Cnes Rapport de Stage Dpi96

Rapport de stage
Mémoire de Fin d'Etudes

Amélioration du prétraitement radiométrique et géométrique
des images aéroportées PELICAN
Stagiaire : ARNAL Etienne
Promotion : ISEN Toulon 2007
Tuteur Industriel : FJØRTOFT Roger
Tuteur Académique : INACIO Frédérique Mars à Août 2007

RESUME ABSTRACT
Le système aéroporté PELICAN, développé The airborne camera PELICAN, developed

conjointement par l'IGN, l'ONERA et le CNES, jointly by IGN, ONERA and CNES, permits the
permet d'acquérir des images optiques de très acquisition of optical images of very high
haute résolution. Ces images sont utilisées par le resolution. These images are used by CNES to
CNES pour étudier la qualité image de futurs assess the image quality of future earth
satellites d'observation tels que Pléiades au observation satellites such as Pleiades. Before
travers de simulations. Avant d'être utilisées, les they are used, the PELICAN images undergo a
images PELICAN subissent un certain nombre de certain number of radiometric and geometric
prétraitements radiométriques et géométriques. preprocessing steps. The purpose of the training
Le but du stage était d'améliorer ces period was to improve the preprocessing
prétraitements à différents niveaux. software at different levels.
En ce qui concerne la radiométrie, Concerning the radiometry, the
l'égalisation des acquisitions peut être améliorée equalization of the acquisitions can be improved
par la prise en compte de l'évolution temporelle by taking the temporal evolution of the dark
des niveaux d'obscurité à l’aide de dix colonnes current into account, using the ten columns of
du capteur qui ne sont pas exposées à la lumière. the sensor that are not exposed to light. An
Un filtrage adaptatif des fichiers d’égalisation adaptive filtering of the equalization files allows
permet de mieux compenser les problèmes liés better compensation of the problems related to
aux poussières en tenant compte de la dust by taking the Time Delay Integration effect
compensation de filé. Une méthode pour into account. A method that permits to detect
détecter plus finement les pixels aberrants est abnormal pixels more finely is also proposed.
également proposée. As to the geometry, the estimation of line
Pour la partie géométrie, le calcul des and column shifts on weakly textured zones
décalages sur les zones peu texturées (mer, (water) leads to registration problems, because
champs agricoles…) pose des problèmes, car les the correlation coefficients are weak and the
coefficients de corrélation y sont faibles et absence of homologous points makes the
l'absence de points homologues perturbe le polynomial model diverge. The registration can
modèle polynomial. La registration peut être be made more robust with an adaptive filter
rendue bien plus robuste à l'aide un filtrage imposing average shifts in weakly textured zones.
adaptatif imposant les décalages moyens sur ces The average shifts are computed from well-
zones. Ces décalages moyens sont calculés à textured images of the same flight axis.
partir d'images bien texturées du même axe. Analysis of the acquisitions of the last
L'analyse de la dernière campagne airborne campaign (October 2006) has allowed
(octobre 2006) a permis de démontrer les us to validate the improvements brought by
améliorations obtenues grâce à ces méthodes. these methods.
Mots clés : Prétraitement d’image, Keywords: Image preprocessing, high

imagerie aéroportée haute résolution, correction resolution optic airborne camera, radiometric
radiométrique, co-registration d’images. correction, co-localization of images.
Mémoi re de fi n d’études
ARNAL Etienne Page 2
RESUME FHES
Pour mon mémoire de fin d’études, j’ai eu l’opportunité de travailler à Centre National
d’Etudes Spatiales. En plus d’un acquis scientifique pointu, je me suis intégré dans le monde du
travail et mes choix de carrière se sont affinés.
• Le monde du travail.
J’ai travaillé dans le domaine du traitement d’image au CNES, avec des ingénieurs et des
chercheurs du service Exploitation Image et Instrument. Ce stage m’a appris beaucoup sur les
relations entre les employés et sur la gestion de projets.
Au cours de mon stage, je devais mettre en place des améliorations sur le logiciel PELICAN.
Ce logiciel est utilisé pour traiter les images, juste après une campagne d’acquisition. Il a été
développé par une société de services et par conséquent ils sont les seuls à pouvoir faire des
modifications. Heureusement, j’ai pu installer le logiciel sur une autre machine et j’ai pu y intégrer
plusieurs améliorations. Mais ces modifications ne peuvent pas être utilisées, car elles devront
d’abord faire l’objet d’une validation par la société de services. J’ai ainsi découvert le fonctionnement
et les relations avec les sociétés de service, vu du coté client.
Durant mon stage, mon maître de stage était très occupé par la calibration et la validation
en vol des données de l’instrument IASI embarqué à bord du satellite METOP. Il n’a donc pas pu être
toujours derrière moi et j’ai appris à prendre des initiatives pour enrichir le contenu de mon stage.
• Mon avenir professionnel.
J’ai toujours été très attiré par le domaine de la recherche. En juin, l’ONERA m’a proposé une
thèse ayant attrait à la détection de l’humidité du sol à partir de données aéroportée optiques. Après
deux entretiens j’ai été obligé de refuser la thèse car le sujet ne me semblait pas assez porteur. C’est
une grande déception pour moi mais j’espère avoir une autre opportunité l’année prochaine.
Je garde toujours ma passion première pour l’acoustique mais j’ai acquis à travers mes stages
une bonne expérience en traitement des images satellites. J’ai découvert qu’il existe des entreprises
dans lesquels tous les employés sont liés par une passion commune (et transmissible !). C’est très
agréable et très motivant.
REMERCIEMENTS
Je tiens à remercier Roger FJØRTOFT pour m’avoir accueilli et soutenu au sein du service
DCT/SI/EI et pour l’ensemble des connaissances et expériences dont il a su me faire profiter.
Un grand merci à Jérôme RATIER, le principal utilisateur du logiciel PELICAN, pour avoir mis à
ma disposition les données brutes de la dernière campagne.
Je remercie Joël DUFFAUT du Département d’Optique Théorique et Appliquée (DOTA/POS)

de l’ONERA et Christian THOM du Laboratoire d’Opto-Electronique et de Micro-Informatique (LOEMI)
de l’IGN pour leurs aides sur l’instrument PELICAN et sur les méthodes d’égalisation des données.
Je remercie aussi Jean Marc DELVIT pour son explication à propos de l’aérotriangulation et
Christophe LATRY du service Qualité Image pour ses conseils.
Enfin, je remercie l’ensemble du personnel du service DCT/SI/EI pour leur accueil, leur
disponibilité et leur bonne humeur tout au long de mon stage.
DIFFUSION
NOM ADRESSE NB
ARNAL Etienne 1695 av de la Résistance, 83000 Toulon 1
FJØRTOFT Roger CNES DCT/SI/EI – bpi 901 1

18 av Édouard Belin, 31401 Toulouse Cedex 09
INACIO Frédérique L2MP ISEN Maison des Technologies 1
Place Georges Pompidou, 83000 Toulon
TABLE DES MATIERES
Table des illustrations…………………………………………………………………………………………………………………………7

Liste des abréviations…………………………………………………………………………………………………………………………9
I. Objectifs du stage ............................................................................................................. 11

A. Plan de travail .......................................................................................................... 11
B. Outils informatiques................................................................................................. 11
C. Gestion du temps..................................................................................................... 12
D. Gestion des coûts..................................................................................................... 13
II. Présentation du CNES........................................................................................................ 14
A. Un pôle d’excellence ................................................................................................ 14
B. Les chiffres .............................................................................................................. 15
C. Les programmes ...................................................................................................... 15
D. Les centres .............................................................................................................. 16
E. Les établissements ................................................................................................... 17
1. Le CSG, c entre spatial guyanais ..........................................................................................................17
2. Le DLA, centre spatial d’Evry...............................................................................................................18
3. Le CST, c entre spatial de Toulouse.....................................................................................................18
F. L’organigramme ....................................................................................................... 20
III. La division DCT/SI, service Exploitation Images & Instruments ........................................... 21
A. La sous-direction DCT/SI........................................................................................... 21
1. Les missions du DCT/SI .........................................................................................................................21
2. L’organisation du DCT/SI......................................................................................................................21
B. Le service DCT/SI/EI, Exploitation Images & Instruments ............................................ 22

