vecteur de trois
composantes, selon trois axes colorimétriques : le rouge, le vert et le bleu, conformément à la
figure 3.1.
Figure 3.1: L’espace colorimétrique RVB.
L’origine (0,0,0) du repère correspond au noir ; le blanc est associé au vecteur (255,255,255)
si chaque composante est codée sur 8 bits. La diagonale du noir au blanc représente les
niveaux de gris.
54
3.1.3.2
L’espace colorimétrique HSI
Cet espace (figure 3.2) est basé sur les trois grandeurs de teinte (H), de saturation (S) et
d’intensité (I). Selon la commission internationale de l’éclairage (CIE) :
-
la teinte indique le nom de la couleur tel qu’il est utilisé dans le langage courant : bleu,
cyan, vert, jaune, orange , rouge, violet ;
-
la saturation définit pour chaque teinte son degré de pureté ; on dira que la couleur est
« terne ou dévaluée» lorsque la saturation tend vers 0, et on parlera de couleur «vive»
lorsque la saturation tend vers 255 ;
-
l’intensité est utilisée pour mesurer le degré d’éclairement perçu ; elle décrit les images
comme claires ou foncées.
L’espace HSI est obtenu à partir de l’espace RVB par les équations suivantes [Gonzalez et
Woods 1993] :
ì
2R - V - B
si V ³ B
ï arccos
R 2 + V 2 + B 2 - (RV + VB + BR)
ï
H =í
2R - V - B
ï2p - arccos
si V < B
2
2
2
ï
R + V + B - (RV + VB + BR)
î
S = 1-
3min(R,V , B)
R+V + B
;
I=
(3.1)
R+V + B
3
Dans une telle représentation, la distance euclidienne n’a aucun sens : deux couleurs
sensiblement proches dans l’espace HSI peuvent être très éloignées dans l’espace RVB.
Spectre visible
Teinte H
Saturation S
Intensité I
Figure 3.2 : L’espace colorimétrique HSI.
55
3.1.4
Images en fausses couleurs
L’espace colorimétrique RVB est également utilisé pour visualiser les signaux issus de
capteurs dont la bande passante est extérieure au domaine visible : il peut s’agir par exemple
de signaux appartenant au domaine infrarouge, ou de signaux captés dans différentes bandes
spectrales (imagerie multi-spectrale). Lorsque ces signaux (issus de capteurs fonctionnant
dans trois bandes spectrales différentes) sont visualisés sous forme d’images couleur RVB, on
dit qu’il s’agit de « fausses couleurs » .
3.2 Classification des pixels d’images couleur
Pour pouvoir bénéficier directement de toutes les techniques de classification développées
pour les images en niveaux de gris, de nombreux auteurs ont essayé de traiter des images
scalaires (P = 1). Ils se heurtent ainsi à la difficulté suivante : lorsque l’acquisition des images
s’effectue en milieu naturel dans le domaine visible, les variations de lumière et la présence
d’ombres peuvent avoir une influence néfaste sur la classification. C’est le cas pour Pérez et
al. [2000], qui cherchent à classer les pixels d’images couleur en deux catégories : sol d’une
part, culture et mauvaises herbes d’autre part. A partir de l’image RVB, ils créent une image
en niveaux de gris dont chaque pixel a pour luminance la valeur y définie par :
æ V - Rö
y = 128 ç1+
÷
è V +Rø
(3.2)
et s’affranchissent ainsi partiellement des variations d’illumination.
Pour différencier les pixels représentatifs du chou de ceux représentatifs du sol, Tillet et al.
[2001] préfèrent utiliser pour y la définition
y=
R B
(V B)
A
(3.3)
où l’exposant A est fixé en fonction des caractéristiques du filtre équipant la caméra. La
luminance ainsi obtenue dépend des couleurs de la scène et de la balance des couleurs de la
caméra, mais s’avère indépendante de l’illuminant .
56
Feyaeerts et van Gool [2001] classent les pixels d’images de champs de betterave sucrière en
analysant l’image monochrome de luminance
y=
NIR - R
NIR + R
(3.4)
où NIR désigne le signal délivré par une caméra opérant dans le proche infrarouge (longueur
d’onde de 760 nm) et R le signal rouge délivré par une caméra RVB couleur (longueur d’onde
de 660 nm).
Brivot et Marchant [1996] préfèrent opérer dans le domaine du proche infrarouge, pour
bénéficier de la différence de réflectance entre le sol et les végétaux dans cette bande
spectrale.
Philipp et Rath [2002] retiennent uniquement la première composante de chaque pixel, dans
l’espace partiellement décorrélé I1I2I3.
Enfin, Bulanon et al. [2002] utilisent la composante rouge pour repérer les pixels
représentatifs des pommes dans une image de pommier .
Dans tous les cas, la classification s’avère difficile, et le recours à la couleur, par le
supplément d’information fourni, permet d’espérer de meilleurs résultats. Se pose alors la
question du choix de l’espace colorimétrique le plus approprié. C’est ainsi que Chapron et al.
[1999] explorent différents espaces colorimétriques (XYZ, Luv, Lab, HSI) pour tenter de
séparer au mieux les cultures de maïs du sol. De même, Philipp et Rath [2002] comparent les
classifications opérées dans les espaces colorimétriques HSI, HSV, Lab et I1I2I3, pour
différencier sur des images couleur les feuilles de betterave sucrière du sol.
La nature vectorielle des images couleur impose la mise en œuvre de stratégies de
classification de pixels spécifiques. Il n’existe pas de méthode de classification universelle ; le
choix d’une technique dépend
-
des caractéristiques de l’image (ombres, reflets, textures, présence de bruits, …)
-
de l’application visée (reconnaissance de formes, diagnostic, mesures, …)
-
des paramètres à extraire (contours, régions, formes, textures, …)
-
des contraintes d’exploitation (temps de calcul, espace mémoire, …).
57
Dans tous les cas, les méthodes de classification de pixels opèrent en deux étapes :
-
une étape de définition des classes dans l’espace colorimétrique choisi, chaque classe
regroupant un ensemble de points à P composantes colorimétriques ;
-
une étape d’affection de chaque pixel à l’une des classes précédemment définies, par
mise en œuvre d’un calcul de distance, dans l’espace colorimétrique, entre le point
représentatif du pixel à classer et les centres de gravité des classes présentes ; cette étape
est encore appelée phase de décision.
La figure 3.3 illustre la procédure. Les flèches matérialisent l’affectation de chaque pixel de
l’image à l’une des 3 classes (classe brune, classe bleue, classe grise) définies dans l’espace
colorimétrique. Les pixels de la classe brune appartiennent à deux régions non connexes de
l’image.
V
B
R
Définition des classes
Image
Figure 3.3 : Classification dans l’espace RVB.
Selon les points de vue, les stratégies de classification peuvent être regroupées sous
différentes familles. Par exemple, on peut différencier les méthodes qui classent chaque pixel
en fonction uniquement de ses composantes colorimétriques (méthodes non contextuelles) de
celles qui prennent aussi en compte la couleur des pixels voisins (méthodes contextuelles).
58
Un autre point de vue consiste à distinguer les méthodes qui, dans l’étape de définition des
classes (encore appelée étape d’apprentissage) procèdent de façon
-
non supervisée (l’opérateur n’apporte aucune information a priori sur les propriétés des
classes finalement définies, à l’exception, éventuellement, du nombre de classes
désiré) ;
-
supervisée (l’opérateur associe initialement à chaque classe un ensemble de pixels
représentatifs).
C’est cette distinction qui sera utilisée dans la suite de ce chapitre.
3.2.1
3.2.1.1
Méthodes de classification non supervisées
Méthodes de regroupement
Le nombre de classes désiré Nc étant fixé a priori, ces méthodes permettent de regrouper les
pixels en Nc nuages distincts dans l’espace colorimétrique.
Les deux exemples les plus connus sont ceux de la méthode des nuées dynamiques [Diday
1982], et de sa variante ISODATA [Takahashi et al. 1995], fondés sur un processus itératif
convergent qui peut être décomposé en quatre étapes :
1. Initialisation de Nc centres de gravité à une position arbitraire dans l'espace
colorimétrique.
2. Affectation de chaque pixel de l'image à la classe dont le centre de gravité est le plus
proche du point associé au pixel dans l’espace colorimétrique.
3. Mise à jour des centres de gravité des Nc nuages obtenus.
4. Retour à l’étape 2 jusqu’à stabilisation des centres de gravité (par comparaison avec un
seuil fixé à l’avance).
3.2.1.2
Analyse de l’histogramme des couleurs
La classification par détection de modes dans l’histogramme des couleurs ne nécessite pas la
connaissance a priori du nombre de classes. Elle se heurte cependant à une difficulté :
l’étendue de l’espace colorimétrique à explorer [Clément et Vigouroux 2001].
En effet, l’histogramme d’une image couleur dont chaque composante colorimétrique est
codée sur Q bits est un tableau tri-dimensionnel comportant 8Q cellules. Si l’image est de
résolution M x N, chaque cellule du tableau doit pouvoir contenir un nombre entier positif au
59
maximum égal à MN, donc codé sur un nombre de bits E > log2(MN). L’histogramme des
couleurs occupe alors 8QE bits. Dans le cas d’une image de résolution 512 x 512 dont chaque
composante est codée sur 256 niveaux (Q = 8), cette valeur représente un minimum de 36 Mo.
Devant la difficulté à manipuler un tel volume de données, il existe trois stratégies de
classification par analyse de l’histogramme des couleurs :
-
La première consiste à manipuler séparément les trois histogrammes monodimensionnels correspondant à chacun des axes colorimétriques (méthode marginale) ;
on s’interdit alors d’exploiter la corrélation qui existe entre les trois composantes
colorimétriques de l’image.
-
La deuxième considère l’histogramme tri-dimensionnel, mais s’autorise à requantifier
chaque composante sur q bits (q < Q), ce qui revient à effectuer une classification a
priori des pixels dans l’espace colorimétrique.
-
La troisième méthode est intermédiaire entre les deux précédentes : elle manipule les
histogrammes mono-dimensionnels (respectivement bi-dimensionnels) obtenus par
projection de l’histogramme tri-dimensionnel sur un (respectivement deux) des trois
axes de l’espace colorimétrique.
Dans tous les cas, la méthode tend à sélectionner les modes principaux de l’histogramme, à
l’aide d’un seuil fixé à l’avance. La valeur de seuil ne dépend pas de la nature des images,
mais du nombre de classes souhaité (ou accepté) : plus l’effectif nécessaire pour qu’un mode
de l’histogramme soit jugé significatif sera faible, plus le nombre de classes engendré sera
élevé.
·
Analyse des histogrammes marginaux mono-dimensionnels
De nombreux auteurs déterminent les différentes classes de pixels par une analyse récursive
des histogrammes mono-dimensionnels marginaux. Les différents modes de l’histogramme
apparaissent alors au fur et à mesure des itérations.
Ohlander et al. [1978] utilisent une telle approche en travaillant sur les neuf histogrammes
mono-dimensionnels issus des trois composantes de trois espaces colorimétriques différents.
Les histogrammes sont lissés pour en éliminer les petites variations non significatives.
60
Initialement, les pixels de l’image ne forment qu’une seule classe. L’histogramme présentant
le pic le plus intense permet de créer deux classes de pixels : ceux qui appartiennent au pic et
ceux qui n’y appartiennent pas. L’itération de l’algorithme permet ainsi de classer ces autres
pixels selon la même méthode. L’algorithme s’arrête lorsque les effectifs de classe passent endessous d’un seuil fixé à l’avance.
Ohta et al. [1980] proposent une méthode similaire. Ils obtiennent de meilleurs résultats
lorsque les composantes colorimétriques de l’image sont décorrélées par une transformation
de Karhunen-Loeve. Tominaga [1986] utilise cette méthode de manière itérative. Il analyse
l’histogramme de l’axe le plus discriminant. Si l’histogramme est multimodal, il construit les
classes correspondant aux différents modes. Il effectue ensuite une nouvelle transformation de
Karhunen-Loeve pour les pixels non affectés à une classe, et recommence l’opération. Si
l’histogramme du premier axe discriminant ne présente qu’un mode, il étudie le deuxième axe
puis le troisième axe. Lorsque le troisième axe ne présente plus qu’un mode, ou lorsque qu’il
n’existe plus aucun mode significatif, l’algorithme s’arrête.
Celenk [1990] détecte indépendamment les classes de pixels sur chacun des trois
histogrammes mono-dimensionnels marginaux, puis projette les classes sur un axe déterminé
par la méthode discriminante de Fisher.
Lim et Lee [1990] opèrent en deux temps :
- classification grossière par seuillage des trois histogrammes marginaux ;
- classement des pixels restants par mise en œuvre d’une fonction d’appartenance floue
fondée sur l’écart colorimétrique entre un pixel non classé et les classes colorimétriques
préalablement constituées.
Schettini [1993] travaille dans l’espace colorimétrique Luv. Il y définit les classes en
décomposant les histogrammes mono-dimensionnels marginaux en sommes de contributions
gaussiennes d’écarts-types variables. Hemming et Rath [2001] se placent dans l’espace
colorimétrique HSI pour identifier, par seuillage des trois histogrammes mono-dimensionnels,
la présence de mauvaises herbes dans des cultures de choux.
61
·
Projections d’histogrammes
Le principal défaut de la classification par analyse d’histogrammes mono-dimensionnels
marginaux est de ne pas prendre en compte les corrélations entre composantes
colorimétriques de l’image. Même à l’issue d’une analyse en composante principales, la
décorrélation des composantes n’est pas totale, et un pic d’histogramme marginal peut
correspondre à la superposition de plusieurs classes. L’idéal serait de travailler directement
sur les histogrammes tri-dimensionnels, mais nous avons vu que la taille des données à
manipuler était prohibitive, à moins de requantifier les couleurs sur un nombre de bits
inférieur à celui d’origine.
Une alternative consiste à analyser les histogrammes bi-dimensionnels obtenus par projection
de l’histogramme tri-dimensionnel selon deux des trois axes colorimétriques utilisés.
Sevestre [1993] utilise l’histogramme bi-dimensionnel RV d’une image RVB pour regrouper
les pixels d’images de végétaux en deux classes. Une variante de cette méthode, sous une
forme supervisée, a été retenue pour classer les pixels de nos images de forsythias, elle sera
détaillée dans le paragraphe 3.3.5.
Une autre approche [Clément et Vigouroux 2002] consiste à
- ramener par interpolation linéaire la population maximale de l’histogramme bidimensionnel à la valeur 255 ;
- considérer alors l’histogramme normalisé comme une image en niveaux de gris ;
- opérer une analyse hiérarchique de cette image d’histogramme par un algorithme
d’immersion [Vincent et Soille 1991] pour définir les classes ;
- affecter les pixels hors classe à la classe la plus proche, à l’aide d’une métrique
appropriée (les auteurs utilisent soit la métrique euclidienne, soit celle de Mahalanobis),
en respectant les contraintes hiérarchiques.
Il est à noter que cette procédure peut être appliquée aussi à la classification des images
monochromes.
Soille [2000] procède de manière voisine, en analysant l’histogramme bi-dimensionnel par un
algorithme de partage des eaux [Meyer 1992] ; les classes sont alors délimitées par les lignes
62
de crête des bassins versants. Les pixels dont la couleur appartient aux lignes de crêtes sont
affectés à la classe la plus présente dans le voisinage immédiat du pixel en cours de
classement. Ceci confère à la méthode de Soille un caractère contextuel que ne présente pas la
méthode de Clément.
Kurugollu [2001] procède à partir des trois histogrammes bi-dimensionnels RV, VB et BR
d’une image RVB. Pour identifier les classes, il ajuste par filtrage gaussien le nombre de pics
significatifs dans les histogrammes, affecte les pixels hors pics à la classe la plus proche, puis
fusionne les trois cartes de classification.
Cheng et Yang [2001] projettent chaque point de l’histogramme des couleurs sur un axe
colorimétrique passant par le centre de gravité G de l’histogramme et par le point le plus
éloigné de G. En quantifiant les projections sur Nc niveaux, ils définissent Nc classes
colorimétriques. La méthode permet de respecter au mieux les distances entre couleurs après
requantification.
·
Analyses d’histogrammes tri-dimensionnels
Comme indiqué précédemment, les méthodes mettant en œuvre l’histogramme tridimensionnel de l’image nécessitent une requantification des couleurs, qui revient à opérer
une forme de classification a priori.
Park et al. [1998] génèrent deux histogrammes H1 et H2 par convolution de l’histogramme
original à l’aide de deux filtres gaussiens d’écarts types s1 et s2 (avec s1< s2). Une fermeture
morphologique appliquée à la différence H1-H2 permet de déterminer les noyaux des classes.
Elle est suivie d’une série de dilatations morphologiques jusqu’à retrouver la forme des
nuages correspondant aux classes. Les pixels dont les couleurs appartiennent aux nuages
reconstruits sont classés dans les groupes correspondants. Les autres sont affectés à la classe
la plus proche au sens colorimétrique.
Xuan et Fisher [2000] requantifient chaque composante colorimétrique sur 5 bits. Ils
obtiennent les classes en interprétant l’histogramme comme un mélange de distributions
gaussiennes tri-dimensionnelles.
63
Les méthodes fondées sur l’analyse d’histogrammes sont des méthodes globales qui
permettent de déterminer les classes en fonction des densités de probabilité de présence de
chaque triplet colorimétrique dans l’image. Elles ont l’avantage d’être non supervisées, mais
montrent cependant leurs limites lorsque l’histogramme ne présente pas de modes francs, ou
lorsque des classes d’intérêt présentent un effectif trop faible pour être représentées sans
explosion du nombre total de classes.
3.2.1.3
Méthodes neuromimétiques
Parmi les méthodes de classification à caractère partiellement contextuel, celles fondées sur
l’utilisation de réseaux de neurones sont intéressantes, particulièrement dans le cas où le
nombre de classes désiré est connu et peu élevé. Plusieurs types de réseaux de neurones
peuvent être mis en œuvre. Ceux de Hopfield et de Kohonen ne sont pas supervisés.
·
Réseau de Hopfield
Les réseaux de Hopfield sont composés de cellules complètement interconnectées ; ils ne
possèdent donc ni entrée, ni sortie. Ils évoluent à partir d’un état initial, selon un principe de
minimisation d’énergie. Sur ce modèle, Campadelli et al. [1997] proposent de classer les
pixels d’une image couleur à l’aide d’un réseau de Hopfield constitué de Nc couches (autant
que de classes à construire), chaque couche comportant MN cellules (autant que de pixels
dans l’image). Le nombre de classes est déduit de l’histogramme de l’image. L’algorithme
existe sous deux versions : une version traite chaque plan colorimétrique de façon marginale,
l’autre traite le problème directement dans l’espace colorimétrique tri-dimensionnel. La
fonction de minimisation d’énergie qui assure l’évolution du réseau prend en compte le
voisinage de chaque pixel en favorisant l’assignation d’un pixel à une classe si ses huit plus
proches voisins appartiennent à cette classe.
Sammouda et al. [1997] utilisent le même type de réseau neuromimétique pour classer les
pixels d’images cérébrales obtenues par résonance magnétique nucléaire (IRM). Il s’agit
d’une analyse en fausses couleurs, chacune des trois composantes « colorimétriques »
traduisant en réalité la mesure du temps de relaxation spin-réseau, celle du temps de
relaxation spin-spin, et celle de la densité de protons.
64
·
Réseau de Kohonen
Les réseaux de Kohonen sont bien adaptés à la classification , puisqu’ils sont conçus pour
représenter sur un petit nombre de dimensions la structure présente (mais plus ou moins
cachée) dans des données de haute dimensionnalité [Jodouin 1994].
Dans le cas des images couleur dont chaque composante est codée sur Q bits, ils réduisent
l’espace de représentation de la dimension 8Q à la dimension Nc (nombre de classes). Le
réseau est composé (i) d’une couche d’entrée comportant 3 neurones (indices i = 1, 2, 3) :
autant que de composantes colorimétriques dans l’image ; et (ii) d’une couche de sortie,
appelée couche compétitive ou carte topologique, qui en compte Nc (indices j = 1, …, Nc).
Chaque neurone de sortie est caractérisé par 3 poids w ji , dont l’initialisation est aléatoire.
La phase d’apprentissage s’effectue en plusieurs époques. A chaque époque, on présente
successivement au réseau les triplets (y1, y2, y3) de chacun des MN pixels de l’image (ou d’un
certain nombre d’entre eux). La mise à jour Dwji des poids s’effectue selon la règle
(
)
ìï a y - w
i
ji
Dw ji = í
ïî 0 sinon
si c- j £ d
(3.5)
où a est le paramètre d’apprentissage, d le paramètre de voisinage, c l’indice du neurone de
sortie vainqueur. D’une époque à l’autre, on diminue graduellement les paramètres a et d
jusqu’à la valeur 0. En fin de procédure, les 3 poids actualisés wji du neurone j de sortie
fournissent les 3 composantes colorimétriques du vecteur cj = (wj1, wj2, wj3)T représentatif de
la classe j.
La phase de décision consiste à attribuer le pixel caractérisé par le vecteur y = (y1,y2,y3)T à la
classe j qui minimise la distance euclidienne entre les vecteurs y et cj .
Il reste à préciser la façon dont est construite la carte topologique de sortie, c’est-à-dire la
façon dont est fixé le nombre de classes. Le choix d’un nombre élevé de classes peut conduire
à des temps de calcul prohibitivement longs [Ong et al. 2002]. Papamarkos et al. [2000]
proposent de déterminer le nombre optimal de classes en modélisant l’histogramme
H(y1,y2,y3) des couleurs par une combinaison linéaire H’(y1,y2,y3) de L gaussiennes tridimensionnelles Hk(y1,y2,y3) :
65
L
H' (y1, y 2 , y3 )= å ak H k (y1 , y2 , y3 )
(3.6)
k =1
Le nombre optimal de classes est donné par la valeur de L qui minimise l’erreur
Q-1
Q-1
Q-1
å å å [H (y , y , y )- H' (y , y , y )]
2
1
2
3
1
2
3
(3.7)
y1 = 0 y2 = 0 y2 = 0
L’espace colorimétrique (y1,y2,y3) n’est pas imposé, mais les performances du réseau de
Kohonen sont améliorées si l’image d’origine est décorrélée au préalable par une
transformation de Karhunen-Loeve.
3.2.2
Méthodes de classification supervisées
Les méthodes sont dites supervisées lorsque leur phase d’apprentissage nécessite de présenter
au système de classification un ensemble de pixels dont la classe et les composantes
colorimétriques sont connues.
3.2.2.1
Analyse discriminante : utilisation de la règle de Bayes
Chaque pixel, représenté par un vecteur y à P composantes, est considéré comme une variable
aléatoire. La classe Cj est en proportion pj dans la population totale (j = 1, …, Nc), et la
probabilité de distribution du vecteur y dans la classe Cj est donnée par une densité fj(y). La
probabilité pour que le pixel de vecteur y appartienne à la classe Cj est donnée par la formule
de Bayes
( )
h Cj y =
p j f j (y )
Nc
å p f (y)
j
(3.8)
j
j=1
La règle bayesienne consiste à affecter le pixel de vecteur y à la classe fournissant une valeur
de h(Cj|y) maximale. Le dénominateur étant le même pour toutes les classes, il faut donc
chercher le maximum de pjfj(y). Il est pour cela nécessaire de connaître ou d’estimer la densité
de probabilité fj(y).
66
Dans l’hypothèse multi-normale, où les vecteurs y de chaque classe suivent une loi
gaussienne, la règle de décision de Bayes revient à affecter le pixel de vecteur y à la classe qui
minimise la quantité
(y - c ) S (y - c )- 2 ln(p )+ ln(det S )
T
j
-1
j
j
j
j
(3.9)
Un ensemble d’apprentissage, représentatif des classes désirées, permet de calculer les
proportions pj ainsi que les vecteurs moyens cj et les matrices de covariance Sj de chaque
classe.