IV. Le système PELICAN .......................................................................................................... 23
A. L’instrument ............................................................................................................ 23
B. Le système d’acquisition........................................................................................... 24
C. Les données brutes .................................................................................................. 25
V. Le prétraitement PELICAN ................................................................................................. 26
A. L’import des données............................................................................................... 26
B. La correction radiométrique ..................................................................................... 27
1. L’égalisation ...........................................................................................................................................28
2. La correction ..........................................................................................................................................28
C. La correction géométrique........................................................................................ 29
1. La recherche des corrélations .............................................................................................................29
2. Le modèle polynomiale des décalages ..............................................................................................30

D. Le rééchantillonnage ................................................................................................ 30
E. Les produits PELICAN................................................................................................ 31
VI. Evaluation et amélioration du prétraitement PELICAN ....................................................... 32
A. Les problèmes rencontrés sur les images................................................................... 32
1. Problèmes liés au capteur ...................................................................................................................32
2. Problèmes liés à la correction radiométrique..................................................................................35

3. Problèmes liés à la correction géométrique ....................................................................................35
B. Evaluation et amélioration du prétraitement radiométrique....................................... 36
1. La réalisation des données d’égalisation ..........................................................................................36
2. Les bandes d’obscurité.........................................................................................................................39
3. Filtrage des données d’égalisation.....................................................................................................41
C. Evaluation et amélioration du prétraitement géométrique ......................................... 49
1. La méthode de registration.................................................................................................................49
2. L’étude des décalages inter-bandes ..................................................................................................54
3. La registration sur les zones à faible radiométrie ...........................................................................57

VII. Les améliorations implémentées ....................................................................................... 60
A. Filtrage des coefficients d’égalisation ........................................................................ 60
1. Filtre anti-poussières ............................................................................................................................60
2. Filtre TDI..................................................................................................................................................61
B. Estimation des décalages d’une prise de vue ............................................................. 62

C. Recherche des pixels aberrants dans les données d’égalisation................................... 64
D. Prise en compte des valeurs de la bande d’obscurité.................................................. 65
E. Vérification de la cohérence des modèles de décalages.............................................. 66
F. Intégration des outils de visualisation de la registration ............................................. 67
VIII. Vue globale des améliorations du Prétraitement ............................................................... 69
Conclusion………………………………………………………………………………………………………………………………………..70
IX. Bibliographie .................................................................................................................... 71

X. Annexes............................................................................................................................ 72
A. Extrait PELICAN le 16/10/2006 Cannes 10cm ............................................................. 72
B. Les activités DCT/SI/EI .............................................................................................. 73
TABLE DES ILLUSTRATIONS
Figure 1: Logo du CNES................................................................................................................ 14

Figure 2: Les lancements de Kourou ............................................................................................. 18
Figure 3: Organigramme du CNES (sept 2006) ............................................................................... 20
Figure 4: Simulation du viaduc de Millau par Pléiades.................................................................... 22
Figure 5: Les 4 caméras PELICAN .................................................................................................. 23
Figure 6: Profil des 5 filtres Pléiades pour PELICAN........................................................................ 24
Figure 7: Le système PELICAN en vol............................................................................................. 24
Figure 8: Architecture du système PELICAN .................................................................................. 25
Figure 9: Format des données brutes ........................................................................................... 25
Figure 10: Description technique du système PELICAN .................................................................. 26
Figure 11: Import des données..................................................................................................... 27
Figure 12: Traitement de la radiométrie ....................................................................................... 27
Figure 13: Traitement de la géométrie.......................................................................................... 29
Figure 14: Composition RVB sans registration (à gauche) et composition RVB après application des
décalages déterminés par corrélation (à droite) ............................................................................ 30
Figure 15: Rééchantillonnage ....................................................................................................... 31
Figure 16: Colonne aberrante sur image brute .............................................................................. 32
Figure 18: Fantômes, dû aux réflexions hublot - filtre .................................................................... 33
Figure 17: Poussière sur l'image brute .......................................................................................... 33
Figure 19: Flou directionnel sur la bande bleue ............................................................................. 33
Figure 20: Saturation sur l'image brute ......................................................................................... 34
Figure 21: Variation du courant d'obscurité moyen pendant la chauffe des CCD ............................. 34
Figure 22: Poussières et colonne aberrante après le prétraitement radiométrique......................... 35
Figure 23: Mauvaise coregistration des bandes flagrante............................................................... 35
Figure 25: Formule d'égalisation .................................................................................................. 36
Figure 24: Mauvaise coregistration en bordure de l'image ............................................................. 36
Figure 26: Matrice d'obscurité et en éclairement .......................................................................... 37
Figure 27: Comparaison de l'évolution temporelle de la sensibilité en obscurité et en éclairement .. 38
Figure 28: Pollution de la bande d'obscurité par la dernière colonne de l'image.............................. 39
Figure 29: Effet du TDI sur les dernières lignes de l'image .............................................................. 40
Figure 30: Variation de la médiane des 4 pixels centraux de la dernière ligne de la bande d'obscurité
.................................................................................................................................................. 41
Figure 31: Mauvaise correction d'une poussière ........................................................................... 43
Figure 32: Vue des effets du filtre anti-poussières ......................................................................... 44
Figure 33: Comparaison des résultats du prétraitement avec des coefficients d'égalisation bruts et
filtrés anti-poussières.................................................................................................................. 45
Figure 34: Vue des effets du filtre estimateur du TDI ..................................................................... 47
Figure 35: Comparaison des résultats du prétraitement avec des coefficients d'égalisation bruts et
filtrés TDI.................................................................................................................................... 47
Figure 36: Limite du prétraitement avec des coefficients d'égalisation filtrés TDI ............................ 48
Figure 38: Formule de la corrélation d'image ................................................................................ 50
Figure 37: Principe de la corrélation MEDICIS................................................................................ 50
Figure 39: Bandes (rouge, bleue) de deux images à radiométrie différente (ville, mer) .................... 52
Figure 40: Validité des résultats de corrélation (FLAG_VALID = 1) et coefficients de corrélation
(CRIT_PRECIS) ............................................................................................................................. 53
Figure 41: Points homologues utilisés pour générer le modèle polynomial ..................................... 54
Figure 42: Les mouvements de l'avion .......................................................................................... 55
Figure 43: Mosaïque PELICAN sur Amiens..................................................................................... 55
Figure 44: Décalages moyen et variance (ligne et colonne) le long d'un axe pour les 3 bandes
secondaires (VBI) ........................................................................................................................ 56
Figure 45: Deux images structurellement différentes (mer, ville).................................................... 58
Figure 46: Points homologues utilisés pour calculer le modèle ....................................................... 58
Figure 47: Résultats du rééchantillonnage avec la grille de corrélation calculée et la grille de
corrélation estimé ....................................................................................................................... 59
Figure 48: Compositions colorées des images sur Cannes .............................................................. 68
Figure 49: Vérifications visuelles des images sur Cannes................................................................ 68
LISTE DES ABREVIATIONS
CCD = Charge-Coupled Device,
CNES = Centre National d’Etudes Spatiales,
CSG = Centre Spatial Guyanais,
CST = Centre Spatial de Toulouse,
DLA = Direction des Lanceurs,
DOTA = Département d’Optique Théorique et Appliquée,
ENVI = ENvironment for Visualizing Image,
ESA = European Space Agency,
GMES = Global Monitoring for Environment and Security,
GPS = Global Positioning system,
IDL = Interactive Data Language,
IGN = Institut Géographique National,
ISEN = Institut Supérieur d’Electronique et du Numérique,
LOEMI = Laboratoire d’Opto-Electronique et de Micro-Informatique,
MATLAB = MAtrix LABoratory,
MCO = Maintien en Condition Opérationnelle,
MEDICIS = Moyen d'Evaluation de Décalages entre Images, Commun à l'Imagerie Spatiale,
ONERA = Office National d’Etudes et de Recherches Aérospatiales,
ORION = Outil de Rééchantillonnage d’Images Optimisé Numériquement,
PELICAN = Plate-forme Et Logiciel pour les Images des Caméras Aéroportées Numériques,
TDI = Time Delay Integration,
TIFF = Tagged Image File Format,
XML = eXtensible Markup Language.
Tout au long de mon parcours scolaire, j’ai été fasciné par le domaine spatial et plus
particulièrement par l’observation de la Terre. Ce secteur est actuellement en plein essor est offre
une grande quantité d’outils (optiques, radars, spectraux…) aux scientifiques, applicables dans des
domaines très variés (géographie, météorologie, bathymétrie…). L’utilisation de ces outils permet
l’analyse des phénomènes sur l’ensemble de la Terre.
Au fil des années, je me suis spécialisé dans le traitement du signal numérique et plus
particulièrement dans le traitement d’image grâce à mes deux stages. Le premier, à l’ESA à Rome,
m’a fait découvrir les méthodes de traitement d’image satellite utilisées pour la génération d’un
modèle numérique de terrain 3D. Le deuxième, au CNES à Toulouse, qui fait l’objet de ce rapport,
m’a permis de comprendre les étapes du prétraitement des images telles que la correction
radiométrique et la registration d’images multi-spectrales.
“Le doute est père de la création.”

Galilée
I. Objectifs du stage
Du 5 mars au 30 août 2007, j’ai intégré le service DCT/SI/EI du CNES (Centre National
d’Etudes Spatiales) de Toulouse. Ce mémoire décrit l’ensemble de mon travail et s’inscrit dans le
cadre du stage de fin d’études du cycle ingénieur de l’ISEN Toulon. Le domaine scientifique dominant
de ce stage est le traitement du signal et plus particulièrement le traitement d’image.
A. Plan de travail
L’objectif principal du stage et l’amélioration du prétraitement radiométrique et

géométrique des images aéroportées PELICAN. Le système aéroporté PELICAN, développé
conjointement par l’IGN, l’ONERA et le CNES, permet d’acquérir des images optiques de très haute
résolution. Ces images sont utilisées par le CNES pour étudier la qualité image de futurs satellites
d’observation tels que Pléiades au travers de simulations. Avant d’être utilisées, les images PELICAN
subissent un certain nombre de prétraitements radiométriques et géométriques. Le but du stage est
d’améliorer la chaîne de prétraitement actuelle à deux niveaux :
• Prise en compte de l’évolution temporelle des niveaux d’obscurité lors de l’égalisation

radiométrique.
• Perfectionnement de la stratégie de coregistration des bandes spectrales afin de la rendre
plus rapide, précise et robuste.
Ce dernier point inclut, si le temps le permet, une étude sur la possibilité de prendre en
compte l’étalonnage géométrique des quatre caméras (grandissement et modèle de distorsion),
plutôt que de calculer un modèle polynomial de passage des bandes multi spectrales vers la bande
de référence.
B. Outils informatiques
Le CNES a mis à ma disposition un PC pour réaliser mes études. J’ai aussi profité d’espaces
disques sur les stations de travail (Unix) PELICAN. Ces stations de travail, dédiées au prétraitement
des données PELICAN, m’ont permis d’utiliser une grande variété de bibliothèques et de logiciels
développés par le CNES.
J’ai pu réaliser mon étude grâce aux outils IDL, ENVI et MATLAB. Le logiciel de prétraitement
PELICAN utilisant des outils internes au CNES, je me suis familiarisé avec MEDICIS et ORION. Pour
l’étude de la méthode d’aérotriangulation, j’ai utilisé des logiciels développé par l’IGN tels que TA,
TopAéro et des algorithmes libres de détection de points homologues comme Autopano, SIFT.
C. Gestion du temps
Au cours de mes 6 mois de stage (26 semaines), j’ai travaillé 5 jours par semaine de 9h à 18h.
Voici la répartition de mon travail dans le temps (en semaine) :
Actions Temps
Accueil au CNES 0.2
Etude du système
- Etude du logiciel PELICAN 2
- Etude des produits PELICAN 1
- Etude de l’instrument PELICAN à l’ONERA 1
Réalisation de prétraitements test
- Sur un chantier parfait 0.5
- Sur un chantier à problème 0.5
- Etude des résultats 2
- Liste des problèmes sur les images 2
Analyse de la radiométrie
- Etude de la méthode d’égalisation 0.5
- Etude des bandes d’obscurité 1
- Etude des poussières 1
- Etude des pixels aberrants 0.5
Analyse de la géométrie
- Etude d’un cas de mer 0.5
- Traitement d’un chantier sur Cannes 0.5
- Test de l’estimation des décalages 1
Etude des données d’étalonnage
- Réalisation d’acquisitions d’étalonnage 1
- Traitement des acquisitions 1
- Réalisation du filtre anti-poussière 1
- Réalisation du filtre TDI 1
Intégration dans le logiciel 4
Rédaction du rapport 1.5
Préparation de la présentation au CNES 1
Préparation de la soutenance à l’ISEN 1
D. Gestion des coûts
Ce que le CNES a investit :
La campagne PELICAN d’octobre :
L’acquisition des données se fait à bord d’un avion de l’IGN, l’ensemble des coûts revient à
3000 € par heure de vol. Une campagne complète peut donc facilement dépasser 100 000 €.
Le logiciel PELICAN :
Le logiciel de prétraitement PELICAN a été développé par Cap Gemini, qui est par conséquent
propriétaire du code et qui garantit la maintenance opérationnelle. Le CNES paye donc un forfait
annuel pour la maintenance et peut aussi proposer des évolutions. Le temps nécessaire pour faire
ces évolutions est chiffré par Cap Gemini et est facturé à hauteur de 400 € par jour.
Le prétraitement des données :
Après acquisition des données, le prétraitement est effectué par un technicien sous-traitant
payé 400 € par jour. Le prétraitement complet d’une campagne dure environ 6 mois.
La rémunération du stagiaire :
Le CNES se base sur des grilles de salaire pour fixer la rémunération du stagiaire, ne venant
pas de la région toulousaine, mon salaire était de 748 € bruts par mois.
Ce que le CNES a économisé grâce à mon travail :
Le prototypage des évolutions du logiciel :
Mon travail d’intégration des évolutions dans le code source du logiciel à permit au CNES de
proposer à Cap Gemini des évolutions déjà bien avancées au niveau de l’implémentation. Le prix de
l’évolution ne tiendra donc compte que de la vérification et la validation du code.
Le temps de prétraitement :
Grâce à la mise en place de la correction automatique des modèles de rééchantillonnage

défectueux, l’opérateur n’aura plus besoin de vérifier toutes les images et cela représente un gain de
temps d’environ 1 mois sur le prétraitement d’une campagne complète.
Après un calcul simple, on arrive à la conclusion que le CNES a investit un peu moins de 4500
€ dans mon travail. Mes résultats leurs permettront d’économiser 1 mois d’opérateur soit environ
8000 € par campagne et de largement diminuer la facture de Cap Gemini pour les évolutions du
logiciel. Sans compter bien sûr le gain en termes de qualité image engendré par les améliorations que
j’ai développé.
II. Présentation du CNES
Le CNES, créé en décembre 1961, est chargé

d’élaborer, de proposer et de conduire la politique spatiale
de la France. Ses activités et produits intègrent pleinement
la dimension du marché qui requiert innovation et
recherche de nouvelles applications.
Figure 1: Logo du CNES
A. Un pôle d’excellence
Le CNES a pour objectif de développer les utilisations de l’espace, que ce soit pour satisfaire
les besoins des collectivités publiques en matière civile et militaire et de la communauté scientifique,
ou pour favoriser l’émergence et la diffusion de nouvelles applications, sources de création de
richesses et d’emplois. En outre, le CNES a pour mission d'animer la politique de la science spatiale,
notamment dans le domaine des sciences de la Terre et de l'océanographie pour lequel d'excellents
résultats ont été obtenus, permettant ainsi de mieux connaître notre planète.
Le CNES est particulièrement sensible à la protection de la Terre. Il développe certaines