Cette méthode est utilisée par Pérez et al. [2000] pour trier en deux classes les pixels
d’images de champs de céréales.
Tian et Slaughter [1998] l’utilisent aussi pour classer les pixels d’images de végétaux en deux
groupes (plants de tomates et sol), sous conditions naturelles de prises de vue. Pour limiter
l’effet des variations de luminosité, les auteurs, au lieu des composantes colorimétriques R, V,
B, utilisent les coordonnées chromatiques [Wyszecki et Stiles 1982] définies par
r=
R
V
B
; v=
; b=
R+V + B
R+V + B
R+V + B
(3.10)
La phase d’apprentissage est fortement supervisée : au départ, quatre classes sont constituées
par un algorithme de regroupement autour de quatre germes de coordonnées chromatiques (0,
1, 0), (1, 0, 0), (0, 0, 1) et (1/3, 1/3, 1/3). Le premier germe est donc de couleur verte, le
second est rouge, le troisième bleu et le dernier gris. Ce choix est dicté par une expertise
préalablement acquise sur les images à traiter. En fin de regroupement, le centre de gravité de
chaque classe est mis à jour, et l’opération est itérée jusqu’à stabilisation. La phase de
décision est de type bayesien. En fin de procédure, les quatre classes sont fusionnées en deux
classes par un opérateur possédant une expertise suffisante.
67
3.2.2.2
Perceptron multi-couches
Le perceptron multi-couches est le plus connu des réseaux de neurones. Il est utilisé pour
affecter à Nc classes des données vectorielles de dimension E. Le perceptron est constitué
d’une couche d’entrée comportant E neurones et d’une couche de sortie en comprenant
log2(Nc), séparées par une ou plusieurs couches cachées [Jodouin 1994]. Le nombre Ns de
neurones de la couche de sortie est fixé par le nombre de classes recherché (par exemple Ns =
1 lorsqu’il s’agit de différencier deux classes). Pour une application donnée, il faut définir la
structure idéale du perceptron (celle qui donne la meilleure classification) par un ajustement
du nombre de couches cachées, et du nombre de neurones sur chacune de ces couches. Ce
contrôle optimal de la complexité du perceptron n’est pas une tâche aisée [Gallinari et Cibas
1999]. Même si l’erreur de classification diminue lorsque le nombre de couches cachées
augmente [Fujita 1998], l’expérience montre qu’une couche cachée suffit pour obtenir une
classification correcte dans la majorité des cas [Hérault et Jutten 1994].
Chaque neurone d’une couche est connecté à tous les neurones de la couche suivante. Les
connections sont affectées de poids synaptiques, dont la valeur est ajustée au cours de la phase
d’apprentissage, en mettant en œuvre l’algorithme de rétropropagation du gradient
[Rumelhart et al. 1986][Vogl et al. 1988], qui existe en différentes versions dont certaines
sont optimisées en temps [Kamarthi et Pittner 1999].
L’intérêt du perceptron réside dans sa capacité à classer des données n’appartenant pas à
l’ensemble d’apprentissage : cette propriété est appelée capacité de généralisation du réseau.
Lorsque le nombre de classes désiré croît, l’optimisation de l’apprentissage s’effectue au
détriment de la capacité de généralisation du réseau. Pour pallier cet inconvénient, Lezoray
[2000] propose de remplacer le perceptron à Ns neurones de sortie par h perceptrons à un
neurone de sortie, avec
h=
N c (N c -1)
2
(3.11)
Chaque perceptron est ainsi chargé de séparer, indépendamment des autres, deux des Nc
classes désirées. L’apprentissage du réseau en est facilitée, sans détérioration de la capacité de
généralisation.
68
Malki [1992] est un des premiers à avoir utilisé un perceptron pour classer les pixels d’images
en niveaux de gris. Le choix du vecteur d’entrée permet si nécessaire de donner à la
classification un caractère contextuel. Par exemple, Malki utilise comme vecteur d’entrée les
niveaux de gris des (2K+1)2 pixels d’une fenêtre de taille (2K+1) x (2K+1) centrée sur le pixel
à classer. De même, Funakubo [1994] arrive à distinguer des cellules de tissus biologiques en
utilisant un vecteur d’entrée de dimension E = 243, regroupant les 3 composantes
colorimétriques du pixel à classer et celles des pixels appartenant à un voisinage de taille
9 x 9.
Serpico et al. [1996] utilisent de même un perceptron à 15 neurones d’entrée et 5 neurones de
sortie pour classer les pixels d’images satellitaires multi-spectrales (P = 15) selon 5 types de
nature de cultures (labour, chaume, betteraves sucrières, pommes de terre, carottes).
Une étude approfondie du perceptron multicouches utilisé dans le cadre de ce travail sera
présentée au paragraphe 3.3.3.
Les méthodes avec apprentissage supervisé sont très performantes lorsque l’information
apportée par l’opérateur est représentative des différentes classes. Leur difficulté de mise en
oeuvre réside essentiellement dans le choix de l’ensemble d’apprentissage.
La plupart du temps, les difficultés de classification des pixels d’images de végétaux résultent
du fait que les conditions d’éclairement ne sont pas maîtrisées. Le choix d’un espace de
représentation adéquat permet d’améliorer la classification, mais il n’existe pas de méthodes
robustes valables pour tous les types d’environnement.
3.3 Algorithmes utilisés pour classer les pixels d’images de forsythias
Il nous était matériellement impossible de tester toutes les méthodes de classification
possibles, dans le but de choisir celle convenant le mieux à notre application. Nous avons
décidé d’en essayer trois : deux supervisées, et une non supervisée.
Dans la famille des méthodes supervisées, nous avons retenu le perceptron. En effet, étant
donné que le nombre de classes désiré est égal à 2, la technique du perceptron à un neurone de
69
sortie promet de donner des résultats intéressants, aussi bien en termes d’apprentissage qu’en
termes de généralisation (voir paragraphe 3.2.2.2). En fonction du vecteur d’entrée utilisé, la
méthode peut présenter, si on le souhaite, un caractère contextuel. Elle ne nécessite pas de
préciser la loi de distribution des vecteurs y associés à chaque pixel de l’image.
La deuxième méthode supervisée que nous avons testée est celle du seuillage de
l’histogramme bi-dimensionnel RV. Il s’avère en effet que les images à traiter présentent des
histogrammes dont les projections selon les axes R et V de l’espace RVB sont globalement bimodaux, ce qui laisse espérer la possibilité d’identifier deux classes de pixels sans trop de
difficultés. La méthode est supervisée dans la mesure où le seuil est défini par apprentissage.
Dans la catégorie des méthodes non supervisées, nous avons retenu l’analyse hiérarchique
des histogrammes bi-dimensionnels par la méthode de Clément (voir paragraphe 3.2.1.2), car
elle a montré son efficacité dans de nombreux domaines de classification d’images du
domaine végétal [Clément 2002] .
Enfin, nous avons également procédé à une classification experte, qui nous a servi de
référence pour établir l’efficacité de la classification automatique (cette efficacité sera définie
dans le paragraphe 3.3.2). La classification experte est une classification « manuelle »,
utilisant le logiciel Adobe Photoshop®, réalisée
- sur le lot d’apprentissage mis en œuvre dans les méthodes supervisées ;
- sur le lot de généralisation utilisé en commun par les méthodes supervisées et non
supervisées.
Il aurait été utile que deux ou plusieurs experts réalisent cette classification manuelle, sur les
mêmes lots, pour évaluer la dispersion des résultats obtenus par des experts différents. Cela
n’a pas été matériellement possible. Cependant, il a été constaté dans notre équipe, dans le
cadre d’un travail portant sur des images de coupes histologiques de baies de raisin [Clément
2002], que la variabilité entre classifications expertes pouvait concerner environ 3% du
nombre de pixels de l’image. Cet ordre de grandeur devra être gardé en mémoire lors de la
validation des méthodes de classification automatique.
Toutes ces méthodes ont été mises en œuvre sur des images utilisant le codage RVB.
70
3.3.1
Lot d’apprentissage et lot de généralisation
Le lot de généralisation destiné à évaluer l’efficacité des méthodes de classification
correspond aux 24 images du lot 1, tel qu’il est présenté au paragraphe 2.2, et dont un
exemple est donné sur la figure 3.4.
Figure 3.4 : Exemple d’image du lot de généralisation (forsythia).
Figure 3.5 : Les imagettes du lot d’apprentissage (forsythia).
71
Le lot d’apprentissage que nous avons utilisé dans la phase de définition des classes, pour les
méthodes supervisées, est constitué de 16 imagettes extraites du lot de généralisation. Ces
imagettes, de résolution 180 x 180, ont été sélectionnées de façon à être représentatives de la
variabilité du lot de généralisation (éclairement, contraste). Elles sont présentées sur la figure
3.5.
3.3.2
Evaluation de la qualité de la classification
La qualité de la classification est jugée par comparaison avec la classification experte de
référence. Elle est quantifiée à l’aide de trois paramètres : la spécificité et la sensibilité, telles
que définies par Littman et Ritter [1997], et l’erreur globale.
Soient Ne l’ensemble des pixels appartenant au couvert végétal après classification experte, et
Na l’ensemble des pixels appartenant au couvert végétal après classification automatique. La
spécificité Sp et la sensibilité Sn sont définies par :
S p = 100
cardinal ( N e Ç N a )
cardinal ( N a )
;
S n = 100
cardinal ( N e Ç N a )
cardinal ( N e )
(3.12)
La spécificité exprime le pourcentage de pixels confirmés par l’expert parmi ceux trouvés
automatiquement, alors que la sensibilité exprime le pourcentage de pixels trouvés
automatiquement parmi ceux attribués par l’expert.
L’erreur globale, définie par :
erreur globale = 100
cardinal(N e È N a )- cardinal(N e Ç N a )
MN
(3.13)
exprime le pourcentage de pixels mal classés par rapport à l’expert.
72
3.3.3
3.3.3.1
Classification par perceptron à une couche cachée
Architecture du perceptron
Les données à classer sont des vecteurs e de dimension E, et de composantes ej où j est un
entier de l’ensemble {1, …, E}. Lorsqu’il s’agit de séparer deux classes de données, le
perceptron est constitué d’une couche d’entrée comportant E neurones ej et d’une couche de
sortie en comprenant un (noté ns), séparées par une ou plusieurs couches cachées. Dans la
majorité des cas, une couche cachée suffit pour obtenir une classification correcte [Hérault et
Jutten 1994].
C’est donc cette configuration à une couche cachée que nous adopterons (figure 3.6). Soit K
le nombre de neurones de la couche cachée ; le k-ième neurone de la couche cachée est
désigné par nk où k est un entier de l’ensemble {1, …, K}. Chaque neurone de la couche
d’entrée est connecté aux K neurones de la couche cachée, et chaque neurone de la couche
cachée est connecté au neurone de sortie. Les connections sont affectées de poids synaptiques
notés wj,k pour la connexion du neurone d’entrée ej avec le neurone nk, et wk,s pour la
connexion entre le neurone nk et le neurone de sortie ns.
e1
w1,1
n1
w1,s
…
ej
…
wj,k
wk,s
ns
s
…
…
eE
nk
wE,N
nN
wN,s
Figure 3.6 : Perceptron à une couche cachée et un neurone de sortie.
73
Le signal de sortie sk du neurone nk s’écrit
E
sk = f (xk ) avec xk = å w j, k e j + q k
(3.14)
j=1
Le signal de sortie s du neurone ns s’écrit
K
s = f (xs ) avec xs = å wk , ssk + q s
(3.15)
k =1
où les constantes qk et qs sont les polarisations des neurones nk et ns. Elles peuvent être
considérées comme les poids synaptiques d’une entrée unité, ce qui permettra leur mise à jour
lors de l’apprentissage.
La fonction f(u) est la fonction d’activation des neurones, qui doit être dérivable pour pouvoir
mettre en oeuvre un apprentissage par rétro-propagation du gradient (voir paragraphe 3.3.3.2).
La fonction la plus couramment utilisée est la fonction sigmoïde
f (u) =
1
1+ exp(-u )
(3.16)
représentée sur la figure 3.7.
Figure 3.7 : La fonction sigmoïde f(u) et sa dérivée première.
74
Elle est continue et bornée. Elle possède des asymptotes horizontales en +¥ et -¥, évitant
ainsi que ne se propagent de trop grandes valeurs dans le réseau. Le comportement de la
fonction dans l’intervalle [-1 1] est quasiment linéaire.
3.3.3.2
Apprentissage du réseau : algorithme de rétropropagation du gradient
Les poids synaptiques du réseau de neurone sont ajustés au cours d’une phase
d’apprentissage, à l’aide d’un lot de A vecteurs d’entrée, jugés représentatifs de l’application
(apprentissage supervisé).
L’ensemble des vecteurs d’apprentissage, rangés sous la forme [e1 … ei … eA] constitue une
matrice M de E lignes et A colonnes, appelée matrice d’apprentissage du perceptron. Une
époque est la présentation, au réseau de neurones, de la matrice M. Une époque est repérée
par l’entier t appartenant à l’ensemble {1, …, Z}. A l’époque t, le neurone nk de la couche
cachée fournit A sorties sik(t), où i est un entier de l’ensemble {1, …, A}. De même, le
perceptron fournit A sorties si(t). Un expert chargé d’opérer la classification fournit A
réponses hi, où les hi appartiennent à l’ensemble {0, 1} : 0 pour une des deux classes désirées,
1 pour l’autre.
Au cours de l’apprentissage, les poids évoluent jusqu’à ce que le réseau soit capable, étant
donné un vecteur d’entrée, de retrouver le bon signal en sortie. L’ajustement des poids
synaptiques s’opère par minimisation du carré de l’erreur :
D i (t )= s i (t )- hi
(3.17)
considérée comme une fonction des poids synaptiques des connections, par un algorithme de
rétro-propagation du gradient [Rumelhart et al. 1986]. L’algorithme supporte un certain
nombre de variantes. Dans celle que nous avons utilisée, les poids synaptiques sont initialisés
de façon aléatoire, antérieurement à la première époque. A l’époque t, pour chaque vecteur ei
de l’ensemble d’apprentissage, les écarts de poids dwik,s(t)et dwij,k(t) sont calculés selon les
formules :
dw
i
k,s
¶s i (t )
(t )= h D (t )¶x
i
i
s
(t )
s (t )
i
k
;
¶ski (t ) i
dw (t )= h D i (t ) i wk , s (t ) i e j (t )
¶x s (t )
¶xk (t )
i
j, k
¶s i (t )
(3.18)
où h est le rythme d’apprentissage. A la fin de l’époque t, l’actualisation des poids
75
synaptiques s’effectue à l’aide des formules :
A
wk , s (t + 1)= wk , s (t )+ ådwki , s (t )
A
;
w j, k (t + 1)= w j, k (t )+ ådw ij, k (t )
i=1
(3.19)
i=1
La polarisation est mise à jour suivant le même principe. La procédure est itérée jusqu’à ce
que l’erreur de classification devienne inférieure à une consigne fixée à l’avance, ou jusqu’à
un nombre maximal Z d’époques autorisé. En fin d’apprentissage, les poids synaptiques et les
polarisations sont définitivement fixés. De même, le seuil d’appartenance à la classe 0 ou 1
est fixé à 0,5.
3.3.3.3
Déroulement de l’apprentissage
L’apprentissage est effectué sur le lot de 16 imagettes présenté sur la figure 3.5 (voir
paragraphe 3.3.1). Tout d’abord, 10 pixels sélectionnés sur la première imagette I1 permettent
de définir la première matrice d’apprentissage M1. A l’issue de ce premier apprentissage, les
poids synaptiques et les polarisations du réseau de neurone sont fixés, et l’imagette I1 est
présentée au réseau qui classe les pixels. Le résultat est comparé avec la classification de
référence, pour en tirer une image d’erreur de classification. Dix pixels mal classés sont
sélectionnés et ajoutés aux pixels du premier apprentissage, pour effectuer un second
apprentissage. Le processus est itéré jusqu’à ce que l’erreur globale de classification se
stabilise. Soit A1 l’ensemble des pixels utilisés pour la dernière itération effectuée sur
l’imagette I1. On opère de même à partir des 15 autres imagettes du lot d’apprentissage, puis
on effectue un dernier apprentissage à l’aide des pixels de l’ensemble A défini par :
16
A =  Ai
 i=1
3.3.3.4
(3.20)
Fonctionnement du perceptron en mode non contextuel ou contextuel
Le vecteur d’entrée du réseau peut être constitué simplement des trois coordonnées
colorimétriques du pixel en cours de classement. La classification est alors non contextuelle,
et la couche d’entrée du perceptron contient E = 3 neurones. La classification peut acquérir un
caractère contextuel à condition de présenter à l’entrée du réseau un vecteur prenant aussi en
76
compte les coordonnées colorimétriques des pixels voisins.
Pour comparer les performances du perceptron selon qu’il fonctionne en mode non contextuel
ou contextuel, nous avons pris en compte le voisinage 7x7 du pixel en cours de classement.
Le vecteur d’entrée présente alors 9 composantes : les 3 composantes colorimétriques y1, y2,
y3 du pixel en cours de classement, les 3 moyennes de y1, y2, y3 dans le voisinage 7x7, et les
trois écarts types dans ce même voisinage.
3.3.3.5
Choix du nombre K de neurones de la couche cachée, et du nombre Z d’époques
Le choix du nombre K de neurones de la couche cachée a des répercussions sur le
fonctionnement du réseau de neurones : une valeur de K trop faible conduit à des erreurs de
classification inacceptables, une valeur trop forte alourdit le processus d’apprentissage. De
même, le nombre Z d’époques de la phase d’apprentissage doit être optimisé. Les résultats
obtenus pour différentes valeurs de K et Z sont présentés dans le tableau 3.1. La spécificité, la
sensibilité et l’erreur globale indiquées dans le tableau représentent la moyenne observée sur
les seize imagettes de l’ensemble d’apprentissage. La totalité des résultats, imagette par
imagette, est donnée dans l’annexe 4. Dans tous les cas, le rythme d’apprentissage du réseau a
été fixé à la valeur h = 0,9. Les vecteurs d’entrée du réseau sont de dimension 9 (3
composantes colorimétriques et les composantes du voisinage dans l’espace RVB, comme
indiqué au paragraphe 3.3.3.4) .
Tableau 3.1 : Influence de K et Z sur la qualité de la classification.
K
Z
Spécificité (%)
Sensibilité (%)
Erreur globale (%)
5
10
99,12
96,82
1,56
10
10
98,71
98,11
1,56
10
50
98,47
98,46
1,55
10
100
98,36
98,57
1,59
20
50
98,85
97,55
1,79
Pour un nombre d’époques identique (Z = 10) les réseaux à 5 et à 10 neurones présentent la
même erreur globale (1,56%). Cependant, le réseau à 5 neurones présente une plus grande
disparité, entre spécificité et sensibilité, que le réseau à 10 neurones. Le réseau à 5 neurones
ne sera donc pas retenu pour la suite de l’étude. De même, pour un nombre d’époques
identique (Z = 50), le réseau à 20 neurones présente une erreur globale (1,79%) supérieure à
77
l’erreur globale (1,55%) du réseau à 10 neurones. Seuls les réseaux à 10 neurones seront donc
retenus pour la suite de l’étude.
A nombre de neurones identique (K = 10), les apprentissages à 10, 50 et 100 époques
présentent des résultats sensiblement voisins. C’est cependant l’apprentissage à 50 époques
qui présente la plus faible erreur globale (1,55%) et la plus grande similitude entre spécificité
et sensibilité (98,47% et 98,46%). L’apprentissage sera donc effectué dorénavant sur 50
époques.
3.3.3.6
Choix de l’espace colorimétrique et du mode de fonctionnement non contextuel ou
contextuel
L’influence de l’espace colorimétrique (RVB ou HSI) et de la dimension des vecteurs d’entrée
(E = 3 ou 9) sur les résultats de la classification apparaît dans le tableau 3.2.
Tableau 3.2 : Influence de E et de l’espace colorimétrique sur la qualité de la classification.
Espace
E
Spécificité (%)
Sensitivité (%)
Erreur globale (%)
RVB
3
95,20
95,45
5,20
9
98,47
98,46
1,55
3
98,49
95,58
2,98
9
98,25
98,54
1,61
HSI
La prise en compte du voisinage de chaque pixel (E = 9) fournit une plus faible erreur globale
dans chacun des deux espaces colorimétriques testés. C’est donc ce mode de fonctionnement
(contextuel) que nous retiendrons par la suite.
Les imagettes, initialement codées dans l’espace colorimétrique RVB, ont été transformées en
imagettes HSI, selon la procédure indiquée au paragraphe 3.1.3.2 : l’objectif était de montrer
que l’utilisation d’un espace psychovisuel permettrait au perceptron de fournir des résultats
plus conformes à ceux issus de l’observation experte. En fait il n'en est rien : l’erreur globale
de 1,55%, obtenue en utilisant l’espace colorimétrique RVB, inférieure à celle obtenue en
utilisant l’espace HSI (1,83%).
Finalement, la classification sera effectuée sur un perceptron dont la couche cachée contient
10 neurones, l’apprentissage étant effectué sur 50 époques. Le vecteur d’entrée du réseau
présentera 9 composantes (fonctionnement en mode contextuel) : les 3 composantes
78
colorimétriques des pixels de l’image, dans l’espace RVB, leurs 3 moyennes et leurs 3 écartstypes dans un voisinage de taille 7x7 autour du pixel à classer.
L’optimisation du réseau de neurones n’est pas une tâche facile, car elle dépend de plusieurs
paramètres : le nombre de couches cachées, le nombre de neurones des couches cachées, le
nombre d’époques, la dimension du vecteur d’entrée nécessaire pour prendre en compte le
voisinage du pixel en cours de classement . Les résultats sont obtenus par essais successifs. Le
choix final fournit de très bons résultats par comparaison avec la classification experte. Il est
cependant impossible d’affirmer que le paramétrage retenu est optimal.
3.3.4
3.3.4.1
Classification par seuillage de l’histogramme RV
Pré-traitement de l’histogramme
L’histogramme bi-dimensionnel obtenu par projection, selon les axes R et V, de
l’histogramme des couleurs présente généralement [Sevestre 1993], dans le cas des images de
végétaux sur fond de terre de culture, deux modes suffisamment distincts pour autoriser un tri
des pixels en deux classes (végétal et sol). C’est le cas des histogrammes calculés sur nos
images de forsythias [Mougin 1999], dont la projection selon les axes R et V est représentée
sur la figure 3.8, sous forme d’une image scalaire dont les niveaux de gris représentent les
populations de pixels (ramenées à des valeurs comprises entre 0 et 255).
Luminance 2
255
0
Luminance 1
255
Figure 3.8: Exemple d’histogramme RV pour nos images de forsythias
(R = Luminance 1, V = Luminance 2).
Cette figure met en évidence que les deux modes de l’histogramme présentent une forme
allongée parallèlement à la diagonale principale D, passant par les points de coordonnées (0,
79
0) et (255, 255) dans le sous-espace colorimétrique RV. Pour faciliter le repérage des modes,
un filtrage linéaire préalable de l’histogramme est effectué à l’aide du noyau de convolution
proposé par Sevestre [1993], respectant la géométrie de l’histogramme :
æ0
ç
ç0
1
ç1
1477 ç
ç2
ç
è3
0
1
2
3
2
1
2
3
2
1
2
3
2
1
0
3ö
÷
2÷
1÷
÷
0÷
÷
0ø
Le facteur 1477 est un facteur de normalisation qui permet de conserver après filtrage la
population totale de l’histogramme.
La séparation des deux modes de l’histogramme est réalisée à partir d’une courbe de seuillage
construite pas à pas à partir d’un point d’amorce noté I.
3.3.4.2
Sélection du point d’amorce I
Le point d’amorce I est porté par la droite D perpendiculaire à D (figure 3.9 ) et passant par
les points M et N de coordonnées respectives (i,0) et (0,i), où i est un entier de l’ensemble
{0,…,511}. Le profil de l’histogramme dans la direction D est schématisé sur la figure 3.10.