techniques pour permettre de mieux traiter les risques naturels et les problèmes liés à la
désertification et aux ressources en eau.
Le CNES conduit la politique spatiale française :
- en participant aux programmes de l’Agence Spatiale Européenne (ESA), dont il est un des
principaux contributeurs. La France joue un rôle de proposition et d’entraînement de premier
plan dans l’évolution des objectifs et la réalisation des programmes de l’ESA,
- en réalisant un programme national qui complète les programmes de l'ESA.
Le CNES est en relation avec de nombreux partenaires :
- les utilisateurs de l’espace, pour lesquels il identifie et développe les techniques spatiales et
les applications appropriées à leurs besoins,
- l’industrie française, vers laquelle il transfère peu à peu son savoir-faire afin d'en assurer la
compétitivité au niveau mondial,
- les laboratoires des grands organismes scientifiques, avec lesquels il travaille sur de
nombreux programmes de recherche,
- les organismes de défense, avec lesquels il participe à la construction d’un programme de

défense et établit ainsi une synergie entre programmes civils et militaires,
- les agences spatiales d’autres pays, avec lesquels il coopère, principalement dans le
domaine scientifique,
- les pays en voie de développement, dont il soutient l’implication dans l’utilisation de
techniques spatiales à des fins d'enseignement, de croissance économique et de gestion des
ressources.
B. Les chiffres
1961 Création du CNES
1 698,6 millions d'euros Budget annuel total, incluant la contribution de la

France à l’ESA à hauteur de 685 millions d’euros
4 centres Siège (Paris), Centre spatial de Toulouse, Direction

des lanceurs (Evry), Centre spatial guyanais (Kourou)
2524 salariés Composés en majorités d’ingénieurs et cadres et

répartis dans les 4 centres. Paris : 238 - Evry : 246 -
Kourou : 269 - Toulouse : 1771
65 % / 35 % Répartition hommes/femmes
5 grands thèmes Accès à l'espace, Développement durable,

Applications grand public, Sécurité et défense,
Recherche et innovation
C. Les programmes
Les domaines dans lesquels s’exerce cette politique sont ceux porteurs d’enjeux stratégiques,
économiques et scientifiques les plus importants :
- L’accès à l’espace avec le programme Ariane et l'exploitation d’un centre de lancement en

Guyane (le Centre Spatial Guyanais). Ce programme est conduit dans le cadre de l’ESA et la
commercialisation des services de lancement est assurée par la société Arianespace.
- Le développement durable avec le programme GMES (projet de surveillance globale de

l’environnement et de la sécurité), des satellites dédiés à l’observation de l’environnement
continental, marin et atmosphérique, ainsi qu’à la gestion des risques et des crises. Mais aussi
la filière Spot, embarquant l’instrument Végétation, les satellites d’océanographie
Topex/Poseidon et Jason, les balises Argos, la plateforme Envisat et bientôt Jason 2 et la
constellation Pléiades, font partie des réalisations les plus connues.
- Les applications grand public avec le développement du « village communicant »

combinant le haut débit par satellite avec les technologies terrestres.
- La sécurité et la défense avec ses satellites Spot et futurs Pléiades. Le CNES met ses
compétences au service de la Défense, en assurant notamment la maîtrise d'œuvre des
satellites Hélios. Là aussi avec le programme GMES qui mutualise les moyens spatiaux pour le
suivi de l’environnement et la protection des populations. Il intègre également un soutien
spatial aux forces et aux organisations européennes dans leurs interventions humanitaires ou
leurs opérations de maintien de la paix.
- Les applications opérationnelles et commerciales des techniques spatiales telles que

l’observation de la Terre (Spot, ERS, Meteosat, IASI...) et les télécommunications (Télécom 2,
Stentor, Galileo...).
- Les programmes scientifiques en liaison avec les organismes de recherche, en coopération

européenne ou internationale (Topex-Poséidon, Jason, Envisat, Polder 2, Cluster, Odin, Corot,
Cassini Huygens, Rosetta, Mars Express, Mars Premier...).
D. Les centres
Pour mener à bien ces activités, le CNES dispose de différents établissements porteurs
chacun de compétences et de missions spécifiques :
CNES (Paris) Siège social
Centre National d'Etudes Spatiales

2 place Maurice Quentin
75 039 PARIS CEDEX 01
FRANCE
Tél. : (+33.1)01.44.76.75.00
CNES/DLA (Evry) Direction des lanceurs, chargée du programme Ariane
Centre National d'Etudes Spatiales

Rond Point de l'Espace
91023 EVRY CEDEX
FRANCE
Tél. : (+33.1) 01.60.87.71.11
CNES/CST (Toulouse) Centre spatial de Toulouse, chargé de la préparation et du

développement des projets spatiaux, de l'exploitation des moyens
opérationnels, de la recherche et technologie
Centre Spatial de Toulouse

18 avenue Edouard Belin
31 401 TOULOUSE CEDEX 4
FRANCE
Tél. : 05 61 27 31 31
CNES/CSG (Kourou) Centre spatial guyanais, base de lancement et d'essais
CNES - Centre Spatial Guyanais

BP 726
97387 Kourou Cedex
Tél. :05 94 33 51 11
CNES/CBLA (Aire-sur- Centre de lancement de ballons, rattaché au CST

l’Adour)
E. Les établissements
Le CNES réunit 2 500 agents répartis sur ces différents sites. Le siège du CNES, situé à Paris,
regroupe les structures à vocation fonctionnelle. En liaison avec les ministères de tutelle, il assure
l’élaboration et la promotion de la politique de l’établissement. En concertation avec les centres
techniques, il définit les orientations stratégiques et les relations avec les partenaires extérieurs.
Environ 250 personnes travaillent au Siège du CNES.
1. Le CSG, centre spatial guyanais
Le CNES a installé son établissement technique, responsable des

moyens opérationnels de lancement d'Ariane, en Guyane. C'est une région
chargée d'histoire qui a donc accueilli le Centre Spatial Guyanais (CSG),
port spatial de l'Europe.
Créé en 1964, le Centre Spatial Guyanais est devenu opérationnel

en avril 1968 avec le tir d'une fusée-sonde Véronique. Les activités du
CNES au CSG sont aujourd'hui totalement axées sur le programme Ariane
dont le premier lancement eut lieu le 24 décembre 1979. Il apporte un service général aux équipes
industrielles, lors de la préparation des lancements sur le site de Kourou. Il coordonne tous les
moyens nécessaires aux lancements (poursuite radar du satellite, réception et traitement des
informations transmises par le lanceur) et assure la sécurité des personnes ainsi que la protection
des installations, lors de la préparation des satellites et des lancements.
Une situation exceptionnelle :
La situation du Centre Spatial Guyanais, proche