Parmi les 511 droites D possibles, il faut choisir celle fournissant la meilleure classification.
La droite D retenue est celle qui permet de séparer le profil d’histogramme en deux modes
satisfaisant les deux critères suivants :
· (c1) chacun des deux modes regroupe des effectifs proches
· (c2) la distance d entre les modes est la plus large possible.
Dans la majorité des cas, le profil d’histogramme n’est pas naturellement bimodal : plusieurs
pics y apparaissent (figure 3.11). La séparation en deux modes s’effectue alors selon la
procédure suivante :
· repérage du point médian Pt sur le profil ;
· repérage des pics du profil ;
· si le profil présente moins de deux pics, ou si un des pics a pour abscisse P t, la distance d
est considérée comme nulle ;
· sinon, soient P1 l'abscisse du pic d'amplitude maximale, H1 l'effectif correspondant,
Ha l'effectif défini par :
80
Ha = (1-a)H1
avec 0 < a < 1
(3.27)
- parmi tous les pics d’amplitude supérieure à Ha, on retient celui d’abscisse P2 la plus
proche de Pt et telle que (P2-Pt) et (P1-Pt) soient de signes opposés ; le point d’amorce I
est fourni par l’abscisse de l’effectif minimum situé entre P1 et P2.
L’influence du coefficient a sur la séparation du profil d’histogramme en deux modes est
illustrée sur la figure 3.12 :
- une valeur élevée du coefficient a favorise l’obtention d’un point d’amorce proche de Pt,
ce qui satisfait au critère (c1), mais fournit une distance faible entre les modes, au
détriment du critère (c2) ;
une valeur faible du coefficient a favorise au contraire (c2), au détriment de (c1).
V
N
2
se
s
a
Cl
I
1
sse
Cla
0
M
R
Figure 3.9: Recherche du point d’amorce.
81
Classe 2
Classe 1
effectif
d
N
I
M
effectif
Figure 3.10 : Profil de l’histogramme dans la direction D.
d
H1
Ha
M
P1
Pt
P2
N
Figure 3.11 : Paramètres de sélection du point d’amorce.
Le choix optimal du coefficient a ne peut résulter que d’un compromis, élaboré à l’aide des
16 imagettes Ak du lot d’apprentissage (k = 1, 2, …, 16) présentées sur la figure 3.5. La
procédure peut être résumée de la façon suivante :
- pour l’imagette Ak, et pour chaque valeur du coefficient a appartenant à l’ensemble {ax
= x/10 ;
x = 1, 2, …, 9}, 511 distances dj entre modes sont calculées, chacune
correspondant à l’une des positions possibles D j de la droite D ; la position fournissant la
distance dj maximum est retenue pour définir le point d’amorce Ix (pour réduire
l’importance des modes de faible effectif, nous avons diminué dj du nombre de points où
l’effectif est nul sur la droite Dj ) ;
- pour chaque valeur de Ix, la courbe de seuillage de l’histogramme RV est tracée, selon la
82
procédure décrite au paragraphe 3.3.5.3 ; elle permet d’affecter chaque pixel de
l’imagette à la classe végétal ou à la classe fond ;
- la spécificité Sp et la sensibilité Sn de la classification sont calculées conformément aux
expressions (3.12 ) du paragraphe 3.3.2, par comparaison avec la classification experte ;
on obtient ainsi les valeurs Sp(k, x) et Sn(k, x) relatives à chacun des 9 coefficients a
possibles pour l’imagette Ak ;
- l’opération est itérée de k = 1 à k = 16 ;
- on en déduit, pour l’ensemble d’apprentissage, une spécificité moyenne Sp(x) et une
sensibilité moyenne Sn(x) définies par
S p ( x) =
1 16
å S p (k , x)
16 k =1
;
Sn ( x) =
1 16
å Sn ( k , x)
16 k =1
(3.28)
- le tracé des courbes Sp(x) et Sn(x) permet de choisir la valeur optimale de x : c’est celle
qui fournit les meilleurs résultats en termes de spécificité et de sensibilité.
Pour l’ensemble d’apprentissage utilisé, la valeur optimale de x est égale à 3 (voir annexe
effectif
5), ce qui correspond à un coefficient a = 0,3.
d (Ha faible)
H1
Ha (faible)
Classe 1
d (Ha moyen)
M
P1
Ha (moyen)
d (Ha fort)
Classe 2
Pt
Ha (fort)
N
Figure 3.12 : Influence du coefficient a sur la séparation du profil d’histogramme en deux modes.
83
3.3.4.3
Tracé de la courbe de seuillage
Le point d’amorce I possède trois voisins adjacents supérieurs (a, b, et c) et trois voisins
adjacents inférieurs (d, e, et f), portés pas des droites parallèles à la droite D (figure 3.13):
· les voisins supérieurs a et c sont portés par le droite D1 et le voisin supérieur b est porté
par le droite D2 ;
· de façon symétrique, les voisins inférieurs d et f sont portés par la droite D’1 et le voisin
inférieur e est porté par la droite D’2.
La courbe de seuillage se construit pas à pas, de part et d’autre de I, en retenant parmi les
points a, b, c d’une part, et d, e, f, d’autre part, ceux correspondant à l'effectif minimum. En
cas d’égalité d’effectif, on privilégie la direction retenue à l’itération précédente.
V
D
D1
D2
N
2
se
as
l
C
a b
f I c
e d
D'1
1
sse
Cla
D'2
0
M
R
Figure 3.13 : Tracé de la courbe de seuillage à partir du point d’amorce I.
L’affectation des pixels de l’image à l’une ou l’autre classe se fait par comparaison des
composantes (R, V) de chaque pixel aux composantes (R,V) des points de la courbe de
seuillage.
84
3.3.5
Classification par analyse hiérarchique de l’histogramme RV
La classification par analyse hiérarchique d’histogrammes bi-dimensionnels [Clément 2002]
[Clément et Vigouroux 2002] a été présentée succintement au paragraphe 3.2.1.2. Elle s’est
avérée performante pour la classification des pixels d’images de végétaux [Clément et
Vigouroux 2002] [Clément et Vigouroux 2003], et présente l’avantage d’être non supervisée.
C’est la raison pour laquelle elle est ici décrite de façon plus détaillée.
3.3.5.1
Phase d’apprentissage
La phase d’apprentissage (non supervisé) consiste en une décomposition hiérarchique de
l’histogramme bi-dimensionnel obtenu par projection de l’histogramme tri-dimensionnel sur
les axes Y1 et Y2 de l’espace colorimétrique Y1Y2Y3 utilisé (quel qu’il soit).
Soit p(y1, y2) le nombre de pixels présentant les coordonnées colorimétriques (y1, y2) dans
l’image à traiter. Pour chaque population p(y1, y2), un étiquetage en composantes connexes
des populations de l’histogramme supérieures ou égales à p(y1, y2) permet d’identifier les
modes mk de l’histogramme. Chaque mode est décomposé de manière récursive en modes
plus fins, en procédant des populations les plus faibles jusqu’aux populations les plus élevées.
Un mode ne pourra être décomposé que si deux au moins des sous-modes formés possèdent
un effectif supérieur à un seuil S.
La figure 3.14 illustre le principe de la décomposition hiérarchique. Pour la clarté du schéma,
l’histogramme présenté est à une seule dimension. Nous appellerons noyaux Mj les modes de
l’histogramme qui ne présentent pas de descendants et rassemblent une population supérieure
au seuil S : par exemple, la figure 3.14 montre 5 modes m0, m1, m2, m3, m4, et trois noyaux M2,
M3, M4.
En fin d’apprentissage, on retient un nombre de classes égal au nombre de noyaux. Ce
nombre de classes dépend du seuil S : plus le seuil est faible, plus le nombre de classes est
élevé. Il est possible de procéder à la décomposition hiérarchique de l’histogramme en
aveugle, en faisant varier le seuil S jusqu’à obtention d’un nombre de classes Nc fixé à
l’avance. La méthode se présente ainsi comme non supervisée.
85
pics d’effectif < S
3
3
4
4
(1)
<S
<S <S
(1)
1
1
2
0
(2)
2
0
Figure 3.14 : Exemple de décomposition hiérarchique d’un histogramme.
Dans notre application, Nc = 2. Pour les 24 images de forsythias du lot de généralisation
présenté au paragraphe 3.3.1, Clément et Vigouroux [2003] montrent que l’obtention de deux
classes est toujours possible à partir de l’histogramme RV, quelle que soit la valeur adoptée
pour S dans l’intervalle compris entre 13% et 31% de la population totale. L’étendue de cet
intervalle est un gage de robustesse de l’algorithme (au moins dans l’hypothèse où les
populations des deux classes ne diffèrent pas considérablement).
3.3.5.2
Phase de décision
Soient cj le centre de masse du noyau Mj générateur de la classe Cj, dans le sous-espace
colorimétrique Y1Y2, et b la couleur associée au point de coordonnées (y1, y2) dans ce même
sous-espace. Deux cas peuvent se produire :
· si (y1, y2) appartient à Mj, la couleur b est attribuée à la classe Cj ;
· sinon, soit mk le mode auquel appartient (y1, y2) ; la couleur b est attribuée à la classe Cj
générée par le noyau Mj, descendant de mk, tel que d[cj, (y1, y2)] soit minimum, où d[a,b]
désigne la distance entre a et b ; ainsi la phase de décision respecte-t-elle la nature
hiérarchique de l’histogramme.
Le type de distance utilisé dans la phase de décision n’est pas indifférent. Clément et
Vigouroux [2003] ont montré que, pour les images de forsythias qui nous intéressent, ce choix
86
avait une incidence sur la classification : l’erreur moyenne de classification obtenue avec les
24 images du lot de généralisation présenté au paragraphe 3.3.1, par comparaison avec la
classification experte, est de 3,38% lorsqu’ils utilisent la distance euclidienne, et chute à
1,34% lorsqu’ils utilisent la distance de Mahalanobis [1936]. Cette différence de
comportement est à mettre en relation avec l’orientation particulière de l’histogramme RV,
comme le montre la figure 3.15. Les classes « sol » et « végétation » y sont respectivement
colorées en bleu et en vert. Leurs noyaux apparaissent en blanc, et les centres de masse des
noyaux sont repérés avec des croix noires.
Il apparaît nettement sur la figure 3.15 que la distance euclidienne, au contraire de la distance
de Mahalanobis, conduit à une frontière entre classes qui ne respecte pas la géométrie de
l’histogramme RV. Ceci résulte du fait que la distance euclidienne est indépendante de la
distribution des couleurs au sein de chaque classe, alors que la distance de Mahalanobis prend
en compte cette distribution.
a
b
Figures 3.15 : Classification des pixels d’une image de forsythia dans le sous-espace colorimétrique
RV ( a : métrique euclidienne, b : métrique de Mahalanobis).
3.4 Résultats
Pour chacune des trois méthodes, les résultats de la classification en terme de spécificité, de
sensibilité et d’erreur globale sont regroupés dans le tableau 3.3. Il s’agit des valeurs
moyennes obtenues sur les 24 images du lot 1. Les résultats complets (image par image) sont
donnés en annexe 6.
87
88
Tableau 3.3 : Comparaison des différentes méthodes de classification.
Spécificité
Sensibilité
Erreur globale
(%)
(%)
(%)
Perceptron multicouches
99,6
98,4
0,8
Seuillage d’histogramme RV
99,7
99,8
0,1
97,3
99,7
1,1
Approche
Analyse hiérarchique d’histogramme RV
[Clément et Vigouroux 2003]
Comme indiqué en introduction du paragraphe 3.3, la variabilité de classification entre deux
experts, ou par le même expert lors de deux expertises successives, est de l’ordre de 3 % du
nombre total de pixels à classer. Les trois méthodes de classification fournissent des erreurs
globales qui n’excèdent pas cette valeur de 3 %. Elles sont donc aussi performantes que les
méthodes de classification manuelle. D’autre part, elles présentent chacune une spécificité
voisine de la sensibilité, ce qui montre qu’elles n’avantagent pas une classe au détriment de
l’autre.
Perceptron
Seuillage
Analyse hiérarchique
d’histogramme RV
d’histogramme RV
Figure 3.16 : Exemples de classification pour une même image (image 5 du lot 1), selon les trois
approches indiquées dans le tableau 3.3.
89
3.5 Conclusion
Dans ce chapitre, trois méthodes de classification des pixels d’images de forsythia ont été
testées avec succès. Deux d’entre elles (analyse hiérarchique ou seuillage de l’histogramme
RV) ont été développées antérieurement ou parallèlement à ce travail, par les équipes
collaborant à ce thème de recherche.
La part originale des résultats présentés ici concerne la mise en oeuvre du perceptron.
L’utilisation du perceptron comme classifieur ne constitue pas réellement une nouveauté.
Cependant il semble que sa pertinence pour la classification des pixels d’images d’un couvert
végétal n’aie pas été mise en évidence auparavant. Un soin particulier a été apporté à la
méthode de sélection des pixels d’apprentissage. Cette sélection est entièrement supervisée,
mais il peut être envisagé de l’automatiser. Nous avons pu mettre en évidence que la prise en
compte des composantes colorimétriques des pixels voisins du pixel à classer permettait
d’améliorer très sensiblement les résultats de la classification.
L’algorithme de classification par le perceptron a été implémenté sur un PC, en utilisant les
fonctionnalités du logiciel Matlab®. Une interface graphique permet de mener à bien les
phases d’apprentissage et de classification. Partant d’une image de forsythia en codage RVB,
la phase de classification fournit une image binaire, dans laquelle les pixels codés 0 sont ceux
de la classe « sol », et les pixels codés 1 sont ceux de la classe « végétal ». Les images ainsi
obtenues seront utilisées, au chapitre 4, pour l’analyse de forme du forsythia en situation de
déficit hydrique.
90
Caractérisation morphologique de la classe « végétal » dans les images de forsythias
4
Caractérisation
morphologique de la
classe « végétal » dans les
images de forsythias
Après avoir classé en deux groupes (« végétal » et « sol ») les pixels d’images de forsythias,
nous devons nous intéresser à la caractérisation des pixels de la classe « végétal », par une
étude de leur répartition spatiale dans l’image.
Il existe de nombreux paramètres susceptibles de donner une information sur l’organisation
dans l’image des pixels d’une classe. Le paragraphe 4.1 présente les plus fréquemment
91
utilisés pour l’analyse de formes dans le domaine végétal. Ceux retenus pour la caractérisation
morphologique de la classe « végétal » dans nos images de forsythias sont précisés au
paragraphe 4.2. Les outils statistiques nécessaires pour évaluer la pertinence des paramètres
retenus vis à vis de l’objectif poursuivi sont décrits au paragraphe 4.3. Enfin, la pertinence de
ces paramètres, concernant la caractérisation de l’état hydrique du forsythia, est discutée au
paragraphe 4.4.
La démarche ainsi présentée est celle généralement mise en œuvre dans toute analyse
morphologique des pixels d’une classe dans une image [da Fontoura Costa et Cesar 2000] :
- regroupement des pixels en classes (chapitre 3 de ce travail) ;
- calcul de paramètres caractéristiques de chacune des classes (paragraphe 4.2) ;
- estimation de la pertinence des paramètres au regard de l’application (paragraphe 4.4).
Dans notre cas, seules deux classes sont identifiées dans l’image : la classe « végétal » que
nous désignerons par Cv, et la classe « sol » que nous désignerons par Cs. Il suffira donc d’un
bit pour préciser à quelle classe appartient un pixel. Notre problème est donc celui de
l’analyse d’images binaires I dont les pixels p(x,y) sont codés par le scalaire b(x,y) tel que
ìï1 si p ( x, y ) Î Cv
b ( x, y ) = í
ïî0 si p ( x, y ) Î Cs
(4.1)
où les coordonnées (x,y) des pixels peuvent prendre les valeurs
x = 0,1, ¼, M - 1
y = 0,1, ¼, N - 1
pour une image de résolution MxN. Dans toute la suite du chapitre, l’ensemble des pixels
codés par le nombre 1 dans l’image binaire I sera noté X.
4.1 Techniques d’analyse de formes dans le domaine végétal
Bien que les pixels des images à analyser se répartissent seulement en deux classes Cv et Cs
(images binaires), leur organisation spatiale peut conduire à segmenter l’image en un nombre
de régions très supérieur à 2. En effet, une région est définie comme un ensemble connexe de
92
pixels présentant des caractéristiques communes, précisées à l’aide d’un prédicat [Zucker
1976]. Segmenter une image binaire I revient ainsi à réaliser une partition de cette image en R
régions R1, R2, …, RR telles que
(a) chaque région est composante connexe de I, en connexité d’ordre 4 ou d’ordre 8, au
choix (nous utiliserons la connexité d’ordre 8) ;
R
(b) la segmentation est complète :
R
i
=I;
(4.2)
i =1
(c) tous les pixels d’une même région sont codés par le même scalaire (0 ou 1).
Représenter une forme signifie, selon da Fontoura Costa et Cesar [2000], « identifier un
certain nombre de points caractérisant la forme, de telle manière qu’il est possible de
reconstruire la forme exactement ou à un certain degré de précision, à partir de ces points ».
Cette notion de « reconstruction exacte de la forme » a été suggérée initialement par Pavlidis
[1978] sous l’appellation de « méthode avec préservation de l’information ». La distinction
entre méthodes préservant ou non l’information est importante lorsque les paramètres de
forme sont utilisés pour coder sous forme compressée une région, avec pour objectif
- de stocker ou transmettre une image à moindre coût
- de comparer la forme à d’autres, pour reconnaissance.
Il est alors important de savoir à l’avance si la forme d’origine pourra ou non être reconstruite
à une précision suffisante.
Notre problème est de nature différente: puisqu’il s’agit simplement de déterminer quels sont
les paramètres de forme susceptibles de caractériser l’état hydrique du forsythia, peu importe
que ces paramètres permettent ou non de reconstruire les formes d’origine.
Une autre façon de regrouper les méthodes de caractérisation des formes consiste à distinguer
les approches « région » des approches « contour » [Pavlidis 1978], [Marshall 1989], [Mehtre
et al. 1997], [Loncaric et al. 1998], [da Fontoura Costa et Cesar 2000]. Pour nos images
binaires, l’approche contour est fondée sur la recherche de discontinuités locales de type 1/0
ou 0/1 ; l’approche région au contraire cherche à détecter des zones homogènes (codées soit
par des 0, soit par des 1). Il existe bien sûr une dualité entre les deux approches : une région
est séparée d’une autre par son contour, et un contour fermé définit une région.
Cette tentative de classification des paramètres de forme, pour satisfaisante qu’elle soit dans
de nombreux cas, est inopérante pour certains paramètres, qui utilisent des primitives issues à
93
la fois de l’approche région et de l’approche contour (un exemple en est fourni par le
paramètre de compacité, défini au paragraphe 4.1.1).
Quelle que soit l’approche retenue, les attributs caractéristiques d’une forme doivent
satisfaire, si possible, aux propriétés suivantes [Kunt 2000] :
(i)
indépendance vis à vis de la translation, de la rotation et du facteur d’échelle ;
(ii) forte variance interclasse;
(iii) faible variance intraclasse;
(iv) faible nombre d’attributs : les attributs doivent être choisis de manière à minimiser le
coût, la complexité et les exigences du système de reconnaissance, tout en satisfaisant
une probabilité d’erreur acceptable, fixée à l’avance.
4.1.1
Descripteurs géométriques élémentaires
Une région peut être caractérisée par son aire A et son périmètre P. Bien que ne présentant pas
la propriété d’invariance au facteur d’échelle, ces deux grandeurs servent de primitive à la
définition de la compacité C et de la rectangularité R, qui possèdent cette propriété. La
compacité est donnée par
C = 4p
A
P²
(4.3)
Elle est égale à 1 pour un disque, inférieure à 1 dans tous les autres cas.
La rectangularité R est définie par
R=
A
Arect
(4.4)
où Arect désigne l’aire du rectangle exinscrit à la région considérée, parallèlement aux axes
principaux d’inertie de cette région (les axes principaux d’inertie seront définis au paragraphe
4.1.3).
L’excentricité E d’une région est l’excentricité de l’ellipse qui présente les mêmes moments
d’ordre 2 (ces moments seront définis au paragraphe 4.1.3) que ceux de la région d’intérêt. Si
94
DF est la distance entre les foyers de l’ellipse, et L la longueur de son grand axe, l’excentricité
est donnée par :
E=
DF
L
(4.5)
La solidité S est définie par
S=
A
Aconv
(4.6)
où Aconv désigne l’aire de la plus petite forme convexe incluant la région.
Le nombre d’Euler NE est obtenu par différence entre le nombre de composantes connexes de
l’image et le nombre de trous.
Ces descripteurs ont été utilisés initialement sur des plants individualisés : Guyer et al. [1986]
montrent ainsi l’efficacité de ces paramètres de forme pour trier les végétaux selon qu’ils sont
adventices ou de culture, dans des conditions de laboratoire.
Les descripteurs élémentaires sont également repris par Hemming [2001] pour l’identification
de cultures. Une analyse descriminante permet à Cho et al. [2002] de choisir parmi ces
descripteurs les plus pertinents pour distinguer les adventices dans des cultures de radis. Ils
obtiennent ainsi un taux de bonne classification de 92 % pour les radis, et de 98% pour les
adventices.
4.1.2
Descripteurs de Fourier
Le contour d’une région peut être représenté par une fonction périodique f(z), de période
fondamentale z0 (contour fermé). Le paramètre z peut être par exemple l’abscisse curviligne le
long du contour, à partir d’un point origine choisi arbitrairement (dans ce cas la période
fondamentale z0 n’est autre que le périmètre P du contour). La fonction f peut être développée
en série de Fourier. Dans l’hypothèse où le contour est représenté par un ensemble fini de Z
paramètres (c’est le cas pour les images numériques), les coefficients (ou descripteurs) de
Fourier s’écrivent
95
F (u ) =
1
Z
Z -1
å f ( z )e
u Î {0,1, 2, , Z - 1}
- j 2p uz
z =0
(4.7)
La connaissance des descripteurs permet de reconstruire à l’identique le contour de la région :
Z -1
f ( z ) = å F ( u ) e j 2p uz
u Î {0,1, 2, , Z - 1}
u =0
(4.8)
Un nombre limité de descripteurs (les i premiers et les i derniers) conduit à une reconstruction
approchée du contour :
i -1
f ( z ) » å F ( u ) e j 2p uz +
u =0
Z -1
å F (u ) e
j 2p uz
(4.9)
u = Z -i
Outre l’abscisse curviligne, le paramètre z peut être par exemple l’angle entre la tangente au
contour et l’axe principal d’inertie de la région, ou bien la quantité
z ( p ) = x ( p ) + jy ( p )
p Î {0,1, 2, , Z - 1}
(4.10)
où x, y sont les coordonnées des Z pixels p du contour.
Dans ce cas, F(0) fournit le centre de masse de la région, et une translation n’affecte que ce
coefficient. Une rotation d’angle q multiplie tous les descripteurs de Fourier par un même
coefficient ejq. De même, un décalage du point de départ de q unités multiplie le descripteur
de Fourier F(u) par le coefficient ej2puq/Z. Par conséquent, le module des descripteurs de
Fourier est indépendant des rotations et du point de départ fixé arbitrairement sur le contour.
Par contre, une homothétie de rapport a multiplie par a tous les descripteurs de Fourier.
Certaines caractéristiques géométriques de la région, telles que sa surface ou ses moments
d’ordre 2 (voir paragraphe 4.1.3), peuvent être déduites des coefficients de Fourier du contour
[Kyriati et Maydan 1989].
Les descripteurs de Fourier sont très utilisés en reconnaissance de formes [Zahn et Roskies
1972] [Granlund 1972] [Persoon et Fu 1977], par exemple pour la reconnaissance de tissus
biologiques [Sanchez-Marin 2000]. Cette approche est également choisie par Oide et
Ninomiya [2000] pour classer différentes espèces de soja selon la géométrie de leurs feuilles.
96
4.1.3
Moments géométriques
Pour l’image numérique binaire I de résolution M x N, les moments d’ordre p+q sont définis
par [Gonzalez et Woods 1993] :
M -1
m p ,q = å
x =0
N -1
åx
p
y q b ( x, y )
(4.11)
y =0
en reprenant les notations définies pour l’expression 4.1. Le moment m0,0 n’est autre que l’aire
totale couverte par les pixels de l’ensemble X. Le centre de masse G de cet ensemble est le
pixel de coordonnées
æm ö
xG = round ç 1,0 ÷
çm ÷
è 0,0 ø
æm ö
yG = round ç 0,1 ÷
çm ÷
è 0,0 ø
;
(4.12)
où round(z) désigne l’entier le plus proche de z. Sous cette forme, les moments sont peu
utilisables en reconnaissance de formes, car ils ne sont pas invariants par translation, rotation
ou homothétie. Des moments mp,q invariants par translation sont donnés par
M -1
m p ,q = å
x =0
æ
m1,0 ö
çç x ÷
å
m0,0 ÷ø
y =0 è
N -1
p
q
æ
m0,1 ö
çç y ÷ b ( x, y )
m0,0 ÷ø
è
(4.13)
On les appelle moments centrés. Les moments centrés d’ordre 2 permettent notamment de
définir les directions des axes principaux d’inertie.
L’invariance par homothétie s’obtient par normalisation, en calculant :
h p ,q =
m p ,q
g
m0,0
avec
g = 1+
p+q
2
(4.14)
Les moments hp,q sont appelés moments centrés normalisés. Ils permettent de définir sept
moments invariants par translation, homothétie et rotation [Hu 1962] :
97
F1 = h2,0 + h0,2
2
F 2 = (h2,0 - h0,2 ) 2 + 4h1,1
F 3 = (h3,0 - 3h1,2 ) 2 + (3h2,1 - h0,3 )2
F 4 = (h3,0 + h1,2 ) 2 + (h2,1 + h0,3 ) 2
2
2
F 5 = (h3,0 - 3h1,2 ) (h3,0 + h1,2 ) é(h3,0 + h1,2 ) - 3 (h2,1 + h0,3 ) ù
ë
û
2
2
+ ( 3h2,1 - h0,3 )(h2,1 + h0,3 ) é3 (h3,0 + h1,2 ) - (h2,1 + h0,3 ) ù
ë
û
(4.15)
2
2
F 6 = (h2,0 - h0,2 ) é(h3,0 + h1,2 ) - (h2,1 + h0,3 ) ù + 4h1,1 (h3,0 + h1,2 )(h2,1 + h0,3 )
ë
û
2
2
F 7 = (3h2,1 - h0,3 ) (h3,0 + h1,2 ) é(h3,0 + h1,2 ) - 3 (h2,1 + h0,3 ) ù
ë
û
2
2
+ ( 3h1,2 - h3,0 )(h2,1 + h0,3 ) é3 (h3,0 + h1,2 ) - (h2,1 + h0,3 ) ù
ë
û
La reconnaissance de formes par les moments invariants est une alternative intéressante à
l’utilisation des descripteurs de Fourier : c’est une approche globale beaucoup moins sensible
au bruit, et qui présente l’avantage supplémentaire de l’invariance par homothétie.
Ces moments invariants ont donné lieu à de nombreux travaux, portant d’une part sur des
aspects théoriques [Reiss 1991], [Li 1992], d’autre part sur leur application à la
reconnaissance de formes [Yang et Chou 2000], [Keyes et al. 2001].
Woebbecke et al. [1995] utilisent les descripteurs décrits au paragraphe 4.1.1 pour distinguer
deux familles d’adventices au cours de leur croissance. Aux premiers jours de leur
développement, les deux familles ne peuvent être distinguées : il faut attendre le quatorzième
jour pour obtenir la meilleure discrimination (80 % de bonne classification). En adjoignant à
ces descripteurs le premier moment invariant F1, le taux de bonne classification atteint 90%.
Chtioui [1997] réalise une reconnaissance de semences en utilisant conjointement les
descripteurs élémentaires, ceux de Fourier et les moments invariants comme critères
d’identification.
4.1.4
Dimension fractale
La dimension fractale d’une image permet de caractériser sa régularité à différentes échelles
[Mandelbrot 1983] [Mandelbrot 1995]. Parmi les méthodes de détermination de la dimension
fractale d’une image, nous en avons retenu deux parmi les plus faciles à implémenter : la
méthode des boîtes et la méthode radiale.
98
4.1.4.1 Méthode de comptage de boîtes
Dans cette méthode [Sapoval 1997], l’image binaire à analyser est divisée en boîtes carrées de
côté e (figure 4.1), avec
1
e
= 1, 2, , min ( M , N )
(4.16)
pour une image de résolution M x N.
e
Figure 4.1 : Calcul de la dimension fractale par comptage de boîtes.
Une boîte est dite occupée si elle contient au moins un pixel de l’ensemble X (codé par le
nombre 1). En désignant par N(e) le nombre de boîtes occupées, on peut écrire
N (e ) =
k
ed
b
(4.17)
où db est la dimension fractale, et k une constante de proportionnalité.
Le tracé de la courbe C représentative des variations de log(N) en fonction de log(1/e) permet
de déterminer db :
- pour les plus fortes valeurs de e, le nombre de boîtes occupé est égal à 1, et la courbe C
est une droite horizontale (zone 1 sur la figure 4.2) ;
- lorsque e diminue, le nombre de boîtes occupé augmente proportionnellement à e2 ; la
courbe C est une droite de pente 2 (zone 2 sur la figure 4.2) ;
- au plus faibles valeurs de e, certaines boîtes sont vides; la courbe C est une droite de
pente db inférieure à 2 (zone 3 sur la figure 4.2).
99
Le domaine d’étude de la courbe C est limitée par les abcisses 0 et x = log éë min ( M , N ) ùû ; audelà de la valeur x, les boîtes seraient de côté inférieur à la taille d’un pixel.
log(N)
Zone 1
Zone 2
0
Zone 3
x
log(1/e)
Figure 4.2 : Variations de N en fonction de e.
4.1.4.2 Méthode radiale
Cette méthode utilise des disques D centrés sur G, centre de masse de l’ensemble X (voir
paragraphe 4.1.3), et de rayons r (figure 4.3).
Figure 4.3 : Calcul de la dimension fractale par la méthode radiale.
Soit M(r) le nombre de pixels intersection de D et X. Lorsque r augmente, M tend
progressivement vers A, aire de la partie X de l’image. La dimension fractale dr est définie par
[Rodriguez-Iturbe 1997] :
M ( r ) = kr dr
(4.18)
Elle peut être obtenue en traçant la courbe C représentative des variations de log(M) en
fonction de log(r) :
- aux faibles valeurs de r, la courbe C est une droite de pente dr ;
100
- lorsque r dépasse rmax (distance séparant G du point de contour de X le plus éloigné de
G), M reste égal à A, et la courbe C est une droite horizontale.
La mesure de la dimension fractale db, opérée sur les feuilles d’un végétal ou sur le végétal
entier, permet de reconnaître différentes espèces, ou de suivre l’évolution d’un végétal au
cours du temps [Critten 1996] [Critten 1997]. Escos [2000] a de même étudié l’interaction
entre les conditions hydriques accompagnant le développement d’une plante et la géométrie
fractale de ce végétal.
La dimension fractale dr a été utilisée pour caractériser l’état physiologique de cellules
ganglionnaires [Caserta et al. 1995]. Jelinek et Fernandez [1998] obtiennent des résultats
similaires en utilisant la dimension fractale db à la place de dr.
4.1.5
Squelettes
4.1.5.1 Squelettisation
Le squelette d’une image binaire I peut être défini dans le cadre de la morphologie
mathématique, initialement développé par Serra [1982]. Cette discipline considère une image
binaire comme une application de l’ensemble P des pixels
( P Ì N ) dans l’ensemble {0, 1}.
2
Elle utilise des éléments structurants B ( B Ì P ) constitués de deux parties B0 et B1. Lorsqu’il
est centré au-dessus du pixel p, l’élément structurant est noté Bp = {B0p, B1p}. La transformée
en tout ou rien de X par B, notée X Tor B, est l’ensemble des pixels qui satisfont la condition
X Tor B = { p : B1p Ì X ; B p0 Ë X }
(4.19)
L’aminci de l’ensemble X par l’élément structurant B est la différence symétrique entre X et sa
transformée en tout ou rien par B. L’aminci est noté X Am B :
X Am B = X È ( X Tor B ) - X Ç ( X Tor B )
(4.20)
Les huit éléments structurants Li (i = 0, …, 7) représentés sur la figure 4.4 constituent la
famille {L8}.
101
L0
L1
L7
L6
L2
L3
L5
L4
Figure 4.4 : Les éléments structurants de la famille {L8}.
Par définition, l’aminci de l’ensemble X par la famille {L8} a pour expression :
7
X Am
{L8 } =  ( X
Am Li )
(4.21)
i =0
Le squelette de X, noté Sq X, est l’ensemble obtenu en itérant l’amincissement par la famille
{L8} jusqu’à idempotence (une transformation T atteint l’idempotence lorsque T(T(X)) =
T(X)).
4.1.5.2 Mesures sur le squelette
Un squelette a l’allure présentée sur la figure 4.5. Il peut être caractérisé par le nombre de
branches, le nombre de nœuds, la taille des branches, … Chapron et al. [1999] utilisent ainsi
la longueur des branches du squelette pour identifier des cultures de maïs.
Une caractérisation plus fouillée du squelette se fonde sur les travaux relatifs à l’analyse des
bassins hydrologiques [Horton 1945], [Strahler 1952], en les adaptant à l’étude des structures
biologiques ramifiées, telles que l’arbre ou la plante [Duchesne et al. 2000]. La structure d’un
arbre peut être décrite de la façon suivante (figure 4.5) :
- une branche terminale est appelée branche d’ordre 1 ;
- la jonction de deux branches d’ordre i donne naissance à une branche d’ordre i+1 ;
- la jonction de deux branches d’ordre i et j (j > i) donne naissance à une branche d’ordre j.
102
ordre 1
ordre 2
ordre3
Figure 4.5 : Exemple de squelette.
Il ne faut pas confondre les ramifications observées sur un végétal dans l’espace tridimensionnel, avec les ramifications observées sur le squelette de son image bidimensionnelle. Mais rien n’empêche de décrire ces structures au moyen des mêmes outils.
On peut ainsi définir le nombre Ni, et la longueur moyenne <Li>, des branches d’ordre i.
Horton définit également le rapport de bifurcation RC et le rapport de longueur RL, entre deux
branches d’ordre voisin, par les expressions :
RC =
Ni
N i +1
;
RL =
< Li +1 >
< Li >
(4.22)
Il montre de façon empirique que ces rapports ne dépendent pas de i pour les réseaux
hydrographiques, à condition que le nombre de nœuds soit suffisant, ainsi que l’ordre
maximum des branches. Ceci permet d’utiliser le squelette pour définir une dimension
fractale ds, à l’aide de la relation :
ds =
ln ( RC )
ln ( RL )
(4.23)
La mesure du nombre Ni et de la longueur moyenne <Li> des branches pour le seul ordre i
suffit ainsi à caractériser le squelette dans sa globalité. Cependant, pour accéder à une
description plus fine du squelette, on peut étendre la mesure à tous les ordres présents.
Manh [2001] utilise le squelette et la forme des feuilles pour les classer suivant leur
appartenance à une espèce donnée.
La principale faiblesse de cette méthode de reconnaissance de forme, par rapport à celles
présentées dans les paragraphes précédents, est sa très grande sensibilité au bruit.
103
4.2 Application à la caractérisation morphologique de la classe « végétal »
dans les images de forsythias
La forme (figure 4.6) des plants de forsythia en confort hydrique diffère nettement de celle
des plants en déficit hydrique ; au fur et à mesure que le déficit hydrique s’accroît:
- la compacité des pixels de la classe Cv diminue ;
- l’enveloppe externe du végétal devient de plus en plus irrégulière ;
- les branches du végétal se différencient les unes des autres.
Les descripteurs utilisés dans la suite de ce travail doivent être représentatifs de ces
changements.
Figure 4.6 : Images binarisées d’un même plant de forsythia dans deux états
hydriques différents : confort hydrique (gauche), déficit hydrique (droite).
Comme le montre la figure 4.6, certains pixels de la classe Cv appartiennent manifestement au
fond de l’image, et forment des régions de petite dimension non représentatives de la plante
elle-même. Ceci ne présente aucune difficulté pour le calcul des moments géométriques
définis au paragraphe 4.13.
Par contre, les descripteurs géométriques élémentaires du paragraphe 4.1.1, ont été calculés
pour la région de l’image présentant l’aire la plus grande. Cette région est notée Rv dans la
suite de ce travail. Parmi ces descripteurs, le nombre d’Euler s’écrit, dans ce cas particulier où
le nombre de composantes connexes est égal à 1 :
N E = 1 - ATr
où Tr désigne le nombre de trous par unité de surface et A l’aire de la région Rv. Il est aisé
d’en déduire la valeur de Tr, qui sera utilisée un peu plus loin comme descripteur de l’état du
végétal.
104
La dimension fractale (paragraphe 4.1.4) utilisée par la suite comme descripteur est la
dimension radiale dr, calculée sur l’image I’, déduite de I en forçant à 0 les composantes
connexes autres que Rv. La dimension db a dû être abandonnée en raison de la difficulté à
détecter la frontière entre les zones 2 et 3 de la figure 4.2.
Les descripteurs de Fourier du paragraphe 4.1.2 ont été calculés sur l’image I’’ obtenue à
partir de l’image I’ en forçant à 1 tous les trous de la composante connexe Rv. On obtient ainsi
dans I’’ une seule région connexe pleine, notée Sv. Les descripteurs de Fourier sont calculés
sur le contour de Sv. Pour obtenir des descripteurs invariants par rotation et insensibles au
choix de l’origine du contour, nous utiliserons uniquement le module des descripteurs de
Fourier. Seuls les modules des dix premiers et des dix derniers descripteurs seront considérés,
les autres étant trop sensibles au bruit.
Le squelette utilisé pour calculer les paramètres définis au paragraphe 4.1.5 est celui de la
composante Sv de l’image I’’.
4.3 Outils statistiques utilisés pour mesurer la pertinence des descripteurs de
forme
Il est nécessaire de déterminer si les paramètres retenus au paragraphe 4.2 pour caractériser
l’évolution de la forme des plants de forsythia ont un réel pouvoir discriminant. Pour cela
différents outils statistiques existent. Dans notre cas, il s’agit de prouver que les paramètres
sont statistiquement aptes à différencier deux groupes végétaux. L’affectation d’un végétal à
un groupe particulier est une étape postérieure à celle envisagée ici, étape non traitée dans le
cadre de cette thèse.
La méthode classique d’analyse de variance et une méthode d’analyse en composantes
principales sont envisagées pour tester la pertinence des paramètres retenus.
4.3.1
Analyse de variance
L’analyse de variance pour un paramètre z (ANOVA) est une technique permettant de
déterminer si une différence observée entre t groupes Gi (i = 1, 2, …, t) est significative
[Dodge 1993].
105
En désignant par ni la population du groupe Gi, la variance à l’intérieur des groupes est
donnée par
t
ni
åå ( z
i =1 j =1
S I2 =
ij
- Vi )
2
(4.24)
N -t
où zij représente la j-ième observation du paramètre z dans le groupe Gi, zi la moyenne du
paramètre z dans ce même groupe, et N la population totale des groupes.
La variance entre les groupes est donnée par
t
S E2 =
å n (V
i =1
i
i
-V )
2
t -1
(4.25)
où z représente la moyenne de tous les paramètres z, quel que soit leur groupe. L’analyse part
de l’hypothèse (H0) selon laquelle les t groupes sont indiscernables. Soit F le ratio de Fisher
F=
S E2
S I2
(4.26)
Lorsque les distributions sont normales, elles peuvent être décrites par une variable de Fisher
f. La loi de Fisher permet de déterminer, pour les degrés de liberté t-1 et N-1, la probabilité
P = 1-p que la variable f soit inférieure au ratio F mesuré. La valeur obtenue pour p permet de
tester la validité de l’hypothèse (H 0) :
- Si p < a , l’hypothèse H0 est rejetée au seuil de signification a ; la différence observée
entre les groupes, au moyen du paramètre z, est significative ;
- si p ≥ a, l’hypothèse H0 est acceptée au seuil de signification a ; le paramètre z ne
permet pas d’observer une différence significative entre les groupes.
Dans l’application traitée dans ce mémoire, le test de Fisher sera effectué en adoptant pour a
la valeur 0,05. Le nombre t de groupes est réduit à 2 (groupe des végétaux en confort
hydrique, et groupe des végétaux stressés), et N = 40 puisque la population de chaque groupe
est égale à 20 (lot 3 présenté dans le chapitre 2).
Dans le cas où plusieurs paramètres sont utilisés pour décrire le végétal (ce sera le cas pour les
descripteurs de Fourier ou les moments invariants), l’analyse de variance multiple
106
(MANOVA) permet d’analyser en globalité l’ensemble de ces descripteurs, selon le même
principe.
L’analyse de variance nécessite la normalité des distributions. Lorsque l’hypothèse de
normalité est en défaut, le test non-paramétrique de Mann-Whitney-Wilcoxon permet
d’évaluer la discernabilité de deux populations [Dodge 1993] : là encore le test est fondé sur
le calcul d’une valeur p conduisant à l’acceptation ou au refus de l’hypothèse (H 0), au seuil de
signification a.
4.3.2
Analyse en composantes principales
Lorsque N individus sont observés au moyen de Z variables z, l’étude séparée des variables,
quoiqu’indispensable, peut s’avérer insuffisante, car elle ignore les corrélations entre
variables différentes. L’analyse en composantes principales (ACP) permet d’évaluer cette
corrélation. Elle consiste à déterminer, dans l’espace des individus, les axes de projection sur
lesquels la dispersion des données va décroissant [Saporta 1990].
L’ACP proposée ici est différente: elle utilise des données de type ternaire [Boumaza 1998].
Les N individus sont observés au moyen de Z descripteurs z à T instants t. Les observations
sont réparties (figure 4.7) en T tableaux de dimension N ´ Z. A chaque instant t, la moyenne et
la variance pour chaque descripteur z (ou la matrice de variance-covariance pour plusieurs
descripteurs) sont calculées sur l’ensemble des individus, et associées à une densité de
probabilité ft. Une ACP est réalisée ensuite sur l’ensemble de ces densités de probabilité, qui
sont projetées dans le plan formé par les deux axes principaux révélés par l’ACP. Cette
procédure présente l’avantage de visualiser l’ensemble d’une population à différents instants,
en prenant en compte non seulement les moyennes, mais aussi les variances (ou les variancescovariances).
L’ACP réalisée est une ACP centrée réduite. Les acquisitions sont en nombre T = 52 (26
acquisitions pour les végétaux témoins et 26 acquisitions pour les végétaux stressés, comme
indiqué au chapitre 2). Le nombre d’individus est égal à 20. Le nombre Z de descripteurs est
variable d’une analyse à l’autre : Z =1 si l’on cherche à tester la pertinence de la seule
dimension fractale radiale (z = dr) ; Z = 3 si l’on s’intéresse simultanément aux trois premiers
107
moments invariants (z = F1, F2, F3) ; etc….
Z variables
…
..
Instant 1 : f1
z1…zj…..zZ
…
.
1,……..,i,……….N
z1…zj…..zZ
1,……..,i,……….N
N individus
1,……..,i,……….N
z1…zj…..zZ
Instant t : ft
Instant T : fT
Figure 4.7 : Représentation des données ternaires (N individus ´ Z variables ´ T instants).
1.0
Axe.2
0.5
0.0
t11
s26
t26
t24
t25
t23
t22
t21
t20
t1
s25
t5
t2
s24
t3
t17
t18
t19
t10
t13
t14
t15
t16
t12
s14
s1
s21
t4
t7
s20
t6
s2
s23
s3
s22
s19
s17
s13
-0.5
s12
s8
s10
s11 t8
-1.0
-1.0
-0.5
s6
s9s15s18
s16
0.0
Axe.1
s5
s4
s7t9
0.5
1.0
Figure 4.8 : Projection des densités de probabilité dans le plan principal d’une ACP centrée réduite.
108
A partir de cette ACP, on obtient une représentation plane approchée de ces 52 densités de
probabilité
(figure
4.8).
Cette
représentation
permet
d’apprécier
globalement
et
qualitativement l’évolution temporelle des données. Ainsi la stabilité des végétaux témoins à
chaque instant au cours du temps pourra être mis en évidence si les densités de probabilité de
ces instants sont proches. De même, les différences éventuelles entre les deux populations
pourront être visualisées. L’approche proposée ici est essentiellement visuelle, des mesures
quantitatives n’ont pas été étudiées.
4.4 Résultats d’analyse de forme
L’ensemble des résultats présentés ci-après vise à déterminer à quel moment de l’expérience
on peut discriminer les végétaux stressés des végétaux témoins. L’utilisation des végétaux
témoins permet d’une part de déterminer le moment où cette différence apparaît et d’autre
part de savoir si les paramètres témoins n’évoluent pas au cours du temps. La pertinence de
chaque paramètre est analysée selon trois critères : la précocité, la robustesse et le caractère
absolu de la mesure.
Toutes ces analyses ont été programmées et effectuées sous Matlab®. Nous comparons donc
les performances des cinq méthodes proposées. Une visualisation des courbes représentant la
moyenne des vingt végétaux stressés et des vingt végétaux témoins à chacune des vingt six
séries de prises de vue est d’abord proposée. Une analyse statistique plus ou moins poussée
suivant les résultats moyens est ensuite exposée pour chacune des méthodes.
109
compacité
excentricité
0,04
1
0,035
0,9
stressés
0,03
témoins
0,8
0,025
0,7
0,02
0,6
0,015
0,01
stressés
0,5
0,005
témoins
0,4
0
0,3
1
6
11
16
21
26
1
6
instant des prises de vue
11
16
21
26
solidité
rectangularité
0,7
0,65
stressés
0,65
0,6
témoins
0,6
0,55
0,55
0,5
0,5
0,45
0,45
0,4
0,35
0,3
0,4
stressés
0,35
témoins
0,3
1
6
11
16
21
26
1
6
11
16
21
26
Figure 4.9 : Evolution moyenne de la compacité C, de l’excentricité E, de la
rectangularité R et de la solidité S.
110
La distribution des résultats relatifs aux végétaux stressés et témoins est comparée à une
distribution normale par le test de Kolmogorov-Smirnov [Dodge 1993]. A l’exception de
certains descripteurs de Fourier et de la dimension fractale ds mesurée par la méthode du
squelette, les autres paramètres répondent favorablement au test de normalité. Pour l’ACP,
une représentation permet de visualiser de façon géométrique les différences entre les 52
instants (26 instants stressés et 26 instants témoins notés respectivement si et ti, i = 1, …, 26).
4.4.1
Descripteurs géométriques élémentaires
L’évolution temporelle moyenne (de t = 1 à t = 26) des quatre premiers descripteurs
géométriques élémentaires (compacité C, excentricité E, rectangularité R, solidité S), calculée
d’une part sur les 20 individus témoins, d’autre part sur les 20 individus stressés, est présentée
sur la figure 4.9. A chaque instant, l’écart type a été calculé et représenté sous forme d’une
barre d’erreur.
L’excentricité E y apparaît comme incapable de distinguer de façon significative un végétal
stressé d’un végétal témoin. Les trois autres descripteurs (compacité C, rectangularité R,
solidité S) permettent une distinction entre les deux types de végétaux à partir de l’instant
t = 18. Cette différence est significative (par rapport aux écart-types) à partir des instants
t = 24 pour la solidité et la rectangularité, et t = 25 pour la compacité. L’extremum observé à
l’instant t = 22 pour les descripteurs C, R et S des végétaux stressés s’explique par le fait qu’il
s’agit d’une mesure réalisée tôt le matin, heure à laquelle le végétal, qui n’a pas transpiré
pendant la nuit, a pu retrouver une partie de sa forme initiale.