de l'Equateur (5 degrés Nord) est idéale pour la mise en
orbite de satellites géostationnaires. Cela se traduit par
un gain de masse en orbite de transfert géostationnaire.
En outre, sa situation sur la côte nord-est de l'Amérique
du Sud, offre un secteur de lancement unique au monde
(de -10,5 degrés à + 93,5 degrés, en passant par le Nord).
Figure 2: Les lancements de Kourou
2. Le DLA, centre spatial d’Evry
La direction des lanceurs implantée à Évry (Essonne, région parisienne), mène tous les
développements du lanceur Ariane, sur mandat de l’ESA. Elle assure également un accompagnement
permanent du lanceur lors de la production, de la commercialisation et des lancements, pris en
charge par Arianespace. Très active dans l’élaboration du programme Ariane 5, cette direction
prépare les évolutions de ce programme et mène la réflexion sur les nouveaux concepts de lanceurs,
les systèmes avancés de propulsion et les projets futurs. Près de 250 personnes travaillent au Centre
Spatial d'Evry.
3. Le CST, centre spatial de Toulouse
Le Centre Spatial de Toulouse (CST) a été créé en 1968. Il est aujourd'hui un pôle technique
et opérationnel unique par son importance et la diversité de ses activités. Il développe, en
partenariat avec l’industrie, des systèmes spatiaux complets, jusqu’à leur mise en service. Il participe
à la réalisation de projets scientifiques ou instrumentaux et pilote des programmes de recherche ou
d’application tels que Spot, Hélios, Télécom, Argos, Cospas-Sarsat, pour le compte du CNES ou des
utilisateurs. Ce centre conduit également toutes les opérations de mise et maintien à poste de
satellites dont le CNES a la responsabilité. Sa maîtrise des opérations est reconnue et utilisée par les
maîtres d’œuvre français pour la mise en orbite des satellites qu'ils fournissent à des opérateurs dans
le cadre des contrats à l'exportation. Enfin, le Centre Spatial de Toulouse développe un important
programme de recherche et de technologie. Des moyens techniques considérables lui confèrent la
capacité à analyser de nouvelles techniques de base et à concevoir les systèmes spatiaux du futur.
Sur 57 hectares, il regroupe près de 2 500 personnes, agents CNES, personnel sous contrat et
personnel des sociétés filiales.
a) Les missions du CST
La mission du CST se décline suivant deux grands axes :
1) maîtrise des techniques de base nécessaires au développement des systèmes spatiaux afin
de permettre à l'industrie et à la recherche spatiale française de poursuivre son action dans un
contexte national, européen et international,
2) contrôle et exploitation des systèmes en opération pour le compte de clients

institutionnels nationaux, européens et internationaux. Dans ce cadre, le Centre Spatial de
Toulouse étudie, développe, qualifie et opère la totalité ou certaines parties des systèmes
spatiaux dont la responsabilité lui est confiée.
L'étude des systèmes spatiaux de l'avenir ne peut valablement aboutir sans être
accompagnée d'un programme visant à développer les technologies de pointe, indispensables au
développement de leurs composantes : instruments, engins spatiaux, secteur terrien. Ce programme
de Recherche et Développement (R&D) se compose de deux parties : la R&D thématique
(radiocommunication, observation, sciences et infrastructure orbitale et transport spatial) et la R&D
générique (conception et développement des systèmes, technique et technologie et composants
électroniques).
b) Les moyens techniques au CST
Les moyens techniques du CST permettent :
- l’investigation et l’analyse de nouvelles techniques de base pour prendre en compte

l'émergence de nouvelles technologies,
- la contribution à la conception des systèmes spatiaux du futur pour maintenir et renforcer

la capacité du CNES à préparer de nouveaux programmes,
- l'aide à la définition et à l'exécution d'un programme de Recherche et Technologie,
- la conduite d'expertises objectives de mesures (métrologie),
- le développement, avec l'industrie, de systèmes spatiaux complets jusqu'à leur mise en

service opérationnel,
- la réalisation en maîtrise d'œuvre interne, de projets notamment scientifiques ou

instrumentaux.
Les moyens lourds d'essais en environnement spatial sont regroupés sur le centre et mis en
œuvre par la filiale du CNES Intespace.
c) Les moyens opérationnels au CST
Les équipes de projet du Centre Spatial de Toulouse assurent également pour le compte du
CNES ou d'entités utilisatrices, la gestion des grands programmes d'application : Spot, Hélios, TDF,
Telecom, Cospas-Sarsat, Argos ou de programmes scientifiques menés en coopération tels que les
vols habités.
Pour cela, le Centre Spatial de Toulouse dispose de moyens opérationnels :
- des centres de contrôle pour la surveillance des satellites,
- un réseau de stations de collecte d'informations traitées par les centres de contrôle

spécialisés,
- un centre informatique parmi les plus performants de France, ouvert sur le monde par son
réseau,
- des centres opérationnels spécialisés pour la collecte et la localisation des données

(système Argos, Cospas-Sarsat).
F. L’organigramme
Figure 3: Organigramme du CNES (sept 2006)
III. La division DCT/SI, service Exploitation Images & Instruments
Mon stage s’est déroulé dans la division Charges utiles Scientifiques et Imagerie, plus
spécifiquement dans le service Exploitation Images & Instruments. Voici une présentation de la
division et du service.
A. La sous-direction DCT/SI
1. Les missions du DCT/SI
La Sous Direction Charges utiles Scientifiques et Imagerie (DCT/SI) a pour missions

d’organiser, mettre en œuvre et pérenniser les métiers spécifiques des charges utiles scientifiques et
de l’imagerie. Ces métiers impliquent pour les filières d’excellence du CNES une interaction forte
avec la définition de la mission entraînant une implication dans
certaines structures scientifiques.
Les domaines techniques couverts comprennent tout

particulièrement la physique de la mesure radiofréquence et
optique, l’optique, la détection, le traitement image, la qualité
image et l’instrumentation.
Les domaines d’application de ces techniques

concernent les Sciences en micropesanteur (vie et matière) les
Sciences physiques, les Sciences de l’Univers, les Sciences et
l’Observation de la Terre.
2. L’organisation du DCT/SI
Le DCT/SI comprend :
- un sous-directeur (SI/D).
- un sous-directeur adjoint QTIS (SI/DA), chargé, par lettre de mission du sous-directeur,
d’assurer les fonctions de sous-directeur adjoint garantissant la continuité opérationnelle de
la sous direction en l’absence du sous directeur.
- un chargé de mission Politique Technique Instruments & Imagerie (SI/CM).
- un chargé de mission Qualité & Synthèses (SI/QS). Il assure la fonction de correspondant
Qualité, chargé de suivre et de coordonner, en liaison avec le sous-directeur et les chefs de
services, l’application des dispositions prévues par le Système de Management du CNES et
assure le lien fonctionnel avec le service DCT/AQ/MQ.
- 10 services :
o un service Altimétrie & Radar (SI/AR),
o un service Physique de la Mesure Optique (SI/MO),
o un service Qualité Image (SI/QI),
o un service Ingénierie Mission (SI/IM),
o un service Instruments (SI/IN),
o un service Optique (SI/OP),
o un service Chaîne Détection (SI/CD),
o un service Analyse et Produits Images (SI/AP),
o un service Exploitation Images & Instruments (SI/EI),
o un service Expérimentations en Micropesanteur (SI/EM).
- 4 équipes ont une vocation scientifique couplée à leur activité :
o une équipe Géodésie Spatiale (SI/GS),
o une équipe LEGOS/CNES (SI/LG),
o une équipe CESBIO/CNES (SI/CB),
o une équipe MEDIAS/CNES (SI/MD).
B. Le service DCT/SI/EI, Exploitation Images & Instruments
Ce service est responsable :
- des opérations du suivi des performances des capteurs en orbite (Spot, Hélios, Polder,
Végétation), de l’élaboration et de la gestion des paramètres systèmes nécessaires au
maintien de ces performances,
- du maintien en condition opérationnelles des centres d’expertises (QIS, GEQI, SQI, QIV),
- de l’expression des besoins opérationnels et de la préparation des opérations pour les
futures cellules d’expertises (en particulier pour Hélios2, le TEC IASI, Calipso, Pléiades,
Parasol),
- de la mise à disposition de ces moyens aux experts des autres services de la sous direction,
- de la définition et de la mise en œuvre des ateliers capteurs aéroportés et restitution
d’images (PELICAN),
- de la gestion, de l’administration, de la préparation des évolutions des moyens informatiques
spécifiques aux métiers images de la sous direction.
Figure 4: Simulation du viaduc de Millau par Pléiades
IV. Le système PELICAN
En 1993, l’IGN a mis en place le projet Caméra Numérique pour démontrer la faisabilité et la
pertinence d’une acquisition aéroportée numérique pour la production cartographique. Au fil des
années de recherche, le système a beaucoup évolué, atteignant actuellement des résolutions
impressionnantes et des configurations instrumentales très variées.
Intéressés par les travaux de l’IGN, le CNES et l’ONERA se sont dotés en 2002 d’un système
aéroporté numérique prototypé par l’IGN. Ce système a été baptisé PELICAN pour Plate-forme Et
Logiciel pour les Images des Caméras Aéroportées Numériques. L’ONERA gère la réalisation des
missions en vol et la maintenance de l’instrument en condition opérationnelle tandis que le CNES
s’occupe du traitement des acquisitions. La finalité de ce nouveau système est la simulation d'images
pour les études systèmes de futurs satellites, et notamment l’étude de la reconstruction 3D de
scènes physiques.
Nous allons définir dans cette partie les caractéristiques de l’instrument et de son
fonctionnement au cours d’une mission. Puis nous nous pencherons sur l’acquisition des données et
la chaîne de traitement PELICAN.
A. L’instrument
L’instrument PELICAN est composé de plusieurs caméras numériques