Le comportement de la compacité d’une part, de la rectangularité et de la solidité d’autre part,
diffèrent :
- La compacité des végétaux témoins diminue au cours du temps. Cette diminution, liée à
la croissance en taille du végétal, empêche de classer le descripteur C dans la catégorie
des descripteurs absolus.
- La rectangularité et la solidité fournissent des résultats proches l’un de l’autre : l’aire du
plus petit rectangle exinscrit à la région Rv de l’image suit la même évolution que l’aire
de la plus petite forme convexe incluant Rv. Il suffit donc de retenir un seul de ces deux
descripteurs. Les descripteurs R et S des végétaux témoins étant stables au cours du
temps, ils peuvent être classés dans la catégorie des descripteurs absolus.
111
L’évolution temporelle du nombre moyen de trous par unité de surface de la région Rv
(descripteur Tr) est présentée sur la figure 4.10. Aucune différence significative entre
végétaux témoins et végétaux stressés n’apparaît dans l’intervalle de temps exploré. Le
descripteur Tr n’apparaît donc pas comme un indicateur pertinent de l’état hydrique du
nombre de trous par unité de surface
végétal.
0,005
stressés
0,0045
témoins
0,004
0,0035
0,003
0,0025
0,002
0,0015
0,001
0
5
10
15
20
25
Figure 4.10 : Evolution du nombre de trous par unité de surface.
4.4.2
Descripteurs de Fourier
En raison de leur moindre sensibilité au bruit, seuls les dix premiers et les dix derniers
descripteurs de Fourier (en module) ont été calculés (paragraphe 4.2). Pour détecter parmi ces
20 descripteurs les plus aptes à caractériser l’état hydrique du végétal, un test de MannWhitney-Wilcoxon est effectué sur la série mesurée à l’instant t = 26, où l’écart entre
végétaux témoins et végétaux stressés a la plus forte probabilité d’être marqué (le choix d’un
test de Mann-Whitney-Wilcoxon a été arrêté après avoir constaté que la distribution des
descripteurs de Fourier ne suivait pas la loi normale). Le test fournit les valeurs de p
présentées dans le tableau 4.1.
112
Tableau 4.1 : Valeur p pour chacun des 20 descripteurs de Fourier. Les valeurs indiquées en rouge
repèrent les descripteurs susceptibles de différencier les végétaux stressés des végétaux témoins.
N° du Descripteur
Valeur p
N° du Descripteur
Valeur p
1
2,0744E-09
N-9
0,685683723
2
0,886019474
N-8
0,421594848
3
0,00979452
N-7
0,090131882
4
0,029031803
N-6
0,222099016
5
0,542737981
N-5
0,035562859
6
0,26472675
N-4
0,000524868
7
0,399678453
N-3
0,036729655
8
0,662223089
N-2
0,046271053
9
0,159732646
N-1
0,476355765
10
0,57844993
N
0,190638644
Les valeurs inférieures au seuil de signification a = 0,05 y sont repérées en rouge. Elles
fournissent 7 descripteurs potentiellement significatifs de l’état hydrique du végétal : les
descripteurs n° 1, 3, 4, N-5, N-4, N-3, et N-2. Leur évolution temporelle moyenne est
représentée sur la figure 4.11.
Considérons le descripteur n°1 : son évolution moyenne montre à plus ou moins long terme
une différence relative entre les deux types de végétaux (témoins et stressés). Pour déterminer
si ce comportement est significatif, effectuons un test de Fisher (le choix du test de Fisher est
autorisé par la normalité de la distribution du descripteur n°1). La figure 4.12 présente
l’évolution de la valeur de p fournie par le test. Le seuil significatif de 0,05 est franchi
définitivement à partir de l’instant t = 18.
113
0,3
0,03
a)
témoins
)
b)
0,025
descripteur 3
descripteur 1
0,28
stressés
0,26
0,24
0,02
0,015
0,22
stressés
témoins
0,2
0,01
1
6
11
16
21
26
1
6
0,03
stressés
descripteur N-5
descripteur 4
21
26
d)
stressés
0,02
0,015
témoins
0,015
0,01
0,005
0,01
1
6
11
16
21
0
26
1
0,03
0,025
6
11
16
21
26
0,04
e)
stressés
f)
stressés
descripteur N-3
témoins
0,02
0,015
0,01
témoins
0,03
0,02
0,01
0,005
0
0
1
6
11
16
21
26
1
6
11
16
21
26
0,05
g)
stressés
0,04
descripteur N-5
descripteur N-4
16
0,02
c)
témoins
0,025
11
témoins
0,03
0,02
0,01
0
1
6
11
16
21
26
Figure 4.11 : Evolution moyenne des modules du : a) descripteur 1, b) descripteur 3, c) descritpeur 4,
d) descripteur N-5, e) descripteur N-4, f ) descripteur N-3, g) descripteur N-2.
114
1
0,9
0,8
valeur p
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
5
10
15
20
25
Figure 4.12 : Evolution de valeur p (test de Fisher) pour le descripteur de Fourier n°1.
Malgré ce résultat encourageant, le descripteur de Fourier n°1 ne peut être retenu, car son
caractère absolu est peu marqué ; en effet
- le descripteur n°1 des végétaux témoins augmente au cours du temps, en liaison
probablement avec la croissance du végétal ;
- le descripteur n°1 des végétaux stressés retombe à l’instant t = 26 à la valeur 0,22, proche
de celle mesurée à l’instant initial t = 1 (0,23), comme indiqué sur la figure 4.11a.
Le faible pouvoir discriminateur du descripteur de Fourier n°1 apparaît sur la figure 4.13, qui
présente les résultats de l’ACP effectuée sur sa densité de probabilité. Sur ce graphique, les
densités de probabilité mesurées à l’instant t pour les végétaux témoins et les végétaux
stressés sont repérés respectivement par les lettres t t en rose, et les lettres st en bleu (t = 1, 2,
…, 26).
la fonction s26 est ainsi située à côté de la fonction t1. Cette méthode ne permet pas de déceler
une différence entre les fonctions de végétaux témoins et les fonctions de végétaux stressés.
Si les végétaux témoins se concentrent en grande partie sur la gauche du graphique, un certain
nombre d’entre eux se mélangent aux végétaux stressés.
Les mêmes remarques pourraient s’appliquer aux autres descripteurs de Fourier sélectionnés
sur la figure 4.11. Certains d’entre eux présentent en outre des fluctuations importantes,
traduisant une forte sensibilité au bruit.
115
1.0
Axe.2
0.5
0.0
t11
s26
t26
t24
t25
t23
t22
t21
t20
t17
t18
t19
t10
t13
t14
t15
t16
t12
s14
t1
s25
t5
t2
s24
t3
s1
s21
t4
t7
s20
t6
s2
s23
s3
s22
s19
s17
s13
-0.5
s12
s8
s10
s11 t8
-1.0
-1.0
-0.5
s6
s9s15s18
s16
s5
s4
s7t9
0.0
Axe.1
0.5
1.0
Figure 4.13 : ACP des densités de probabilités calculée sur le descripteur de Fourier n°1.
4.4.3
Les moments géométriques invariants
La distribution des moments invariants Fi (i = 1, … 7) suit la loi normale. Le résultat du test
de Fisher, effectué sur la série d’images la plus tardive (t = 26) est présenté dans le tableau
4.2. Au seuil de signification 0,05, ce test conduit à éliminer les moments invariants F5, F6,
F7, qui ne permettent pas de différencier les végétaux témoins des végétaux stressés.
Tableau 4.2 : Résultats du test de Fisher pour les 7 moments invariants mesurés à l’instant t = 26. Les
valeurs significatives au seuil 0,05 sont repérées en rouge.
F1
F2
F3
F4
F5
F6
F7
0,0000
0,0027
0,0001
0,0185
0,4745
0,2720
0,7882
116
L’évolution temporelle moyenne des quatre premiers moments invariants est présentée sur la
figure 4.14. Les quatre courbes révèlent une différence entre végétaux stressés et végétaux
témoins à partir de l’instant t = 18. Leur passage par un maximum à l’instant t = 22 se justifie
par le fait que l’expérience correspondante a été réalisée tôt le matin, heure à laquelle le
végétal, qui n’a pas transpiré pendant la nuit, a pu retrouver une partie de sa forme initiale (ce
comportement a déjà été rencontré au paragraphe 4.4.1 pour les descripteurs C, R et S).
Les moments F1 à F3 des végétaux témoins sont globalement stables dans le temps ; c’est un
peu moins vrai pour le moment F4, qui présente de légères fluctuations ; ce comportement
peut s’expliquer par la faible valeur numérique de F4, qui induit une plus forte sensibilité de
ce descripteur au bruit.
0,5
0,02
stressés
témoins
0,4
stressés
0,016
moment 2
moment 1
0,45
0,35
témoins
0,012
0,008
0,3
0,004
0,25
0,2
0
0
5
10
15
20
25
0
5
10
20
25
0,002
0,02
stressés
0,016
stressés
0,0016
témoins
moment 4
moment 3
15
0,012
témoins
0,0012
0,008
0,0008
0,004
0,0004
0
0
0
5
10
15
20
25
0
5
10
15
20
Figure 4.14: Evolution temporelle moyenne des moments invariants F1, F2, F3 et F4.
117
25
Ces résultats confèrent aux quatre premiers moments invariants une pertinence potentielle, qui
doit être confirmée par l’analyse de variance. Il est intéressant de comparer les résultats du
test de Fisher sur le premier moment (ANOVA) et sur l’ensemble quatre premiers moments
(MANOVA), afin de déterminer si l’ajout des paramètres F2, F3, F4 au paramètre F1
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1
0,9
0,8
0,7
valeur p
valeur p
améliore la discrimination.
0,6
0,5
0,4
0,3
0,2
0,1
0
0
5
10
15
20
25
0
5
10
15
20
25
Figure 4.16 : Résultats du test de Fisher sur le 1er moment invariant (ANOVA, à gauche) et sur les
quatre premiers moments invariants (MANOVA, à droite).
Le résultat des tests de Fisher est donné sur la figure 4.15. Dans les deux cas (ANOVA et
MANOVA), le seuil de signification 0,05 est définitivement franchi à l’instant t = 18. L’ajout
des moments d’ordre 2, 3 et 4 n’améliore donc pas les résultats en termes de précocité.
Le premier moment invariant peut donc être retenu comme descripteur efficace de l’état
hydrique du végétal. La stabilité temporelle de ce paramètre, lorsqu’il est mesuré sur les
végétaux témoins, augure bien de son caractère absolu.
Le pouvoir discriminant du moment F1 est confirmé par l’ACP, dont les résultats sont
montrés sur la figure 4.17 : à partir de l’instant t = 18, les points sk (k ≥ 18) y sont tous très
éloignés des points tk (k = 1, …, 26), et regroupés dans la partie gauche du plan principal.
118
1.0
t1 t8
t3
t11
st4
1
t2
t7
s8
t17t21
t9t5
t6
ss13
4
st13
2t10
t12
s7
s 12
Axe.2
0.5
0.0
s25
26
ss24
21
ss23
s 20
s 22
s 19
st14
5t16
s 17
s9
-0.5
s 18
s 15 t23
-1.0
-1.0
t26
t24
t25
s 16
s 14
-0.5
0.0
Axe.1
s6
t15
t18
s10
11 t19
s s13
t22 t20
0.5
1.0
Figure 4.17 : ACP des densités de probabilité calculée sur le premier moment invariant F1.
En conclusion, une valeur du premier moment invariant supérieure à 0,28 est caractéristique
d’un déficit hydrique de la plante, et ce critère peut être considéré comme absolu dans la
mesure où le premier moment invariant des végétaux témoins est stable dans le temps.
Attention cependant : le premier moment invariant s’exprime en fonction des moments
principaux d’inertie m2,0 et m0,2 ; le seuil 0,28 ne peut donc être considéré comme absolu que
pour les plants de forsythia ; d’autres espèces de végétaux, de forme différente, fourniraient
vraisemblablement un seuil d’une autre valeur.
Contrairement aux descripteurs de Fourier, le premier moment invariant est peu sensible au
bruit et son calcul est très rapide. Tous ces éléments en font un descripteur pertinent pour la
caractérisation de l’état hydrique du forsythia.
4.4.4
Dimension fractale radiale
Comme indiqué au paragraphe 4.2, le calcul de la dimension fractale par la méthode des
boîtes se heurte au problème du choix de seuil entre les zones 2 et 3 (figure 4.2) : le seuil
119
dépend de la taille du végétal, et ne reste donc pas constant pour l’ensemble des végétaux du
lot d’expérimentation. Il nous a donc semblé préférable de nous limiter à l’étude de la
dimension fractale d’un végétal radiale dr définie au paragraphe 4.1.4.2.
L’évolution temporelle moyenne de ce descripteur est représentée sur la figure 4.18. Les
végétaux témoins s’avèrent très stables vis à vis de ce descripteur. Les végétaux stressés se
différencient notablement des végétaux témoins à partir de l’instant t = 18.
La normalité de la distribution des dimensions fractales radiales autorise une analyse de
variance par le test de Fisher. Les résultats en sont donnés sur la figure 4.19. Au seuil de
signification a = 0,05, la dimension fractale radiale y apparaît comme efficace pour séparer
les végétaux stressés des végétaux témoins, à compter de l’instant t = 18.
dimension fractale
1,8
1,7
1,6
stressés
témoins
1,5
1,4
0
5
10
15
20
25
valeur p
Figure 4.18 : Evolution temporelle moyenne de la dimension fractale radiale.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
5
10
15
20
25
Figure 4.19 : Résultats du test de Fisher pour la dimension fractale radiale.
120
De même, l’ACP (figure 4.20) regroupe nettement sur la gauche du plan principal les
végétaux stressés s19 à s26, en les séparant des autres végétaux. Tous les végétaux témoins (à
l’exception de t11 et t21), se regroupent à droite du plan principal : c’est une bonne
confirmation de la stabilité temporelle de la dimension fractale radiale des végétaux témoins,
malgré leur croissance.
En conclusion, la dimension fractale radiale s’avère aussi pertinente que le premier moment
invariant pour la caractérisation du stress hydrique du forsythia. Ces deux descripteurs se
révèlent semblables en termes de précocité, de robustesse et d’absolu. La valeur ds = 1,7
constitue un seuil en-dessous duquel le forsythia peut être considéré comme stressé (dans les
limites de cette expérience). Le descripteur dr présente les mêmes avantages que le
descripteur F1 : calcul rapide, faible sensibilité au bruit. Mais contrairement à F1, le
descripteur fractal dépend moins de la morphologie globale du végétal que de sa similarité à
des échelles de plus en plus fines. Ceci permet d’envisager que le seuil de 1,7 puisse
s’appliquer à d’autres espèces végétales que le forsythia.
1.0
t11
t1
t10
t24
t25
t12
t8
t5
t16t9
t19
t3
t23t2
t6
s8
t13
s7
t7
t17s1
t20
t4
t18
s6
s2
s4
s5
t15
t26
s13
t14
s9
s12
s10
s11
s16
t22
s14
s13
Axe.2
0.5
0.0
s26
s25
s17
s24
t21
s21
s20
s23
s22
s19
-0.5
s18
s15
-1.0
-1.0
-0.5
0.0
Axe.1
0.5
1.0
Figure 4.20 : ACP des densités de probabilité calculée sur la dimension fractale radiale.
121
25
stressés
longueur moyenne des branches
d'ordre 1
nombre de branches d'ordre 1
135
témoins
115
95
75
55
0
5
10
15
20
25
20
15
stressés
10
témoins
5
0
5
10
25
45
stressés
35
d'ordre 2
20
40
témoins
30
25
20
15
10
0
5
10
15
20
25
40
35
30
25
stressés
20
témoins
15
0
5
10
15
20
25
10
100
stressés
d'ordre 3
15
témoins
8
6
4
0
5
10
15
20
25
90
80
70
stressés
60
témoins
50
0
5
10
15
20
Figure 4.21: Evolution temporelle moyenne du nombre et de la longueur moyenne des branches
d'ordre 1,2 et 3, mesurées sur le squelette.
122
25
4.4.5
Analyse du squelette
Le squelette des images permet de calculer les longueurs moyennes et le nombre des branches
d’ordre 1, 2 et 3 (voir paragraphe 4.1.5.2). La figure 4.21 montre l’évolution temporelle
moyenne de ces descripteurs. Il y apparaît que les paramètres d’ordre 3 ne peuvent servir à la
distinction entre végétaux témoins et végétaux stressés.
Les quatre autres paramètres (nombre de branches d’ordre 1, nombre de branches d’ordre 2,
longueur moyenne des branches d’ordre 1, longueur moyenne des branches d’ordre 2)
présentent chacun une distribution normale. Une analyse de variance par le test de Fisher
fournit les résultats indiqués sur la figure 4.22.
1
c)
0.9
0.8
0.8
0.7
0.7
0.6
0.6
valeur p
valeur p
1
a)
0.9
0.5
0.4
0.5
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
5
10
15
20
0
25
0
5
10
1
20
25
1
b)
0,9
d)
0,9
0,8
0,8
0,7
0,7
0,6
valeur p
valeur p
15
0,5
0,4
0,3
0,6
0,5
0,4
0,3
0,2
0,2
0,1
0,1
0
0
5
10
15
20
25
0
0
5
10
15
20
25
Figure 4.22 : Résultat du test de Fisher pour (a) le nombre de branches d’ordre 1; (b) le nombre de
branches d’ordre 2 ; (c) la longueur moyenne des branches d’ordre 1 ; (d) la longueur moyenne des
branches d’ordre 2.
123
0.5
s24
s21
s20
s23
s19
s22
s26
s25
t1 t3
s18
s2 t4
s13
s5
t9
s6
t10
t11
s7
Axe.2
0.0
s14
t24
s17
s8
-0.5
t8
t13
s12
s15
t25
t23
s16
t26
t22
-1.0
-1.0
-0.5
s15
s17
s4s14
s12
Axe.2
0.0
-0.5
s9s4
t17
s11 s13
t21 t18
s10 t19
t20
1.0
0.5
s1
t5
t6
t2
t7
0.0
Axe.1
t14
t15
t12
t16
0.5
s16 s13
s11
s2s9
1.0
s7 s10
t8s6
t4
s8
t12
t2
t17
t24
s18
t7s1
t19
t11
s5
t16
t14
t5
t21
t3
t18
t23
t25
t10
t13
t6
t9
t22
t15
s22
s19
s23
s20
s21
s24
s25 s26
s3
t1 t20
t26
-1.0
-1.0
-0.5
0.0
Axe.1
0.5
1.0
Figure 4.23 : ACP des densités de probabilité pour le nombre (en haut) et la longueur moyenne (en
bas) des branches d’ordre 1, mesurées sur le squelette.
124
Au seuil de signification a = 0,05, les paramètres d’ordre 1 (figures 4.22a et 4.22b) s’avèrent
pertinents à partir des instants t = 17 pour le nombre de branches, et t = 14 pour leur longueur
moyenne. A l’ordre 2 (figures 4.22 b et 4.22d), les paramètres sont plus précoces : leur
pertinence est acquise dès les instants t = 11 pour le nombre de branches, et t = 13 pour leur
longueur moyenne.
Pour les végétaux témoins, les paramètres d’ordre 2 manifestent au cours du temps des
fluctuations plus importantes que celles manifestées par les paramètres d’ordre 1. Parmi les
six paramètres présentés sur la figure 4.21, ce sont donc les paramètres d’ordre 1 qui semblent
les mieux à même de caractériser l’état hydrique du forsythia. Leur analyse en composantes
principales est présentée sur la figure 4.23. Le nombre de branches d’ordre 1 n’acquiert le
caractère de descripteur pertinent qu’à partir de l’instant t = 18, comme l’atteste le
regroupement des points s18 à s26 dans la partie supérieure gauche du plan principal. La
dispersion des autres points (s1 à s17 et t1 à t26) met en évidence l’instabilité de ce
descripteur en cours de croissance du végétal.
Par contre, pour la longueur moyenne <L1> des branches d’ordre 1, les points s7 à s26 sont
très nettement séparés des points s1 à s6 et t1 à t26. Un tel résultat confère à ce descripteur un
caractère de précocité intéressant. En outre, le regroupement des tk (k = 1, …, 26) dans la
partie inférieure droite du plan principal assure à ce descripteur une signification
indépendante de la croissance du végétal. Le passage de <L1> en-dessous du seuil 15 apparaît
donc comme susceptible de différencier les forsythias témoins des fosythias en stressés.
Le nombre et la longueur moyenne des branches permettent d’évaluer le rapport de longueur
RL et le rapport de bifurcation RC (expressions 4.22). Ces deux rapports, réputés indépendants
des ordres i et i+1 utilisés pour les calculer (voir paragraphe 4.1.5.2), ne présentent pas cette
propriété dans le cas des squelettes d’images de forsythias. Ceci rend hasardeux le choix de la
dimension fractale ds calculée sur le squelette (expression 4.23) pour différencier les végétaux
témoins des végétaux stressés. A titre d’exemple, l’évolution temporelle de la dimension
fractale ds, calculée à l’aide des moyennes, sur chacun des deux lots de 20 végétaux, des
rapports RL et RC aux ordres 2 et 3, est représentée sur la figure 4.24.
125
dimension fractale mesurée sur le squelette
2,2
2
1,8
1,6
stressés
1,4
témoins
1,2
1
0
5
10
15
20
25
Figure 4.24 : Evolution temporelle moyenne de la dimension fractale mesurée sur le
squelette, en utilisant les ordres 2 et 3.
Aux environs de l’instant t = 18, les courbes relatives aux végétaux témoins et stressés
divergent ; à première vue, la dimension fractale du squelette apparaît ainsi capable de
différencier les forsythias témoins des forsythias stressés ; mais ce comportement n’est pas
significatif , en raison de la réponse négative fournie par le test de Mann-Whitney-Wilcoxon
effectué sur les ds (dont la distribution ne suit pas la loi normale).
126
4.4.6
Conclusion
Parmi tous les descripteurs décrits aux paragraphes 4.4.1 à 4.4.5, seuls présentent un caractère
discriminant ceux réunis dans le tableau 4.3. Leur caractère de précocité peut être évalué par
l’instant tP à partir duquel ils permettent de différencier les végétaux témoins des végétaux
stressés (la valeur de tP est indiquée en colonne 2 du tableau 4.3).
Tableau 4.3 : Précocité des descripteurs.
Instant tP à partir duquel le descripteur
Descripteur
permet de différencier les végétaux
témoins des végétaux stressés
Compacité C
25
Rectangularité R
24
Solidité S
24
Moment invariant F1
18
Dimension fractale radiale dr
18
Longueur moyenne <L1> des branches d’ordre 1
14
Les descripteurs géométriques classiques (compacité, rectangularité, solidité) sont trop tardifs
(tP ≥ 24) pour pouvoir être retenus comme indicateurs de l’état hydrique du forsythia. C’est la
longueur moyenne <L1> des branches d’ordre 1 qui s’avère la plus précoce (tP = 14), devant le
moment invariant F1 et la dimension fractale radiale dr (tP = 18).
Le caractère de robustesse et d’absolu des trois derniers descripteurs du tableau 4.3 est plus
difficile à quantifier. Les arguments développés dans les paragraphes précédents permettent
cependant de les classer de façon qualitative par rapport à ces deux caractères : ce classement
est indiqué dans le tableau 4.4, à l’aide d’étoiles.
127
Tableau 4.3 : Robustesse et absolu des descripteurs.
Descripteur
Robustesse
Absolu
Moment invariant F1
**
**
Dimension fractale radiale dr
**
**
Longueur moyenne <L1> des branches d’ordre 1
**
*
Si c’est le caractère absolu du descripteur qui est prioritaire, le choix devra se porter sur F1 ou
dr. Mais ce sera au prix d’une moindre précocité.
Par contre, si la précocité est le caractère prioritairement recherché, il faudra utiliser le
descripteur <L1>.
Ces conclusions, tirées des expériences effectuées sur les plants de forsythia, mériteraient
d’être validées par expérimentation sur d’autres espèces.
128
Comparaison entre les résultats "vision" et "physiologiques"
5
Comparaison entre les
résultats "vision" et
"physiologiques"
Après avoir mis en place les outils de vision artificielle permettant de caractériser les
changements morphologiques d’un végétal soumis à un déficit hydrique, il s’agit maintenant
de comparer les résultats obtenus par vision artificielle à ceux issus des mesures dites
"physiologiques".
Comme nous l’avons vu au chapitre 2, trois approches ont été envisagées pour la
caractérisation physiologique du végétal :
- transpiration réelle,
- potentiel de substrat,
129
- transpiration potentielle.
La comparaison des deux approches vision et physiologique est réalisée sur les végétaux
"stressés" du lot 3. Si la mesure de la transpiration réelle peut être obtenue directement sur ces
végétaux, les deux autres nécessitent l’utilisation de modèles que nous développerons dans la
partie 5.1. Les résultats issus de ces modèles seront traités dans la partie 5.2, et comparés dans
la partie 5.3 à ceux obtenus par l’approche vision.
5.1 Méthodologie
5.1.1
Calcul du potentiel hydrique de substrat
Les plantes du lot 3 ne pouvant être instrumentées, le suivi du potentiel hydrique de substrat
ne peut être réalisé qu’indirectement à partir d’un modèle reliant le potentiel hydrique de
substrat à la teneur en eau. Le modèle mis en place permettra de connaître le potentiel
hydrique de substrat à chaque série d’acquisition.
5.1.1.1
Présentation du modèle de Van Genuchten
Le modèle de Van Genuchten [1980] permet d’exprimer, pour un potentiel hydrique de
substrat (PHS) donné, la teneur en eau volumique q (PHS) dans le substrat selon l’équation :
q ( PHS ) = q res + (q sat - q res ) *(1 + (a + PHS ) n ) - m
(5.1)
où :
θ(PHS) est la teneur en eau volumique au potentiel hydrique PHS,
θsat est la teneur en eau volumique à saturation hydrique,
θres est la teneur en eau volumique résiduelle,
α, m et n sont des coefficients qui doivent être déterminés de façon expérimentale.
La figure 5.1 présente un exemple de ce type de courbe (appelé courbe de rétention en eau).
Les valeurs de teneur en eau à saturation volumique et résiduelle sont déterminées en
laboratoire.
130
La gamme des potentiels de substrat prise en considération pour le modèle est très étendue
(de 0,1 à –1000 kPa). Durant notre expérimentation la plage de variation mesurée (végétaux
P1, P2, P3) était beaucoup plus étroite (-3 kPa à –64,5 kPa). Le fait de travailler sur une plage
relativement réduite de la courbe de Van Genuchten rend la détermination des coefficients (α,
m et n) imprécise.
n =9,05
1/α = 0,53
Teneur en eau volumique
Θsat=0,921
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0,1
1
10
100
Potentiel hydrique (-kPa)
m= 0,04
100
1000
Θ0res = 0,12 0
Figure 5.1 : Courbe de rétention décrite par le modèle de Van Genuchten.
Le modèle de Van Genuchten est donc un modèle plus adapté à l’étude des substrats en
laboratoire. Nous avons préféré utiliser un modèle beaucoup plus simple à partir d’une
analyse polynomiale.
5.1.1.2
Utilisation d’un modèle polynômial
A partir des courbes reliant à chaque instant t k le potentiel hydrique de substrat à la perte en
eau relative PER (figure 2.5), deux modèles polynomiaux ont été envisagés :
1- Les résultats obtenus sur les trois végétaux physiologiques donnent chacun une
équation polynomiale de type PHS = f ( PER)
Trois modèles sont donc possibles (figure 5.2). On affecte chaque végétal du lot 3 au
modèle le plus proche.
131
potentiel hydrique de substrat (-hPa)
900
800
végétal P1
700
végétal P2
600
végétal P3
500
400
300
200
100
0
0
20
40
60
perte en eau relative (%)
Figure 5.2 : Evolution du potentiel hydrique de substrat en fonction de la perte
en eau. Courbes d’ajustement (en noir) associées à chaque végétal.
D’une façon générale, on remarque qu’un écart assez faible en terme de perte de masse
entre les courbes (de l’ordre de 5% : de 54% à 59%) implique de gros écarts en terme
de potentiel hydrique de substrat (de –450 hPa à –750 hPa).
La courbe d’ajustement du végétal P3 pose le plus de problèmes, on observe en effet
une diminution de la courbe de tendance à partir d’un perte de masse de 50%.
2- On considère le comportement moyen des trois végétaux P1, P2 et P3. A partir des
évolutions du potentiel hydrique de substrat moyen PHSmoyen et de la perte en eau
relative moyenne PERmoy, un modèle polynomial peut être établi (figure 5.3) :
PHSmoyen = f ( PERmoyen )
132
moyenne(P1, P2, P3)
Potentiel hydrique de substrat (-hPa)
700
600
500
400
300
200
100
0
0
-10
-20
-30
-40
-50
-60
Perte en eau (en %)
Figure 5.3 : Evolution moyenne du potentiel hydrique de substrat en fonction de la perte en
eau. Courbe d’ajustement affectée à cette évolution moyenne.
Ce second modèle risque de présenter des résultats moins précis en ce qui concerne le
potentiel hydrique de substrat mais aucune baisse n’est constatée pour des pertes en eau
supérieures à 50%.
Pour cette raison, nous choisissons ce modèle défini par un polynôme d’ordre 5.
Le modèle présenté est le résultat d’une étude portant sur trois végétaux seulement . A ce titre,
il est limité et n’a pas pu bénéficier d’un travail approfondi. Il présente l’intérêt de fournir une
valeur du potentiel hydrique de substrat en fonction de la perte de poids au cours de
l’expérience.
5.1.2
Etablissement d’un modèle climatique prédictif de la consommation en eau des
plantes (serre)
Le suivi de la transpiration potentielle du végétal caractérise « la charge climatique » subie
par les végétaux. Le rapport entre la transpiration réelle et la transpiration potentielle va
permettre de caractériser en quelque sorte un coefficient de « stress » hydrique et de prévoir à
partir de quel moment les résultats expérimentaux ne répondent plus au modèle prédictif.
133
5.1.2.1
Estimation de la transpiration sous serre ( approche expérimentale )
Il existe une forte corrélation entre la transpiration des plantes et le rayonnement solaire (R i) à
l’intérieur d’une serre [de Villèle 1972], [Yang et al. 1990]. Le coefficient d’ajustement
dépend du stade de développement des cultures.
Le taux d’humidité à l’intérieur de la serre a aussi une influence sur la transpiration, son rôle
est moindre que celui du rayonnement mais significatif [Lake et al. 1966]. Cette influence est
caractérisée par le déficit de pression de vapeur d’eau D, qui est la différence entre la pression
de vapeur d’eau saturante es(ta) à la température de l’air (ta) et la pression partielle de vapeur
d’eau dans l’air ea. C’est en quelque sorte un indicateur du niveau de sécheresse de l’air à une
température donnée.
Ainsi la transpiration Et peut être développée comme une fonction linéaire du rayonnement et
du déficit de pression de vapeur [Jolliet et Bailey 1992] à l’intérieur de la serre.
Et = αR i +β(es (t a ) - ea )
( kg.m-2.J-1 )
(5.2)
Les formulations de ce type ont été établies principalement sur des cultures maraîchères, et la
détermination des paramètres d’ajustement a et b a été réalisée au pas de temps journalier
dans le cas de cultures bien développées.
Ces approches expérimentales ont montré que les trois facteurs qui affectaient la transpiration
des plantes étaient, le stade développement, le rayonnement et le déficit de pression de
vapeur.
Pour une estimation journalière des besoins en eau, les résultats obtenus sont satisfaisants,
mais ce type d’approche peut difficilement être adapté à l’établissement d’un modèle de
calcul sur un temps plus court.
134
5.1.2.2
Evapotranspiration de référence – approche générale
De façon à établir la formulation d’une évapotranspiration de référence (ET 0), des modèles de
calcul basés sur le bilan d’énergie entre le sol, la végétation et l’atmosphère ont été
développés en cultures extérieures. En considérant que les échanges d’énergie liés aux
activités métaboliques de la plante relatives à la photosynthèse sont d’importance négligeable,
en régime permanent, ce bilan s’écrit comme suit:
Rn + G + H + lE = 0
(5.3)
où Rn est le rayonnement net, G le flux de chaleur dans le sol, H et lE les flux échangés en
chaleur sensible et latente ( l étant la chaleur latente de vaporisation de l’eau, et E le flux de
masse ).
Le transfert de chaleur sensible peut s’exprimer en fonction de la différence entre la
température de surface des feuilles (tf ) et celle de l’air (ta ) et d’une résistance à la diffusion de
la chaleur (ra) (résistance aérodynamique du couvert végétal) :
H = r cp
(t f - ta )
ra
(5.4)
où r et cp sont respectivement la masse volumique et la chaleur massique de l’air.
De façon analogue, le flux de chaleur latente est proportionnel à la différence entre la
concentration en vapeur d’eau dans la cavité stomatique (c 1) et celle de l’air libre ( c a ) :
lE = l
(c1 - ca )
rv
(5.5)
rv étant la résistance totale au transfert de vapeur d’eau.
Cette dernière relation peut être développée comme suit en faisant apparaître les pressions
partielles de vapeur d’eau :
lE =
r c p (e1 - ea )
g
rv
(5.6)
135
où g est appelée la constante psychrométrique.
En fait, la résistance rv est composée de deux résistances en série, d’une part , la résistance rb à
la diffusion de la vapeur d’eau à travers la couche limite, et d’autre part la résistance
stomatique rs qui caractérise la résistance au passage de la vapeur d’eau à travers les orifices
des stomates dont l’ouverture conditionne les échanges gazeux entre les feuilles et le milieu
extérieur.
En considérant, que les valeurs des coefficients de diffusivité relatifs aux transferts de chaleur
et de masse (vapeur d’eau) sont proches [Bowen 1926], et qu’à l’intérieur de la cavité
stomatique l’air étant à saturation, la pression partielle de vapeur e 1 dépend uniquement de la
température du couvert, des modèles ont été proposés. Ils intègrent la présence du couvert
végétal suivant des approches plus ou moins simplifiées.
Ainsi le modèle simplifié établi initialement par Penman [1948] et adapté par la suite
[Doorenbos et Pruitt 1977] permet de calculer une évapotranspiration journalière de référence
qui correspond à celle d’une surface enherbée de hauteur uniforme couvrant totalement le sol
et avec des apports d’eau non limitants.
L’équation dite de Penman-Monteith [Monteith 1973] qui considère plus précisément les
problèmes de résistance aux transferts de chaleur et de masse au niveau du couvert est la
suivante :
λE =
Δ(R n - G) + ρcp [es (t a ) - ea ]/ra
Δ + γ*
(5.7)
avec g* = g rv/ra et D la pente de la courbe de pression de vapeur saturante.
On retrouve dans cette expression les corrélations observées expérimentalement entre la
transpiration, le rayonnement et le déficit de pression de vapeur.
Des approches de type Penman et Penman-Monteith ont été envisagées [Nicolas 1986] et
développées avec succès au pas de temps horaire en cultures en conteneurs pour l’estimation
des besoins en eau et le pilotage de l’irrigation [Coulon et al. 1996], [Rivière et Chassériaux
2000].
136
Le modèle de Penman-Monteith est sensible à la valeur de la résistance stomatique. Celle-ci
peut évoluer de façon importante, en particulier avec le rayonnement et le déficit de pression
de vapeur. L’adoption d’une valeur de résistance fixe ne permet donc pas a priori de prédire
l’évolution ‘potentielle’ de la transpiration avec une très grande précision dans le cas de
plantes soumises à un rationnement hydrique. Aussi, nous avons préféré prendre pour base
l’équation de type Penman proposée pour le pilotage des cultures en conteneurs [Bouquely
1994] pour le calcul d’une évapotranspiration de référence au pas de temps horaire :
ET0 =
D
g
( Rn - G ) +
f (u )(es (ta ) - ea )
D +g
g +D
(5.8)
où :
ET0 est l’évapotranspiration de référence ( W.m-2 ),
Rn est le rayonnement net ( W.m-2),
G est le flux dans le sol
u est la vitesse moyenne horaire du vent à 2 mètres (m.s-1 ), et f(u) = 0,074*(1 + 0,54u).
Pour calculer les besoins en eau potentiels ET pc, il faut corriger la valeur de référence obtenue
par le modèle par un coefficient Kcr (coefficient cultural) relatif au stade de développement
de la culture (ou de l’indice foliaire), soit :
ETpc = K cr ET0
5.1.2.3
(5.9)
Adaptation de la formulation au cas d’une serre
Dans le cas d’une serre, nous avons considéré que :
-
la vitesse du vent est faible : u = 0,15 m.s-1 [Jolliet 1999].
-
les pertes par rayonnement de grandes longueurs d’ondes entre le ciel et la culture sont
très réduites [Day and Bailey 1999] du fait de la présence intercalée de la couverture de la
serre (d’autant plus vrai avec une couverture en verre qui est opaque au rayonnement
infrarouge). De ce fait le rayonnement net Rn est pratiquement égal au bilan rayonnement
de courtes longueurs d’onde à l’intérieur de la serre, soit :
Rn = Ri ( 1-a ),
avec Ri : rayonnement incident, et a l’albédo.
137
En ce qui concerne plus particulièrement notre expérimentation sur plantes en pots:
-
le flux de chaleur dans le sol a été estimé à 6% du rayonnement net [Bouquely 1994] soit
G = 0,06.Rn
-
l’albédo est égal à 0,2.
L’évapotranspiration inclut l’évaporation au niveau du substrat et la transpiration des plantes.
Pour calculer les pertes par transpiration, nous avons estimé les pertes par évaporation à 8%
de l’évapotranspiration [Nicolas 1986].
A partir des modèles, nous pouvons donner les résultats suivants sur la transpiration réelle, la
transpiration potentielle et le potentiel hydrique de substrat.
5.1.3
Le suivi du poids du végétal permet de calculer la perte en eau du végétal par transpiration.
L’évolution du poids « moyen » des végétaux stressés et témoins est représentée sur la figure
5.4.
Sur cette figure on observe deux comportements différents :
-
Les végétaux témoins évoluent par cycle journalier. Pendant la journée on observe une
baisse de la masse du végétal due à sa transpiration. En fin de nuit, les végétaux sont
réhydratés, la masse retrouve son niveau initial, correspondant à un substrat saturé en eau.
-
La masse des végétaux stressés diminue de façon continue par paliers correspondants aux
cycles jour/nuit. Au final, l'ensemble "végétal + pot" a perdu par transpiration près de 60%
de sa masse initiale.
Outre ce résultat ponctuel, nous pouvons comparer à chaque instant de prise de vue les
consommations hydriques des végétaux stressés du lot 3 et du lot physiologique (figure 5.5).
L’évolution des courbes est très semblable et l’on peut considérer que le comportement de ces
deux lots de végétaux est équivalent.
Sur ce fait, les deux modèles mis en place au
paragraphe 5.1.1.2 (modèle polynomial de calcul du potentiel de substrat) et au paragraphe
5.1.2.2 (modèle de type Penman-Monteith) peuvent s’appliquer aux vingt végétaux stressés
du lot 3.
138
stressés
témoins
masse de l'ensemble substrat + plante +pot
(en grammes)
1200
1100
1000
900
800
700
600
500
400
10/7/01 10/7/01 11/7/01 11/7/01 12/7/01 12/7/01 13/7/01 13/7/01 14/7/01 14/7/01 15/7/01 15/7/01
8:00 20:00
8:00 20:00
8:00 20:00
8:00 20:00 8:00
20:00 8:00
20:00
Figure 5.4 : Evolution moyenne de la masse (végétal + substrat + pot) des végétaux du lot 3.
M oyenne des 20 végétaux stressés du lot 3
M oyenne des trois végéatux P1, P2 et P3
consommation hdyrique entre deux instants
d'acquisition (en kg/m²)
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
10/7/01 8:00 11/7/01 8:00 12/7/01 8:00 13/7/01 8:00 14/7/01 8:00 15/7/01 8:00
Figure 5.5 : Evolution moyenne des 20 végétaux stressés utilisés du lot 3 et des trois végétaux
"physiologiques" P1, P2 et P3 (dix plantes sont disposées par m²). L'abscisse indique l'instant
d'acquisition t S1
j de la masse pour la première plante (S1) de chaque série Sj.
139
5.1.4
Estimation du potentiel hydrique de substrat
L’application du modèle polynomial permet de calculer pour chaque végétal stressé et à
chaque prise de vue le potentiel hydrique de substrat correspondant (figure 5.6).
Potentiel hydrique de substrat (-hPa)
0
-100
-200
-300
-400
-500
-600
-700
10/7/01 8:00
11/7/01 8:00
12/7/01 8:00
13/7/01 8:00
14/7/01 8:00
15/7/01 8:00
Figure 5.6 : Potentiel hydrique de substrat estimé à partir d’un modèle polynomial.
Le potentiel hydrique de substrat évolue par paliers selon l’alternance jour/nuit. Dans son
évolution, trois parties peuvent être distinguées :
-
Le premier jour, le potentiel hydrique de substrat est élevé et relativement stable ( - 50
hPa).
-
Il aborde durant les trois à quatre jours suivant une chute brutale. On observe durant cette
phase des écarts-types très importants, signes d’une très grande variabilité dans la vitesse
de réaction des végétaux.
-
Il se stabilise enfin autour de –620 hPa. Les écarts-types sont très peu élevés, tous les
végétaux ont progressivement atteint un stade de rationnement hydrique important et le
potentiel hydrique est à son palier minimum.
140
5.1.5
Transpiration potentielle
A partir du modèle de transpiration présenté au paragraphe 5.1.2 et des mesures réalisées, on
peut comparer les consommations en eau potentielle et réelle des plantes (figure 5.7).
transpiration réelle
transpiration potentielle
0,45
consommation hydrique (mm/heure)
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
10/7/01 10/7/01 11/7/01 11/7/01 12/7/01 12/7/01 13/7/01 13/7/01 14/7/01 14/7/01 15/7/01 15/7/01
8:00 20:00 8:00 20:00 8:00 20:00 8:00 20:00 8:00 20:00 8:00 20:00
Figure 5.7 : Evolution de la transpiration horaire potentielle et réelle.
On constate sur la figure 5.7 deux phases :
-
pendant les trois premiers jours (10 juillet au 13 juillet), les mesures réelles sont
conformes au modèle prévisionnel à un coefficient près correspondant au coefficient
cultural (Kcr = 0,8). Le système susbtrat-plante possède des réserves hydriques importantes
qui permettent aux végétaux de transpirer normalement.
-
A partir du troisième jour, la transpiration réelle diminue très sensiblement, et ne suit plus
le modèle prédictif. La réaction du végétal n’est plus conforme à celle d’un végétal
irrigué.
Ces observations sont mises en évidence par l'évolution des transpirations cumulées au pas de
temps journalier (figure 5.8). Le rapport entre ces deux consommations donne un coefficient
K de transpiration relative dont l’évolution est tracée sur la figure 5.9.
141
transpiration potentielle
transpiration réelle
transpiration (mm/jour)
2,5
2
1,5
1
0,5
0
10-juil
11-juil
12-juil
13-juil
14-juil
15-juil
Figure 5.8 : Evolution de la transpiration journalière réelle et de la
transpiration potentielle des trois végétaux P 1, P2, P3.
1
coefficient K
vitesse de variation du coefficient K
0,9
0,8
coefficient K
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
10-juil
11-juil
12-juil
13-juil
14-juil
15-juil
Figure 5.9 : Evolution du coefficient K par jour.
142
Dans le cas où le végétal est bien irrigué, ce rapport correspond au coefficient cultural K cr. Il
varie selon l’espèce végétal, la dimension des plantes, la structure du couvert végétal formé…
La diminution importante de ce rapport indique une détérioration de l’état hydrique de la
plante. Le coefficient K ne peut alors plus être considéré comme le coefficient cultural mais,
comme on l’a mentionné au paragraphe 5.1.2, un coefficient de stress du végétal.
A partir de ces résultats, nous allons pouvoir donner des indications physiologiques sur l’état
hydrique du système substrat-plante au moment où la vision détecte un changement d’état.
5.2 Comparaison avec les résultats obtenus par vision artificielle
Cette dernière partie permet de comparer les résultats physiologiques avec ceux obtenus par
vision artificielle.
Pour faciliter la lecture, les résultats sont dans la mesure du possible mis sous forme
adimensionnelle et normalisés à 1, et les courbes sont tracées de manière à ce qu’elles
évoluent dans le même sens (figure 5.10). La flèche rouge symbolise le moment où on
observe une différence entre les végétaux stressés et les végétaux témoins (18 ème instant - 14
juillet à 13 heures pour la dimension fractale et le 1 er moment invariant, 14ème instant - 13
juillet à 14 heures pour la longueur moyenne des branches d’ordre 1).
L’utilisation du rapport K/Kcr permet d’apporter un élément de comparaison en terme de
précocité. En effet la chute du rapport K/Kcr au quatrième jour (figure 5.10-d) est un
symptôme pertinent d’apparition du stress. L’information, bien que seulement journalière,
permet ainsi de détecter un stress antérieurement au dix-huitième instant. Le 14 ème instant
pour lequel la longueur moyenne des branches d’ordre 1 détecte un changement est situé au
milieu de cette quatrième journée.
Ce rapport n’apporte cependant qu’une information physiologique qualitative sur l’état
hydrique du végétal. Pour obtenir un résultat quantitatif, le potentiel hydrique de substrat est
préférable. Sur la figure 5.10-e, on note pour les 14ème et 18ème instants des valeurs de
potentiel hydrique de substrat respectivement égales à –485 hPa et –580hPa.
143
dimension fractale normalisée
1,1
a)
1,05
1
0,95
0,9
0,85
0,8
0,75
0,7
1er moment invariant
(valeur opposée et normalisée)
10/7/01 11/7/01 12/7/01 13/7/01 14/7/01 15/7/01
8:00
8:00
8:00
8:00
8:00
8:00
-0,9
-1
-1,1
-1,2
-1,3
-1,4
-1,5
-1,6
-1,7
-1,8
-1,9
-2
b)
10/7/01 11/7/01 12/7/01 13/7/01 14/7/01 15/7/01
8:00
8:00
8:00
8:00
8:00
8:00
d'ordre 1 (normalisée)
1,1
c)
1
0,9
0,8
0,7
0,6
0,5
0,4
10/7/01
8:00
11/7/01 12/7/01
8:00
8:00
13/7/01 14/7/01
8:00
8:00
15/7/01
8:00
1
0
Potentiel hydrique de substrat (hPa)
d)
0,9
0,8
0,7
K/Kcr
0,6
0,5
0,4
0,3
0,2
0,1
-200
-300
-400
-500
-600
-700
0
10-juil
e)
-100
11-juil
12-juil
13-juil
14-juil
15-juil
10/7/01
8:00
11/7/01
8:00
12/7/01
8:00
13/7/01
8:00
14/7/01
8:00
15/7/01
8:00
Figure 5.10 : Evolution des paramètres les plus pertinents issus de la vision artificielle et des
paramètres physiologiques mesurées : a) dimension fractale radiale normalisée ; b) premier moment
invariant (valeur opposée et normalisée à –1) ; c) longueur moyenne des branches d’ordre 1
normalisée ; d) rapport K/Kcr ; e) potentiel hydrique de substrat.