matricielles. Ces caméras sont toutes fixées à un même socle de manière à
réduire les vibrations des caméras. Lors d’une mission, le socle est incorporé
dans un avion via un jeu d’amortisseurs mécaniques pour minimiser l’effet des vibrations de l’avion.
La configuration la plus classique actuellement consiste en

l’assemblage des 4 têtes panchromatiques munies de filtres colorés pour
une acquisition multi canal dans les bandes Verte, Rouge, Bleue et
proche Infrarouge. L’utilisation de caméra panchromatiques, à l’instar
des caméras dîtes « de Bayer » permet d’améliorer considérablement la
qualité des images.
Figure 5: Les 4 caméras PELICAN
Les têtes de caméra en service sont équipées de CCD Kodak 16 Mégapixels soit une matrice
de 4096*4106 pixels. Chaque cellule CCD mesure 9µm de côté. Ces CCD sont aussi équipés d’un
dispositif anti-éblouissement (anti-blooming). Leur puits de potentiel à forte capacité de remplissage
permet d’atteindre une dynamique supérieure à 2000 niveaux de gris. La partie optique de chaque
caméra est constituée d’un objectif Schneider type Apo-digitar de focale 150mm, d’un
obturateur Rollei – electronic shutter n°0, et d’un filtre Melles Griot.
Figure 6: Profil des 5 filtres Pléiades pour PELICAN
Une des grandes avancées du système PELICAN, est l’intégration de la compensation de filé
électronique (Time Delayed Integration). Le mouvement linéaire de l’avion durant le temps
d’exposition du capteur est compensé par un décalage ligne par ligne des charges. L’orientation des 4
caméras doit par conséquent être associée précisément au mouvement de l’avion.
Le système d’acquisition a été optimalisé pour une résolution de 25cm, correspondant à une
hauteur de vol d’environ 4000m où il y a peu de turbulences. On peut cependant atteindre 5 cm au
sol car la résolution ne dépend que de la hauteur de l’avion, mais plus on diminue l’altitude
(augmente la résolution), plus l’avion est soumis aux vents et les acquisitions sont plus difficiles.
B. Le système d’acquisition
Chaque caméra est reliée à son rack

d’acquisition. Ce dernier comporte, pour chaque
caméra, un PC sous OS9 (système d’exploitation Figure 7: Le système PELICAN en vol
temps réel) composé d’une carte mère, d’une carte
d’acquisition image, d’une carte réseaux et d’un disque dur. Les disques durs sont amovibles et
peuvent stocker jusqu’à 70 Go. A titre indicatif, une donnée image brute nécessite 33 Mo.
La lecture des capteurs se fait à une fréquence de 8MHz ce qui permet une vitesse
d’acquisition rapide (une acquisition toutes les 3,5 secondes environ). Une interface GPS envoie des
tops au GPS de navigation de l'avion, ce qui permet de connaître avec précision les coordonnées du
sommet de la prise de vue.
Figure 8: Architecture du système PELICAN
C. Les données brutes
Les caméras produisent pour chaque pixel une valeur entière codée en 12 bits, donc des
valeurs allant de 0 à 4095. Chaque image en sortie d’une caméra est stockée au format RAW avec un
en-tête de 1024 octets. Chaque pixel est codé sur deux octets (unsigned short, Big Endian). Les
fichiers sont transférés des disques amovibles au disque interne du PC de prétraitement à l’aide du
logiciel « OS9 Manager » (sous Windows). Chaque image a pour dimensions 4096 lignes sur 4106
colonnes. Une bande verticale de 10 pixels à droite est non éclairée pour pouvoir calculer les
courants d’obscurité.
Figure 9: Format des données brutes
V. Le prétraitement PELICAN
A la fin d’une campagne PELICAN, les données brutes images sont présentent sur les disques
dur extractibles du système PELICAN. Les fichiers sont transférés sur un disque interne du PC de
prétraitement à l’aide du logiciel « OS9 Manager » (sous Windows). Le prétraitement de ces données
se décompose en 4 parties : l’import des données, la correction radiométrique, la correction
géométrique et le rééchantillonnage.
Figure 10: Description technique du système PELICAN
A. L’import des données
L’import des données brutes consiste à prendre les images sur la partition Windows et à les
déposer dans un répertoire de l’application après conversion dans un format TIFF 16 bits. Pour
chaque donnée en entrée, le logiciel génère 3 fichiers :
- Une image dite « vraie » 4096*4096 au format TIFF (unsigned short, Little Endian),
- Une image dite « d’obscurité » 4096*10 au format TIFF (unsigned short, Little Endian),
- Un fichier d’information sur la prise de vue au format XML (nom image, nom mission, date,
...).
Figure 11: Import des données
B. La correction radiométrique
La correction radiométrique permet d’égaliser les niveaux de gris des images brutes et de
corriger les défauts des capteurs. L’égalisation se base sur des données obtenues en laboratoire dans
des conditions particulières d’éclairement et permet de mettre en valeur les défauts du capteur.
Figure 12: Traitement de la radiométrie
1. L’égalisation
Les données d’égalisation sont réalisées au laboratoire du DOTA à l’ONERA dans le cadre de
la MCO. Ces données sont réactualisées entre chaque campagne et permettent de caractériser les
comportements radiométriques des caméras utilisées.
Les données d’obscurité :
La première caractéristique d’une cellule CCD est son courant de fuite (ou courant
d’obscurité ou signal thermique). Pour le connaître il suffit de faire une acquisition d’un champ noir
(en laissant l’obturateur fermé). Pour s’affranchir des problèmes de bruit, le DOTA réalise une grande
série d’acquisition et génère une matrice moyenne (de la taille de l’image « vraie »). La matrice
d’obscurité est composée de valeurs entières qu’il faudra soustraire à l’image « vraie ».
Les données d’étalonnage :
La deuxième caractéristique d’une cellule CCD est sa sensibilité

photonique. Pour le connaître il suffit de faire une acquisition d’une lumière
blanche la plus homogène possible, à l’aide d’une sphère intégrante. Une sphère
intégrante est généralement une cavité creuse dont l’intérieur est revêtu d’une
peinture possédant un facteur de réflexion diffuse élevé et des ports d’entrée et
de sortie relativement petits. Les ports d’entrées sont éclairés par des lumières
blanches et on positionne la caméra devant le port de sortie. Une sphère intégrante peut être
considérée comme un diffuseur qui conserve la puissance mais détruit l’information spatiale car les
multiples réflexions distribuent équitablement les faisceaux lumineux en tout point de la sphère.
Cette acquisition demande beaucoup plus de précision que celle du courant d’obscurité. Pour
s’affranchir des problèmes de bruit, le DOTA réalise une grande série d’acquisition et génère une
matrice moyenne (de taille 4096*4096). La matrice d’égalisation est composée de valeurs flottantes
proches de 1 qu’il faudra multiplier terme à terme à l’image « vraie » après soustraction du courant
d’obscurité.
2. La correction
L’étape de correction a pour but de corriger les défauts ponctuels dus aux problèmes
rencontrés au niveau des capteurs des caméras. A partir des données d’égalisation on peut déduire
les pixels défectueux de notre caméra que l’on référence dans un fichier XML. Lorsqu’un pixel
défectueux est constaté, on lui donne simplement la valeur moyenne de ses pixels voisins non
défectueux.
C. La correction géométrique
La registration est composée par deux phases distinctes, une corrélation entre images brutes,
qui met en correspondance des points homologues et un calcul de modèle de registration, qui
transforme les coordonnées d’un point dans le plan de référence vers celles de son homologue dans
le plan secondaire.
« Vraie »
image B0
Tiff
Grille de
décalages
B0 – B1
HDF 98x98
« Vraie »
image B1
Tiff
Filière Grille de
décalages
registration B0 – B2
HDF 98x98
« Vraie »
image B2
Tiff
Grille de
décalages
B0 – B3
« Vraie » HDF 98x98
image B3
Tiff
Figure 13: Traitement de la géométrie
1. La recherche des corrélations
La recherche des corrélations permet de modifier la géométrie du