144
En terme de précocité, Le potentiel hydrique de substrat donne des résultats difficiles à
interpréter. La baisse étant continue, on ne peut déterminer un décrochage synonyme
d’apparition du stress. Dans la littérature, des signes de flétrissement sont cependant observés
pour des valeurs comprises entre –300hPa et -600 hPa. Cette gamme est très variable et
dépend entre autres de la charge climatique, de la positon du capteur dans le substrat, du
végétal…. Cependant, l'ordre de grandeur ( autour de –500hPa) que nous avons trouvé est
conforme à cette gamme de valeur et indique que le substrat s'est fortement asséché.
5.3 Conclusion
L’objectif des mesures dites "physiologiques" était de caractériser l’état hydrique du végétal
et de comparer les indicateurs à ceux obtenus par vision artificielle. Ainsi malgré l'utilisation
de techniques limitées par les contraintes expérimentales , les mesures ont permis de mettre en
évidence la détérioration de l’état hydrique du végétal jusqu’à un niveau de stress prononcé.
La comparaison entre les indicateurs obtenus par les deux approches a été plus délicate. En
effet les méthodes par vision artificielle ont mesuré un changement d’aspect net du végétal
soumis à un déficit hydrique alors que les méthodes physiologiques ont mesuré une évolution
de l’état hydrique. A partir de cette évolution, la question était de savoir à partir de quel seuil
physiologique considère-t-on que la plante est stressée.
L’utilisation du rapport K/Kcr a permis d’y répondre partiellement et s’est révélé être le
moyen de comparaison le plus pertinent dans notre étude. Une étude physiologique beaucoup
plus approfondie, qui n'est pas l'objet de ce travail, est nécessaire pour lier ces résultats de
vision artificielle aux mesures physiologiques.
145
Conclusion générale
D'un point de vue général, ce travail a contribué au développement d'outils de vision
artificielle permettant de caractériser les changements d’aspect d’un végétal soumis à un
déficit hydrique. L’axe de travail que nous avons retenu a nécessité d’une part, l’exploration
et l’utilisation des outils de classification de pixels et d’analyse de forme, et d’autre part, une
étude physiologique du végétal.
A partir de l’information couleur de chaque pixel, nous avons montré les potentialités de trois
méthodes de classification de pixels en deux groupes : végétal et fond. Parmi ces approches,
le perceptron à une couche cachée a fait l’objet d'un développement plus approfondi. Si le
perceptron n'est pas un outil de classification nouveau en lui-même, nous avons mis en
évidence l'efficacité de cette technique appliquée à la classification de pixels de végétaux sur
fond de terreau. Nous avons également montré que la prise en compte de la contextualité du
147
pixel dans l'image permettait d'améliorer grandement la classification. Cette méthode reste
cependant dépendante d'un apprentissage supervisé.
Notre objectif est désormais de continuer à étudier les caractéristiques intrinsèques du réseau
de neurones dans le but d’optimiser la classification et d'automatiser la phase d'apprentissage.
Nous comptons également tester ces algorithmes sur une gamme d'images plus large.
En explorant différentes techniques de reconnaissance de forme, nous avons réussi à mettre
évidence, la modification de l'état du végétal en déficit hydrique, et ceci de façon non
destructive. Nous nous sommes attachés à identifier des paramètres absolus, ce qui augmenté
ainsi la difficulté concernant leur choix. Au final, seules trois approches : moments invariants,
dimension fractale et longueur moyenne des branches du squelette, permettent de montrer
l'évolution de l'état du végétal.
Si ces premiers résultats très significatifs, sont prometteurs et nous encouragent à poursuivre
dans cette voie, ils sont cependant limités au cas des forsythias élevés en conteneurs et
différents tests de validation doivent encore être réalisés. Nous envisageons donc de tester
dans un avenir proche ces paramètres sur d’autres espèces végétales et dans d'autres
conditions d'acquisition (extérieur). Des séries d’acquisition sur deux lots de végétaux
(poinsettia et stereospermum) à différents niveaux de stress ont d’ores et déjà été réalisées
dans ce but.
Le développement des algorithmes d'analyse de forme utilisés, pour une meilleure efficacité
et une exploitation de ces méthodes en routine, est également un des objectifs à brève
échéance.
Les mesures écophysiologiques, menées en parallèle, ont permis d'émettre un diagnostic sur
l'état hydrique du végétal au moment des acquisitions d'images. Le choix de ces méthodesa
été conditionné et limité par la mise en oeuvre des techniques d'analyse d'images. A partir
d'une mesure du potentiel de substrat et d'une estimation de la transpiration potentielle, nous
avons néanmoins pu mettre en évidence une modification de l'état hydrique du végétal.
Il est pour l'instant délicat de proposer une mesure directe de cet état hydrique du végétal par
vision artificielle même si le lien entre les deux apparaît très probable. Nous pouvons espérer
que des recherches futures aboutissent dans cette voie.
148
Concernant les perspectives scientifiques, le travail réalisé à partir du stress hydrique du
forsythia montre les applications possibles de la vision artificielle et peut ouvrir de nouveaux
champs d'applications concernant la mise en évidence de stress de différentes origines
(thermique, mécanique, minérale), la caractérisation de pathologies végétales ou l'aptitude de
différentes variétés à résister au stress....
La mise en place d'outils automatiques dans l'optique de contrôler et d'améliorer la qualité
d'un végétal et d'une façon générale d'un produit est un des enjeux économiques important
dans les années à venir. La vision artificielle semble pouvoir jouer un rôle de plus en plus
grand dans cette démarche qualité. Dans cette voie, nous espérons que ce travail a pu apporter
certains éléments de réponse.
149
Bibliographie
Bibliographie
Ahmad I.S., Reid J.F. (1996). Evaluation of colour representations for maize images. Journal
of Agricultural and Engineering Research, vol. 63, pp. 185-196.
Alderfasi A.A., Nielsen D.C. (2001). Use of crop water stress index for monitoring water
status and scheduling irrigation wheat. Agricultural Water Management, vol. 47, pp. 69-75.
Ammer U., Kock B., Krauss-Rabe S., Schneider T., Wittmeier H. (1988). Investigations on
the reflection of conifers with water stress and different degrees of defoliation with regard to
external parameters such as sun inclination and background. Proceedings of the the 8th
EARSEL Symposium, Alpine and Mediterranean Areas : A Challenge for Remote Sensing,
Capri (Naples), Italy, pp 255-273.
Begg J.E. (1980). Morphological adaptations of leaves to water stress. in : Adaptation of
plants to water and high temperature stress, Turner N.C. and Kramer P.J. (editors)., Wiley
Interscience, New York, U.S.A., pp. 33-42.
Besset J., Génard M., Girard T., Serra V., Bussi C. (2001). Effect of water stress applied
during the final stage of rapid growth on peach trees (cv. Big-Top). Scientia Horticulturae,
vol. 91, pp. 289-303.
Blakeman R.H. (1990). The identification of crop disease and stress by aerial photography. in
: Applications of Remote sensing in agriculture, Steven M.D. and Clark J.A. (editors),
Butterworths, London, United Kingdom, pp. 225-254.
151
Bibliographie
Boissard P., Guyot G., Jackson R.D. (1990). Factors affecting the radiative temperature of a
vegetative canopy. in : Applications of Emote sensing in agriculture, Steven M.D. and Clark
J.A. (editors), Butterworths, London,United Kingdom, pp. 45-72.
Boumaza R. (1998). Analyse en composantes principales de distributions gaussiennes
mutlidimensionnlles. Revue de statistique appliquée, vol. 46, N° 2, pp. 5-20.
Bouquely T. (1994). Contribution au pilotage climatique de l’irrigation des cultures en
conteneurs. Mémoire d'ingénieur, ENITHP, Angers, France.
Bowen I.S. (1926). The ratio of heat losses by conduction by evaporation from water surface.
Physiological Review, vol. 27, pp. 779-787.
Brivot R., Marchant J.A. (1996). Segmentation of plants and weeds for a precision crop
protection robot using infrared images. IEEE proceedings on Vision Image and Signal
Processing, vol. 143, N° 2, pp. 118-124.
Bulanon D.M., Kataoka T., Ota Y., Hiroma T. (2002). A segmentation algorithm for the
automatic recognition of Fuji apples at harvest. Biosystems Engineering, vol. 83, N° 4, pp.
405-412.
Bussotti F., Bottacci A., Bartolesi A., Grossoni P., Tani C. (1995). Morpho-anatomical
alterations in leaves collected from beech trees (fagus sylvatica L.) in conditions of natural
water stress. Environmental and Experimental Botany, vol. 35, N° 2, pp. 201-213.
Campadelli P., Medici D., Schettini R. (1997). Color image segmentation using Hopfield
networks. Image and Vision Computing, vol. 15, pp. 161-166.
Campbell G.S., Norman J.M. (1990). Estimation of plant water status from canopy
temperature: an analysis of the inverse problem. in :Applications of remote sensing in
agriculture, Steven M. and Clark J. (editors), Butterworths, London,United Kingdom, pp.
255-271.
Caserta F., Eldred W.D., Fernandez E., Hausman R.E., Stanford L.R., Bulderev S.V.,
Schwarzer S., Stanley H.E. (1995). Determination of fractal dimension of physiologically
characterized neurons in two and three dimensions. Journal of Neuroscience Methods, vol.
56, pp. 133-144.
Celenk M. (1990). A color clustering technique for image segmentation. Computer Vision
Graphics and Image Processing, vol. 52, pp. 145-170.
Chapron M., Requena-esteso M., Boissard P. and Assemat L. (1999). A method for
recognizing vegetal species from multispectral images. Proceedings of the second European
conference on Precision Agriculture, vol. 1, Sheffield Academic Press Ltd, Odense, Denmark,
pp. 239-247.
Cheng H-D., Yang C-K. (2001). A fast and novel technique for color Image segmentation
using homogeneity. IEEE transactions on Image Processing, vol. 9, N° 12, pp. 2071-2082.
152
Bibliographie
Cho S.I., Lee D.S., Jeong J.Y. (2002). Weed-plant discrimination by machine vision and
artificial neural network. Biosystems Engineering, vol. 83, N° 3, pp. 275-280.
Chtioui Y. (1997). Reconnaissance automatique des semences par vision artificielle basée sur
des approches connexionnistes. Thèse de doctorat, IRESTE, Nantes, France.
Clément A. (2002). Algorithmes et outils informatiques pour l'analyse d'images couleur.
Application à l'étude de coupes histologiques de baies de raisin en microscopie optique.
Thèse de doctorat, Université d'Angers, France.
Clément A., Vigouroux B. (2001). Un histogramme compact pour l'analyse d'images multicomposantes. Actes du 18ème Colloque GRETSI sur le Traitement du Signal et des Images,
Toulouse, France, vol. 1, pp.305-307.
Clément A., Vigouroux B. (2002). Unsupervised classification of pixels in color images by
hierarchical analysis of bi-dimensional histograms. Proceedings of the 2002 IEEE
international conference on Systems, Man and Cybernetics, Hammamet, Tunisia, (on CDROM).
Clément A., Vigouroux B. (2003). Unsupervised segmentation of scenes containing
vegetation (forsythia) and soil by hierarchical analysis of bi-dimensional histograms". Pattern
Recognition Letters, pp. (in press).
Closs R.L. (1958). The heat pulse method for measuring rate of sap flow in a plant stem. New
Zealand Journal of Sciences, vol. 1, pp. 281-288.
Cohen M., Girona J., Valancogne C. (1993). Water consumption and optimisation of the
irrigation in orchards. Acta Horticulturae, vol. 335, pp. 349-357.
Collatz G.R., Ball J.T., Grivet C., Berry J.A. (1991). Physiological and environmental
regulation of stomatal conductance, photosynthesis and transpiration : a model that includes
a laminar boundary layer. Agricultural and Forest Meteorology, vol. 54, pp 107-136.
Coulon G., Chassériaux G., Rivière L.M. (1996). Computer control for container crop
irrigation. ASAE, International Conference on Evapotranspiration and Irrigation Scheduling,
San Antonio, U.S.A., pp.323-328.
Critten D.L. (1996). Fourier based techniques for the identification of plants and weeds.
Journal of Agricultural and Engineering Research, vol. 64, pp. 149-154.
Critten D.L. (1997). Fractal dimension relationships and values associated with certain
plants canopies. Journal of Agricultural and Engineering Research, vol. 67, pp. 61-72.
da Fontoura Costa L., Cesar R.M.Jr. (2000). Shape analysis and classification : theory and
practice. CRC press, New York, U.S.A..
Dal S. (1996). Transferts hydriques dans une culture de forsythias en conteneurs : Réactions
face à différentes conditions d'irrigation. Mémoire de DEA de Génétique, Adaptations et
Productions végétales, ENSA de Rennes, France.
153
Bibliographie
Davies W.J., Zhang J. (1991). Root signals regulation of growth and development of plants in
drying soil. Annual Review of Plant Physiology, vol. 42, pp. 55-76.
Day W., Bailey B.J. (1999). Physical principles and microclimato modification. in :
Ecosystems of the world, vol. 20, Grennhouse ecosystems, Stanhill Enoch, pp. 71-99
de Villèle O. (1972). Besoin en eau des cultures sous serres, essai de conduite des arrosages
en fonction de l'ensoleillement. Acta Horticulturae, vol. 35, pp. 123-131.
Deblonde P.M.K., Ledent J.F. (2001). Effects of moderate drought conditions on green leaf
number, stem height, leaf length and tuber yield of potato cultivar. European Journal of
Agronomy, vol. 14, pp. 31-41.
Diday E., Lemaire J., Pouget J., Testu F. (1982). Eléments d'analyse de données. Dunod,
Paris, France.
Dodge Y. (1993). Statistique. Dictionnaire Encyclopédique. Dunod, Paris, France.
Doorenbos J., Pruitt W.O. (1977). Guidelines for predicting crop water requirements.
Irrigation and Drainage Paper 24, FAO (2nd edition), Rome, Italy.
Downey L., Miller J. (1971). Rapid measurements of relative turgidity in maize. New
Phytology, vol. 3, pp. 555-560.
Duchesne J., Raimbault P., Fleurant C. (2002). Towards universal law of tree morphometry
by combining fractal geometry and statistical physics. 7th multidisciplinary conference,
Emergent Nature, Grenada, Spain, pp. 93-102.
Dutremée F. (1995). Comparaison de deux modes de gestion de l'irrigation des cultures en
conteneurs. Influence sur la croissance et la résistance au stress hydrique. Mémoire
d''Ingénieur, ENITHP, Angers, France.
Eon Y. (1997). Analsye d'images : Etude du stress hydrique du forsyhtia. Mémoire
d'ingénieur, ENSEA, Paris, France.
Escos J., Alados C.L., Pugnaire F.I., Puigdefabregas J., Emlen J. (2000). Stress resistance
strategy in an arid land shrub: interactions between developmental instability and fractal
dimension. Journal of Arid Environments, vol. 45, pp. 325-336.
Evett S.R., Howell T.A., Schneider A.D., Upchurch D.R., Wanjura D.F. (1996). Canopy
temperature based automatic irrigation control. ASAE, International Conference on
Evapotranspiration and Irrigation Scheduling, San Antonio, U.S.A., pp.207-213.
Feuilloley P., Guillaume S., (1998). Quality criteria used by human experts for pot plant
begonia assessment. Sensoral 98, Colloque international sur les capteurs de la qualité des
produits agro-alimentaires, Montpellier, France, pp. 91-103.
Feyaerts F., Van Gool L.J. (2001). Multi-spectral vision system for weed detection. Pattern
Recognition Letters, vol. 22, N° 6/7, pp. 667-674.
154
Bibliographie
Funakubo N. (1994). Feature extraction of color texture using neural networks for region
segmentation. Proceedings of IECON'94, IEEE International Conference on Industrial
Electronics, Control and Instrumentation, Bologne, Italy, pp. 851-856.
Fujita O. (1998). Statistical estimation of the number of hidden units for feedforwrd neural
networks. Neural Networks, vol. 11, pp. 851-859.
Gallinari P., Cibas T. (1999). Practical complexity control in multilayer perceptrons. Signal
Processing, vol. 74, pp. 29-46.
Gardet R. (1996). Caractérisation morphologique du stress hydrique du forsythia. Mémoire
d'ingénieur, ENITHP, Angers, France.
Giulani R. and Flore J.A. (2001). Potential use of infra-red thermometry for the detection of
water stress in apple trees. VII International Symposium on Orchard and Plantation Systems,
Acta Horticulturae, vol. 557, pp. 399-406.
Gonzalez R.C., Woods R.E. (1993). Digital image processing. Addison-Wesley, Reading,
Massachussetts, U.S.A..
Granlund G.H. (1972). Fourier preprocessing for hand print character recognition. IEEE
Transactions on Computers, vol. 21, pp. 195-201.
Guyer D.E., Miles G.E., Schreiber M.M., Mitchell O.R., Vanderbilt V.C. (1986). Machine
vision and image processing for plant identification. Transactions of ASAE, vol. 29, N° 6,
pp. 1500-1507.
Hemming J., Rath T. (2001). Computer-vision-based weed identification under field
conditions using controlled lighting. Journal of Agricultural and Engineering Research, vol.
78, N° 3, pp. 233-243.
Hérault J., Jutten C. (1994). Modèles de la vision. Réseaux neuronaux et traitement du signal,
Hermès, Paris, France.
Horton R.E. (1945). Erosional Development of Streams and Drainage Basins : Hydrophysical
Approaches to Quantitative Morphology. Bulletin of the Geological Society of America,
vol.56, pp. 275-370.
Hsiao T.C. (1973). Plant responses to water stress. Annual Review of Plant Physiology, vol.
24, pp. 519-570.
Hu M.K. (1962). Visual pattern recognition by moment invariant. IRE Transactions on
Information Theory, vol. IT-8, pp. 179-187.
Huguet J.G. (1985). Appréciation de l'état hydrique d'une plante à partir des variations
micrométriques de la dimension des fruits ou des tiges en cours de journée. Agronomie, vol.
5, pp. 733-741.
155
Bibliographie
Jackson R.D., Idso S.B., Reginato R.J., Pinter P.J. (1981). Canopy temperature as a crop
water stress indicator. Water Resources Research, vol. 17, N° 4, pp. 1133-1138.
Jelinek H.F., Fernandez E. (1998). Neurons and fractals : how reliable and useful are
calculations of fractal dimensions ?. Journal of Neuroscience Methods, vol. 81, pp. 9-18.
Jodouin J.F. (1994). Les réseaux de neurones : principe et définition. Hermès, Paris, France.
Jolliet O. (1999). The Water cycle. in : Ecosystems of the world, vol. 20, Grennhouse
ecosystems, Stanhill G. and Enoch H.Z. (eds), pp. 303-326.
Jolliet O., Bailey B.J. (1992). The effect of climate on tomato transpiration in greenhouses :
measurements and models comparison. Agricultural and Forest Meteorology, vol. 58, pp. 4362.
Jones H.G. (1999). Use of infrared thermometry for estimation of stomatal conductance as a
possible aid to irrigation scheduling. Agricultural and Forest Meteorology, vol. 95, pp. 139149.
Katerji N., Tardieu F., Bethenod O., Quetin P. (1994). Behavior of maize stem diameter
during drying cycles : comparison of two methods for detecting water stress. Crop Science,
vol. 34, pp. 165-169.
Kamarthi S.V., Pittner S. (1999). Accelerating neural network training using weight
extrapolations. Neural Networks, vol. 12, pp. 1285-1299.
Keyes L., Winstanley A. (2001). Using moment invariants for classifying shapes on largescale maps. Computers, Environment and Urban Systems, vol. 25, pp. 119-130.
Kiryati N., Maydan D. (1989). Calculating geometric properties from Fourier representation.
Pattern Recognition, vol. 22, 5, pp. 469-475.
Kramer P.J. (1983). Water relations of plants. Academic Press, London, United Kingdom.
Kunt M. (2000). Reconnaissance des formes et analyse de scènes. Presses Polytechniques et
universitaires romandes, Lausanne, Suisse.
Kurata K., Yan J. (1996). Water stress estimation of tomato canopy based on machine vision.
Acta Horticulturae, vol. 440, pp. 389-394.
Kurugollu F., Sankur B., Harmanci A.E. (2001). Color image segmentation using histogram
multithresholding and fusion. Image and Vision Computing, vol. 19, pp. 915-928.
Lake J.V., Postlethwaite J.D., Stack J., Edwards R.I. (1966). Seasonal variation in
transpiration of glasshouse plants. Agricultural and Forest Meteorology, vol. 3, pp. 187-196.
Lambert P., Macaire L. (2000). Filtering and segmentation : the specificity of colou images.
CGIP 2000, 1st International Conference on Color in Graphics and Image Processing, Saint
Etienne, France, pp.57-71.
156
Bibliographie
Leemans V., Magein H., Destain M.F. (2002). On-line fruit grading according to their
external quality using machine vision. Biosystems Engineering, vol. 83, N° 4, pp. 397-404.
Levitt J. (1980). Responses of plants to environmental stresses. volume 2 : Water, radiation,
salt and other stresses. Academic Press, 2nd edition, New York, USA..
Lezoray O. (2000). Segmentation d'images couleur par morphologie mathématique et
classification de données par réseaux de neurones : application à la classification de cellules
en cytologie des séreuses. Thèse de doctorat, Université de Caen, France.
Li Y. (1992). Reforming the theory of invariant moments for pattern recognition. Pattern
Recognition, vol. 25, 7, pp. 723-730.
Lim Y.W., Lee S.U. (1990). On the color image segmentation algorithm based on the
thresholding and the fuzzy c-means techniques. Pattern Recognition, vol. 23, N° 9, pp. 935952.
Littmann E., Ritter H. (1997). An adaptative color segmentation - a comparison of neural and
statistical methods. IEEE Transactions on Neural Networks, vol. 8, N° 1, pp. 175-185.
Loncaric S. (1998). A survey of shape analysis techniques. Pattern Recognition, vol. 31, N° 8,
pp. 983-1001.
Loveys B.R., Dry P.R., Stoll M., Mccarthy M.G. (2000). Using plant physiology to improve
the water use efficiency of horticultural crops. Acta Horticulturae, vol. 537, pp. 187-197.
Mahalanobis P. (1936). On the generalized distance in statistics. Proceedings of the National
Institute of Sciences of India, vol. 2, pp. 49-55.
Malki H.A. (1992). Image segmentation using multilayer neural network. Proceedings of the
IEEE International Joint Conference on Neural Networks, vol. 4, Baltimore, U.S.A., pp. 354360.
Mandelbrot B. (1983). The fractal geometry of nature. W.H.Freeman & co (4ème édition),
New-York, U.S.A..
Mandelbrot B. (1995). Les objets fractals : forme, hasard et dimension. Flammarion (4ème
édition), Paris, France.
Manh A.G. (2001). Modèles déformables pour la reconnaissance d'adventices. Thèse de
doctorat, Université Montpellier II, France.
Marshall S. (1989). Review of shape coding techniques. Image and Vision Computing, vol. 7,
N° 4, pp. 281-294.
Mehtre B.M., Kankanhalli M.S., Lee W.F. (1997). Shape measures for content based image
retrieval : a comparison. Information Processing & Management, vol. 33, N° 3, pp. 319-337.
Meyer F. (1992). Color Images Segmentation. Proceedings of the 4th Conference on Image
Processing and its applications, Maastricht, Netherlands, pp.303-306.
157
Bibliographie
Monteith J.L. (1973). Principles of environmental physics. Edward Arnold, London, United
Kingdom.
Morais J. (1993). Détection des stress hydirques en pépinière. Mémoire d'ingénieur, ENITHP,
Angers, France.
Mougin S. (1999). Segmentation d'images couleur appliquée à un couvert végétal. Mémoire
d'Ingénieur, IRESTE, Nantes, France.
Moulia B. (1994). The biomechanics of leaf rolling. Biomimetics, vol. 2, N° 3, pp. 267-281.
Nicolas H. (1986). Transferts hydriques dans le système substrat-plante-atmosphère,
application au pilotage automatique de l'irrigation des cultures en conteneurs. Thèse de
doctorat, ENSA, Rennes, France.
Nicolas H., Cruiziat P. (1991). L'eau dans la plante. L'irrigation en horticulture. Pépinières et
plantes en pot, colloque, Station CNIH de Chambourcy (78), pp.5-19.
Ohlander R., Price K., Reddy D.R., (1978). Picture segmentation using a recursive region
splitting. Computer graphics and image processing, vol. 8, pp. 313-333.
Ohta Y.I., Kanade T., Sakai T. (1980). Color information for region segmentation. Computer
Graphics and Image Processing, vol. 13, pp. 222-241.
Oide M., Ninomiya S. (2000). Discrimination of soybean leaflet shape by neural network with
image input. Computers and Electronics in Agriculture, vol. 29, pp. 59-72.
Olufayo A., Baldy C., Ruelle P. (1996). Sorghum Yield, water use and canopy temperatures
under different levels of irrigation. Agricultural Water Management, vol. 30, pp. 77-90.
Ong S.H., Yeo N.C., Lee K.H., Venkatesh Y.V., Cao D.M. (2002). Segmentation of color
images using a two-stage self-organizing network. Image and Vision Computing, vol. 20, pp.
279-289.
Papamarkos N., Strouthopoulos C., Andreadis I. (2000). Multithresholding of color and graylevel images through a neural network technique. Image and Vision Computing, vol. 18, pp.
213-222.
Park S.O., Yun I.D., Lee S.U. (1998). Color image segmentation based on 3-d clustering :
morphological approach. Pattern Recognition, vol. 31, N° 8, pp. 1061-1076.
Paulus I., De Busscher R., Schrevens E. (1997). Use of image analysis to investigate human
quality classification of apples. Journal of Agricultural and Engineering Research, vol. 68,
pp. 341-353.
Pavlidis T. (1978). A review of algorithms for shape analysis. Computer Graphics and Image
Processing, vol. 7, pp. 243-258.
158
Bibliographie
Penman H.L. (1948). Natural evaporation from open water, baresoil and grass. Proceedings
of the Royal Society of London, vol. 193, pp. 120-145.
Penuelas J., Filella I., Biel C., Serrano L., Savé R. (1993). The reflectance at the 950-970 nm
region as an indicator of plant water status. International Journal of Remote Sensing, vol. 14,
N° 10, pp. 1887-1905.
Perez A.J., Lopez F., Benlloch J.V., Christensen S. (2000). Colour and shape analysis
techniques for weed detection in cereal fields. Computers and Electronics in Agriculture, vol.
25, pp. 197-212.
Persoon E., Fu K-S. (1997). Shape discrimination using Fourier descriptors. IEEE
Transactions on Systems, Man and Cybernetics, vol. 7, N° 3, pp. 170-179.
Philipp I., Rath T. (2002). Improving plant discrimination in image processing by use of
different colour space transformations. Computers and Electronics in Agriculture, vol. 35,
pp. 1-15.
Recce M., Taylor J., Plebe A. and Tropiano G. (1996). High speed vision-based quality
grading of oranges. International Workshop on Neural Networks for Identification, Control,
Robotics and Signal/Image Processing, IEEE Computer Society Press, Venice, Italy, pp 136144.
Reiss T.H. (1991). The revised fundamental theorem of moment invariants. IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. 13, N° 8, pp. 830-834.
Revollon P., Chassériaux G., Rivière L.M., Gardet R. (1998). The use of image processing
for tracking the morphological modification of forsythia following an interruption of
watering. AgEng, Proceedings of the International Conference on Agricultural Engineering,
Oslo, Norway, (on CD-ROM).
Riou C., Bonhomme R., Chassin P., Neveu A., Papy F. (1997). L'eau dans l'espace rural Production végétale et qualité de l'eau, Universités francophones, INRA Editions, France.
Rivière L.M., Chassériaux G. (1999). Different ways of monitoring the irrigation of container
and pot plants. Acta Horticulturae, vol. 491, pp. 353-360.
Rivière L.M., Sintès G., Barthelmes S. (1997). Monitoring container crop irrigation by means
of tensiometers (refereed). International Symposium on Growing Media and Plant Nutrition in
Horticulture, Acta Horticulturae, vol. 450, pp. 305-311
Rodriguez-Iturbe I., Rinaldo A. (1997). Fractal river basins. Chance and self-organisation.
Cambride University Press, New York, U.S.A..
Rumelhart D.E., Hinton G.E., Williams R.J. (1986). Learning representations by backpropagating errors. Nature, vol. 323, pp. 533-536.
Russ J.C. (1999). The Image Processing Handbook, CRC Press (3rd edition), New York,
New york, U.S.A..
159
Bibliographie
Sammouda R., Niki N., Nishitani H. (1997). Hopfield neural network for the multichannel
segmentation of magnetic resonance cerebral images. Pattern Recognition, vol. 30, N° 6, pp.
921-927.
Sanchez-Marin F.J. (2000). Automatic recognition of biological shapes with and without
representations of shape. Artificial Intelligence in Medicine, vol. 18, pp. 173-186.
Saporta G. (1990). Probabilités, analyse des données et statistiques. Editions Technip, Paris,
France.
Sapoval B. (1997). Universalités et fractales : Jeux d'enfant ou délit d'initié ?. Flammarion,
Paris, France.
Schettini R. (1993). A segmentation algorithm for color images. Pattern Recognition Letters,
vol. 14, pp. 499-506.
Schoch P.G., Lecomte A., l'Hotel J.C. (1991). Les indicateurs de pilotage de l'irrigation : la
plante. L'irrigation en horticulture, Colloque station CNIH Chambourcy (78), pp.27-33.
Schollander P.F., Hammej H.T., Bradstreet E.D., Hemmingsen E.A. (1965). Sap pressure in
vascular plants. Sciences, vol. 148, pp. 339-346.
Serpico S.R., Bruzzone L., Roli F. (1996). An experimental comparison of neural and
statistical non-parametric algorithms for supervised classification of remote-sensing. Pattern
Recognition Letters, vol. 17, pp. 1331-1341.
Serra J. (1982). Image analysis and mathematical morphology, Academic Press, London,
United Kingdom.
Sevestre S. (1993). Analyse d'images texturées - applications en agronomie. Thèse de
doctorat, Université Paris XI, France.
Soille P. (2000). Morphological image analysis applied to crop field mapping. Image and
Vision Computing, vol. 18, pp. 1025-1032.
Sokal R.R., Rohlf F.J. (1981). Biometry. Freeman W.H. & Company (2nd edition), San
Francisco, U.SA..
Steinmetz V., Feuilloley P., (1996). Quality assessment of begonias with machine vision.
AgEng 96, International Conference on Agricultural Engineering, Madrid, Spain, pp.857-858.
Steinmetz V., Delwiche M.J., Giles D.K., Evans R. (1994). Sorting cut roses with machine
vision. Transactions of the ASAE, vol. 37, N° 4, pp. 1347-1353.
Strahler A. N. (1952). Hypsometric (area-altitude) analysis of erosional topography. Bulletin
of the Geological Society of America , vol. 63, pp. 1117-1142.
Suzuki T., Murase H., Nishiura Y., Takigawa H., Honami N. (1996) Textural features based
neural network model vs. soil coverage model for better adaptibility in non-destructive
160
Bibliographie
growth measurement of plug seedlings community. International Symposium on Plant
Production in closed Ecosystems, Acta Horticulturae, vol. 440, pp. 305-311.
Takahashi K., Nakatani H., Abe K. (1995). Color image segmentation using ISODATA
clustering method. 2nd Asian Conference on Computer Vision, Singapore, vol. 1, pp.523-527.
Tian L.F. and Slaughter D.C. (1998). Environmentally adaptive segmentation algorithm for
outdoor image segmentation. Computers and Electronics in Agriculture, vol. 21, pp. 153-168.
Tillett N.D., Hague T., Miles S.J. (2001). A field assessment of a potential method for weed
and crop mapping on the basis of crop planting geometry. Computers and Electroncis in
Agriculture, vol. 32, pp. 229-246.
Tominaga S. (1986). Color image segmentation using three perceptual attributes.
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 628630.
Turner N.C. (1981). Techniques and experimental approaches for the measurement of the
plant water status. Plant and Soil, vol. 58, pp. 339-366.
Valancogne C., Nasr Z. (1989). Une méthode de mesure de débit de sève brute dans de petits
arbres par bilan de chaleur. Agronomie, vol. 9, pp. 609-617.
Van Genuchten M.T.H. (1980). A closed-form equation for predicting the hydraulic
conductivity of unsaturated soils. Soil Science Society of America Journal, vol. 44, pp. 892898.
Vincent L., Soille P. (1991). Watersheds in Digital Spaces : an Efficient Algorithm Based on
Immersion Simulations. IEEE transactions on PAMI, vol. 13, N° 6, pp. 583-598.
Vogl T.P., Mangis J.K., Rigler A.K., Zink W.T., Alkon D.L. (1988). Accelerating the
convergence of the back-propagation method. Biological Cybernetics, vol. 59, pp. 257-263.
Woebbecke D.M., Meyer G.E., Von Bargen K., Mortensen D.A. (1995). Shape features for
identification young weeds using image analysis. Transactions of the ASAE, vol. 38, N° 1,
pp. 271-281.
Wyszecki G., Stiles W.S. (1982). Color science : concepts, and methods, quantitative data
and formulae, John Wiley and Sons, New York, U.SA..
Xuan G., Fisher P. (2000). Maximum likelihood clustering method based on color features.
Proceedings of the 1st International conference on color Graphics and Image Processing,
Saint-Etienne, France, pp.191-194.
Yang C-Y., Chou J-J. (2000). Classification of rotifers with machine vision by shape moment
invariants. Aquacultural Engineering, vol. 24, pp. 33-57.
Yang X., Short T.H., Robert D.F., Bauerle W.L. (1990). Transpiration, leaf temperature and
stomatal resistance of a cucumber crop. Agricultural and Forest Meteorology, vol. 51, pp.
197-209.
161
Bibliographie
Zahn C.T., Roskies R.Z. (1972). Fourier descriptors for plane closed curves. IEEE
Transactions on Computers, vol. c-21, N° 3, pp. 269-281.
Zucker S. (1976). Region growing : chilhood and adolescence. Computer Graphics and Image
processing, vol. 5, pp. 382-399.
162
Publications
Publications
Congrès
Foucher P., Revollon P., Boumaza R., Vigouroux B., Chassériaux G. (2003).
Characterization of morphological evolution of plants (forsythias) by image analysis under
water stress conditions. Proceedings of the 6th International Conference on Quality Control by
Artificial Vision, Gatlinburg, U.S.A., pp 27-35.
Foucher P., Boumaza R., Revollon P., Vigouroux B. (2002). Etude de la morphologie de
végétaux en état de stress hydrique par analyse d'images : description et évolution. Actes du
IXèmes congrès de la Société Francophone de Classification, Toulouse, France, pp. 201-204.
Foucher P., Revollon P., Vigouroux B. (2001). Segmentation d’images en couleur par
réseaux de neurones, application au domaine végétal. Actes du congrès Orasis, Cahors,
France, pp. 309-317.
Revollon P., Foucher P., Boumaza R. (2001) Etude comparée de trois techniques de
segmentation d’images de végétaux : seuillage d’histogramme, analyse discriminante et
réseaux de neurones. Actes des XXXIIIèmes journées de statistique, Nantes, France, pp. 795798.
Divers
Foucher P. (2002). Caractérisation de l'état qualitatif du végétal par analyse d'images. 2ème
Forum de l'école doctorale d'Angers, Angers, France.
163
Annexes
Annexes
Annexe 1
Cette annexe présente les caractéristiques du substrat.
Annexes
Annexe 2
Cette annexe présente les 24 images de forsythias du lot 1.
169
Annexes
170
Annexes
171
Annexes
Annexe 3
Cette annexe présente les 40 végétaux du lot 3. A chaque ligne, deux images du même végétal
prises au début de l'expérience (série 1) et en fin d'expérience (série 26).
Végétaux stressés :
173
Annexes
174
Annexes
175
Annexes
176
Annexes
177
Annexes
178
Annexes
Végétaux témoins
179
Annexes
180
Annexes
181
Annexes
182
Annexes
183
Annexes
184
Annexes
185
Annexes
Annexe 4
Dans cette annexe, tous les résultats obtenus relatifs au perceptron à une couche cachée sont
présentés imagette par imagette. Les tests sont réalisés :
- dans un premier temps pour déterminer le choix du nombre K de neurones par couche
cachée et du nombre Z d'époques,
- dans un deuxième temps pour tester l'influence de l'espace colorimétrique et de la
dimension des vecteurs d'entrée E (E = 3 ou 9).
Influence du nombre K de neurones par couche cachée et du nombre d'époques
Z.
K = 5 ; Z =10 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
99,2
93,7
1,92
2
98,5
96,9
1,96
3
99,5
98,7
0,96
4
98,9
98,4
1,72
5
99,3
98,4
1,06
6
99,9
92,9
2,12
7
99,3
98,6
0,981
8
98,6
95,5
1,87
9
98,9
99,1
0,68
10
98,9
98,6
1,71
11
98,9
99,5
1,06
12
99,3
98,5
1,35
13
99,0
98,8
1,29
14
98,9
91,0
2,26
15
99,8
91,4
2,84
16
99,0
99,1
1,20
187
Annexes
K = 10 ; Z = 10 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
97,5
99,1
1,81
2
98,6
97,1
1,81
3
99,3
98,8
0,95
4
98,9
99,1
1,48
5
99,4
98,6
0,86
6
99,9
91,8
2,44
7
98,9
98,5
0,86
8
97,4
99,7
1,87
9
98,4
99,6
0,84
10
98,7
99,0
1,54
11
98,3
99,7
1,07
12
99,2
98,7
1,31
13
98,4
99,2
1,31
14
99,3
95,6
2,78
15
98,8
95,6
2,85
16
98,2
99,1
1,10
K = 10 ; Z = 50 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
97,0
99,4
1,92
2
98,1
97,2
1,97
3
99,1
99,1
0,94
4
98,7
99,3
1,55
5
99,0
98,9
0,93
6
99,8
93,5
1,99
7
98,7
99,0
0,79
8
97,2
99,8
2,02
9
98,1
99,8
0,97
10
98,5
99,2
1,54
11
98,0
99,8
1,20
12
98,8
99,3
1,35
13
98,0
99,4
1,44
14
99,0
96,0
2,72
15
99,7
96,6
2,24
16
97,8
99,4
1,17
188
Annexes
K = 10 ; Z = 100 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
96,9
99,4
1,96
2
97,9
97,3
2,00
3
98,0
99,1
1,01
4
98,6
99,2
1,60
5
98,9
99,9
0,96
6
99,8
93,7
1,92
7
98,5
99,0
0,93
8
97,1
99,7
2,11
9
98,0
99,8
1,00
10
98,5
99,1
1,57
11
97,8
99,8
1,30
12
98,7
99,1
1,35
13
97,9
99,4
1,45
14
98,8
96,0
2,78
15
99,6
96,8
2,14
16
97,6
99,5
1,27
K = 20 ; Z =50 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
97,9
98,5
1,94
2
98,5
94,2
3,07
3
99,5
97,0
1,80
4
98,9
98,7
1,78
5
99,4
96,2
1,97
6
99,2
94,8
1,78
7
99,2
97,0
1,30
8
98,7
98,6
1,73
9
99,1
99,1
0,81
10
98,8
98,3
1,81
11
98,3
99,2
1,12
12
99,3
97,8
1,95
13
98,9
98,3
1,54
14
98,3
97,4
2,38
15
99,2
97,0
2,32
16
98,6
98,3
1,28
189
Annexes
Influence de l'espace colorimétrique et de la dimension du vecteur d'entrée E.
Espace RVB ; E = 3 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
91,9
92,5
8,26
2
99,7
98,8
5,31
3
93,7
97,7
4,56
4
96,4
99,3
3,34
5
98,2
79,1
10,01
6
92,9
91,3
5,62
7
92,6
80,1
8,99
8
92,2
99,5
5,74
9
94,9
99,8
2,44
10
96,3
99,1
3,21
11
94,8
99,8
2,97
12
94,2
99,8
3,97
13
95,7
99,6
2,63
14
98,3
92,6
4,95
15
94,3
98,3
4,66
16
96,9
99,5
6,49
Le tableau relatif aux résultats obtenus pour l'espace colorrimétrique RVB et pour E = 9
correspond au tableau K = 10 et Z =50.
190
Annexes
Espace colorimétrique HSI ; E =3 :
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
97,8
96,6
2,81
2
97,3
95,9
2,83
3
99,3
96,4
2,14
4
98,9
97,5
2,66
5
99,8
94,8
2,36
6
99,2
84,8
4,66
7
98,8
95,3
1,97
8
97,0
99,4
2,35
9
98,0
99,3
1,19
10
98,9
97,6
2,31
11
97,9
99,4
1,39
12
99,7
98,5
2,43
13
98,6
99,1
1,26
14
99,6
86,0
7,85
15
99,3
89,5
6,68
16
95,2
98,5
2,73
N° imagette
spécificité (%)
sensitivité (%)
erreur globale (%)
1
97,3
99,4
1,75
2
98,1
96,9
2,11
3
98,4
99,0
1,31
4
98,6
99,1
1,67
5
98,2
98,5
1,48
6
99,4
94,4
1,82
7
97,8
98,7
1,18
8
97,6
99,6
1,81
9
98,0
99,6
1,04
10
98,6
99,2
1,49
11
98,1
99,7
1,16
12
98,4
98,9
1,74
13
98,3
98,8
1,55
14
97,7
98,2
2,31
15
99,3515
96,9632
2,21
16
98,0521
99,2341
1,14
Espace colorimétrique HSI ; E =9 :
191
Annexes
192
Annexes
Annexe 5
Nous présentons dans l'annexe 5 les résultats liés au choix du coefficient a. La sensitivité et la
spécificité représentent la moyenne calculée sur les 16 imagettes.
spécificité
sensitivité
Spécificité et sensitivité (%)
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1
2
3
4
5
6
7
8
9
paramètre x
Le paramètre x pour lequel la spécificté et la sensitivité sont simultanément maximales est
égal à 3, donnant un coefficient a égal à 0,3.
193
Annexes
Annexe 6
Cette dernière concerne les résultats de la classification des pixels par les trois méthodes
(Perceptron à une couche cachée, seuillage d'histogramme, analyse hiérarchique
d'histogramme).
Tableau 1 : Perceptron à une couche cachée.
N° image du lot 1
Spécificité (%)
Sensitivité (%)
Erreur globale (%)
1
99,7
99,1
0,54
2
99,6
99,0
0,55
3
99,8
99,2
0,58
4
99,4
98,2
0,82
5
99,8
97,4
0,85
6
99,7
98,4
0,59
7
99,6
98,1
0,76
8
99,7
97,2
1,15
9
99,5
99,1
0,77
10
99,8
98,7
0,64
11
99,9
98,9
0,45
12
99,4
97,9
1,05
13
99,7
99,7
0,53
14
99,4
98,4
0,68
15
99,3
99,2
1,13
16
99,3
97,7
1,12
17
99,6
98,5
1,03
18
99,7
99,0
0,83
19
99,0
98,6
0,98
20
99,5
97,9
1,12
21
99,4
97,3
1,30
22
99,8
97,4
1,16
23
98,9
99,1
0,86
24
99,7
98,9
0,98
195
Annexes
Tableau 2 : Seuillage d'histogramme.
N° image du lot 1
Spécificité (%)
Sensitivité (%)
Erreur globale (%)
1
99,8
99,65
0,08
2
99,7
99,89
0,13
3
99,7
99,81
0,12
4
99,7
99,88
0,05
5
99,7
99,74
0,07
6
99,6
99,73
0,09
7
99,8
99,68
0,11
8
99,7
99,57
0,18
9
99,7
99,88
0,12
10
99,7
99,89
0,09
11
99,7
99,76
0,11
12
99,7
99,86
0,13
13
99,8
99,85
0,14
14
99,8
99,92
0,06
15
99,4
99,46
0,18
16
99,5
99,38
0,16
17
99,5
99,22
0,21
18
99,7
99,75
0,09
19
99,7
99,78
0,11
20
99,8
99,88
0,07
21
99,8
99,91
0,08
22
99,6
99,86
0,14
23
99,6
99,84
0,13
24
99,7
99,84
0,10
196
Annexes
Tableau 3 : Analyse hiérarchique de l'histogramme, métrique de Mahalanobis.
N° image du lot 1
Spécificité (%)
Sensitivité (%)
Erreur globale (%)
1
98,5
99,6
0,97
2
98,2
99,5
1,17
3
98,2
99,9
0,98
4
98,6
99,8
0,76
5
98,8
99,1
0,99
6
97,8
99,7
1,22
7
98,0
99,5
1,20
8
98,4
99,6
0,94
9
98,6
99,8
0,83
10
99,4
99,6
0,40
11
99,1
99,9
0,56
12
97,6
99,6
1,28
13
97,4
99,9
1,21
14
98,8
99,6
0,69
15
97,5
99,7
2,13
16
95,2
99,7
2,32
17
95,3
99,9
2,16
18
97,4
99,8
1,27
19
96,5
99,7
1,67
20
94,6
99,3
2,39
21
96,5
99,2
1,70
22
95,3
99,8
1,95
23
95,3
99,8
1,92
24
97,0
99,8
1,49
197
résumé
L'objectif de ce travail est d'étudier comment la vision artificielle peut être utilisée, selon des
méthodes d'analyse de forme, comme un indicateur du changement d’état du végétal. Dans ce
but, des indicateurs morphologiques permettant d'émettre un diagnostic sur l'état de la plante
lorsque celle-ci est soumise à des déficits hydriques plus ou moins prononcés, sont
recherchés. L'étude est réalisée sur des images de forsythias acquises en visée verticale.
La procédure mise en oeuvre pour la vision artificielle se décompose en deux étapes :
La première consiste à mettre au point une méthode permettant de classifier les pixels de
l'image en deux groupes : végétal et fond. A cet effet, un perceptron à une couche cachée est
testé avec succès.
La deuxième étape concerne l'identification des paramètres traduisant l'évolution
morphologique globale du végétal au cours du stress hydrique. Plusieurs méthodes ont été
developpées et testées. Pour trois d'entre elles, un seuil au-delà duquel le végétal peut-être
considéré comme stressé, a pu être défini de façon absolue.
Une étude phsyiologique de l'état hydrique du végétal est menée en parallèle de façon à
valider les résultats obtenus par vision artificielle.
Mots-clés : analyse d'images, végétal, état hydrique, forme, indicateurs, classification,
perceptron.
abstract
The purpose of this work is to study how artificial vision, using shape analysis methods, can
indicate a modificatifion of the state of the plant. To this end, morphological indicators,
allowing a diagnosis in the case of plants when water deficits are fairly high, are
researched.The study is realised on images of forsythias looked at from a horizontal plane.
The artificial vision is composed of two steps :
The first one consists of developing a method to classify pixels of the image in two groups :
the plant and its background. Thus, a one hidden layer perceptron was tested with success.
The second step concerns the identification of parameters indicating the whole morphological
evolution of plants under water stress conditions. Several methods were developped and
tested. Three methods allowed to define, in an absolute manner, a threshold above which the
plant can be considered stressed.
A physiological study of the water status of the plant was undertaken in a parallel way to
validate the results obtained by artificial vision.
Keywords: image analysis, plant, water status, shape, indicators, classification, perceptron.

Etude d`indicateurs morphologiques pour la caractérisation

Transcription

Documents pareils

Herbier virtuel cahier des charges

Croissant David

Gd publicV5-Janv08-208x297.indd

Led pixels Straw hat full color (12 mm)

La santé dans l`assiette !

Pour ou contre les mastics cicatrisants

Compte rendu de la visite au salon du végétal d`Angers

Led pixels Straw hat RGB (12 mm)

Rôle et place des êtres vivants

La Vendée, un département soumis au stress hydrique