quadruplet d’images brutes afin qu’elles aient la même correspondance pixel-
sol (c’est à dire que les pixels [I, J] des quatre images correspondent au même
endroit physique sur la Terre).
En effet, chaque plan est imagé par un capteur mono spectral monté mécaniquement sur le
système PELICAN. La superposabilité n’est pas parfaite car les caméras ne sont pas situées au même
endroit et leurs orientations sont très légèrement différentes. De plus, la taille de nos détecteurs
élémentaires micrométriques implique que des perturbations externes et internes aux caméras
(altitude de vol, vibrations, différence de caractéristiques entre les caméras,...) engendrent des
décalages entre les pixels homologues d’une paire de plans. La registration permet de supprimer ces
décalages.
Figure 14: Composition RVB sans registration (à gauche) et composition RVB après
application des décalages déterminés par corrélation (à droite)
Le calcul des décalages est réalisé à l’aide de l’outil MEDICIS, qui recherche les décalages sur
une grille éparse entre une bande de référence et une bande secondaire en utilisant un algorithme
de corrélation d’images multi résolution.
2. Le modèle polynomiale des décalages
A partir des décalages trouvés et leurs précisions, le logiciel crée un modèle polynomial
d’ordre 7 en ligne et colonne qui représente le décalage à appliquer à une image pour qu’elle puisse
se superposer avec l’image de référence. Puis crée une grille éparse de décalages [lignes, colonnes] à
utiliser pour la filière rééchantillonnage.
D. Le rééchantillonnage
La dernière étape consiste à rééchantillonner les images corrigées et égalisées. On applique

le modèle de décalages sur l’image secondaire grâce à l’outil ORION. Ainsi on modifie la géométrie de
l’image secondaire vers celle du plan de référence. Et on obtient un couple d’images registrées, donc
superposables.
Image B1 Grille de
égalisée et décalages
corrigée + B0 – B1 Image B1
égalisée, corrigée
Tiff HDF
et recalée sur B0
Tiff
Image B2 Grille de
égalisée et décalages Filière Image B2
corrigée + B0 – B2
ré-échantillonnage
égalisée, corrigée
recalée sur B0
Tiff HDF
Tiff
Grille de Image B3
Image B3
décalages égalisée, corrigée
égalisée et
corrigée
+ B0 – B3 recalée sur B0
Tiff HDF Tiff
Figure 15: Rééchantillonnage
E. Les produits PELICAN
Après le prétraitement d’un chantier, les données sont sauvegardées sur plusieurs supports (Disque
dur, bande magnétique LTO3, …). On conserve plusieurs niveaux de prétraitement des données :
- Le niveau 0 correspondant aux données brutes issues directement de l’acquisition (au format
raw). On l’accompagne toujours d’une page html contenant des aperçus de toutes les images
« vraies ».
- Le niveau 1a correspondant aux images registrées (au format Tiff). On l’accompagne toujours
des informations générales de l’acquisition, de la trajectographie du vol et d’une page html
contenant les aperçus de toutes les images registrées (sous forme d’une composition colorée
rvb).
VI. Evaluation et amélioration du prétraitement PELICAN
Mon travail tout au long de mon stage a été d’étudier les différentes étapes du
prétraitement PELICAN afin de proposer des améliorations. Dans ce chapitre, je vous ferais part de
l’ensemble de mes résultats. Après avoir analysé les méthodes utilisées lors du prétraitement, j’ai
listé les problèmes visibles sur les images au cours du traitement. Puis j’ai étudié et prototypé des
améliorations pour augmenter la qualité des images prétraitées.
A. Les problèmes rencontrés sur les images
Avant de proposer des améliorations du prétraitement, il faut lister l’ensemble des

problèmes visibles sur les images. Comprendre l’origine de ces problèmes nous permettra de
proposer des améliorations précises.
1. Problèmes liés au capteur
Une grande partie des problèmes sont liés à l’instrument, comprenant la partie optique et la
partie électronique.
Pixels morts ou aberrants
Les images peuvent êtres bruitées par des pixels morts ou aberrants, le plus souvent on
observe une portion de colonne aberrante.
Figure 16: Colonne aberrante sur image brute
Poussières sur l’optique
Le flux de lumière est altéré par les impuretés présentes

sur la surface de l’optique. Ces poussières filtrent une certaine
quantité de photon et par conséquent une tache sombre
apparait sur l’image. Entre l’acquisition des données
d’étalonnage en laboratoire et les acquisitions en vol, les
poussières peuvent bouger (surtout lors du transport de
l’instrument).
Figure 17: Poussière sur l'image brute
Réflexions multiples
Sur certaines zones à faibles radiométrie, on observe l’apparition d’un dédoublement d’une
partie de l’image. Il s’agit surement d'une double réflexion entre le hublot et les filtres placés devant
les objectifs. Suivant l’inclinaison des caméras et du canal concerné, l'image fantôme se déplace dans
le champ et est plus ou moins perceptible.
Figure 18: Fantômes, dû aux réflexions hublot - filtre
Flou directionnel
L’image est floutée (sur quelques pixels)

dans une direction définie. Cette direction peut
varier d’une image à l’autre. Ce problème est dû au
mauvais fonctionnement de la compensation de la
dérive. La compensation de dérive a pour objectif
d’orienter le système dans l’axe de déplacement de
l’avion afin que l’action du temps d’intégration (TDI)
reste confinée à une seule colonne.
Figure 19: Flou directionnel sur la bande bleue
Saturation
Pour régler la sensibilité du capteur, on fixe la valeur du TDI au début d’une acquisition afin
de ne pas atteindre la saturation. Cependant, sur certaines zones très lumineuses (un reflet du soleil
sur un pare brise par exemple) on peut atteindre la saturation.
Figure 20: Saturation sur l'image brute
Temps de chauffe du CCD
Le capteur CCD atteint un régime de fonctionnement linéaire après environ 2h de chauffe.

Comme il n’est pas toujours possible d’attendre ces 2 heures, les courants d’obscurités d’un vol
peuvent évoluer. Pour s’en convaincre on peut faire une expérience simple : on fait plusieurs
acquisitions d’un fond noir dès l’allumage de la caméra. Le tracé suivant montre l’évolution de la
valeur moyenne de l’image (en configuration classique 4 caméras rvbi) en fonction du temps.
Figure 21: Variation du courant d'obscurité moyen pendant la chauffe des CCD
2. Problèmes liés à la correction radiométrique
Apparition de pixels aberrants
Des pixels (voire colonnes) aberrants peuvent être encore présents après la correction
radiométrique. Le fichier XML en entrée de la correction radiométrique est référencé à la main après
observation des données d’égalisation. Ces pixels n’étaient pas référencés dans le fichier de
correction XML, donc ils n’ont pas étés corrigés.
Mauvaise correction des poussières
Sur cette image de mer, on

remarque l’apparition d’une « anti-
poussière » (tâche claire) située quelques
pixels au dessous des poussières (tâche
sombre) présentes sur l’image brute. Ce
problème est lié aux conditions de
réalisation des données d’étalonnages. En
effet l’utilisation du TDI lors de
l’acquisition étale l’effet de la poussière
vers le haut de l’image alors que les
coefficients d’étalonnages sont issus
d’acquisitions sans TDI (donc la poussière
Figure 22: Poussières et colonne aberrante
n’est pas étalée vers le haut). après le prétraitement radiométrique
3. Problèmes liés à la correction géométrique
L’utilisation de la méthode de corrélation pour

déterminer les décalages est très précise mais est
infructueuse sur des zones à radiométrie quasi-constante.
Ainsi sur des zones de mer, des champs ou des rivières la
précision des décalages est faible et par conséquent le
modèle polynomial (d’ordre 7 en X et Y) n’a pas de points
homologues sur lesquels il peut s’appuyer. Cet effet peut
être franchement visible (cf. l’exemple à droite), mais peut
aussi être plus dur à détecter.
Figure 23: Mauvaise coregistration des

bandes flagrante
Figure 24: Mauvaise coregistration en bordure de l'image
Dans le cas ci-dessus, la recherche des corrélations n’a pas été assez précise sur le coin haut
droit de l’image. Le modèle de décalage de la bande bleue n’est donc pas juste et la divergence est
visible sur le zoom de la composition rvb des images rééchantillonnées. On aperçoit au centre du
zoom une bouée dont la composante bleue est mal superposée, c’est un problème typique lié à la
correction géométrique.
B. Evaluation et amélioration du prétraitement radiométrique
Nous allons maintenant nous intéresser à l’étude de la qualité du prétraitement

radiométrique. Nous verrons donc la représentation physique des bandes d’obscurité et la
plausibilité d’en déduire le courant d’obscurité de l’image. Nous étudierons aussi les données
d’égalisation ainsi que l’utilité de les filtrer avant le prétraitement.
1. La réalisation des données d’égalisation
Pour étudier et améliorer la méthode d’égalisation des images PELICAN, l’ONERA m’a fourni
pour chaque caméra deux séries d’acquisitions faites à partir de l’allumage des caméras et pendant
plus de 2 heures : une série d’images obtenues en laissant l’obturateur de la caméra fermé, et une
série d’images obtenues devant la sphère intégrante.
Ces données permettront de générer le courant d’obscurité et le coefficient d’étalonnage

pour chaque pixel de l’image. L’égalisation se fait ensuite de manière classique :
,
, , – ,
Figure 25: Formule d'égalisation
Avec Ve l’image égalisée, Vb l’image brute, E la matrice des coefficients d’étalonnage et O la

matrice des courants d’obscurité.
a) Les courants d’obscurité
A partir des acquisitions devant le champ noir, on peut déduire le courant d’obscurité de
chaque pixel de la caméra. En effet, on peut supposer qu’aucun photon n’a influé sur les puits de
potentiel, la tension en sortie correspond donc aux courants de fuite des pixels O(x,y). Ce courant de
fuite est spécifique à chaque caméra, mais ne dépend pas de l’optique. Plusieurs acquisitions sont
faites pour chaque caméra afin de les moyenner pour réduire le bruit thermique (aléatoire).
b) Les coefficients d’étalonnage
A partir des acquisitions devant la sphère intégrante, on peut déduire les coefficients
d’étalonnage de chaque pixel de la caméra. En supposant que la source de lumière est complément
homogène, on peut donc étudier des différences de sensibilité des pixels. Ainsi les pixels morts ou
aberrants sont directement visibles. Des séries d’acquisitions sont effectuées pour chaque caméra et
chaque ouverture de l’obturateur utilisée. Les variations aléatoires sont réduites par moyennage.
Matrice d’obscurité Matrice en éclairement

Représentation de la matrice
Histogramme
Figure 26: Matrice d'obscurité et en éclairement
Pour déterminer les coefficients d’étalonnage E(x,y), il faut adopter la démarche suivante :
On suppose que Ve(x,y) est une constante (la source est uniformément luminescente), nous
prendrons ici le pixel central s’il n’est pas aberrant. On a donc par la formule suivante :
2048,2048

,
, ,
Pour réduire l’influence du bruit d’acquisition et ainsi avoir des données d’égalisation plus
nette, on peut faire une moyenne sur plusieurs acquisitions. Cependant il faut tenir compte d’un
élément important : le temps de chauffe des caméras.
c) Le comportement des caméras après allumage
Les courbes ci-dessous (figure 27) mettent en évidence le temps de chauffe du capteur CCD
des 4 caméras en configuration classique. Les acquisitions sont faites toutes les 2 minutes. La
stabilisation à 1% est atteinte après environ 2 heures.
Figure 27: Comparaison de l'évolution temporelle de la sensibilité en obscurité et en éclairement
Pour générer les données d’égalisation, nous ne moyennerons donc que les acquisitions
faites après la stabilisation du capteur. Ainsi, on suppose que toutes les images d’une campagne sont
acquises après stabilisation du courant d’obscurité des cellules CCD. Cependant, en pratique, les
acquisitions commencent parfois une dizaine de minutes après l’allumage du système.
2. Les bandes d’obscurité
Comme nous l’avons vu précédemment, les 10 dernières colonnes de l’image ne sont pas
exposées à la lumière. Dans cette étude, nous allons étudier le comportement de ces colonnes et
nous conclurons sur la possibilité d’en déterminer le courant d’obscurité de l’image. Si ces colonnes
s’avèrent être directement liées au courant d’obscurité, nous pourrons les utiliser lors de l’égalisation
pour s’affranchir de l’effet du temps de chauffe des caméras.
a) Effet de la radiométrie de l’image sur la bande d’obscurité
La diaphotie correspond à la pollution engendrée par un pixel sur ces voisins. Cette pollution
est d’autant plus grande que l’écart radiométrique entre les deux pixels est élevé. Il est donc
intéressant d’observer l’effet de la radiométrie de l’image sur sa bande d’obscurité. Les graphiques
suivant représentent les profils de la dernière colonne de l’image, puis des 10 colonnes d’obscurité.
Figure 28: Pollution de la bande d'obscurité par la dernière colonne de l'image
Ces résultats ont étés obtenues à partir de image 363 de la campagne du 16/10/2006 sur
Cannes. On observe une forte pollution de la première colonne de la bande d’obscurité qui suit
quasiment les valeurs de la dernière colonne de l’image. Les autres colonnes subissent aussi cet effet
mais de manière beaucoup moins importante. La différence est telle que l’on peut soupçonner la
première colonne de la bande d’obscurité de ne pas être cachée. Quoi qu’il en soit, on notera que
les colonnes les plus polluées sont les 4 premières colonnes ainsi que la dernière.
A partir de ces constatations, il est clair que l’on ne

doit pas prendre en compte certaines zones de la bande
d’obscurité pour calculer le courant d’obscurité associé à
l’image. Il ne faut utiliser que les lignes juxtaposées à une
faible radiométrie sur l’image. Cependant, la zone couverte par
la prise de vue change et par conséquent la radiométrie aussi.
Le plus simple et donc d’utiliser les effets de la compensation
de filé (TDI) sur l’image. En effet, le transfert de charge d’une
ligne à l’autre effectué par le TDI pendant le temps
d’intégration provoque un dégradé sur les lignes du bas de
l’image : à chaque transfert de charge la dernière ligne est Figure 29: Effet du TDI sur les dernières
lignes de l'image
sortie du CCD.
Ces lignes sont très peu exposées et par conséquent la pollution de la bande d’obscurité y est
très faible. Nous utiliserons donc les quatre colonnes centrales (numéro 5, 6, 7 et 8) de la dernière
ligne de la bande d’obscurité pour calculer le courant d’obscurité moyen associé à l’image. La valeur
d’obscurité sera déterminée à partir de l’opérateur médian afin de ne pas être gêné par la possible
présence de pixels aberrants.
b) Variation de la valeur d’obscurité sur une campagne
Nous allons maintenant étudier l’évolution de la médiane des 4 pixels d’obscurité

mentionnés ci dessus le long d’un chantier. Nous prendrons ici l’exemple du vol sur Cannes le
16/10/2006 qui a l’atout d’avoir été commencée peu de temps après l’allumage des caméras. Les 4
courbes suivantes représentent l’évolution au fil des clichés de la valeur d’obscurité moyenne
4096, 5: 8
pour chaque caméra, bdOBS étant la bande d’obscurité de dimension 4096*10.
Evolution de l’OBS de B0 (caméra 36) Evolution de l’OBS de B1 (caméra 32)
Evolution de l’OBS de B2 (caméra 34) Evolution de l’OBS de B3 (caméra 33)
Figure 30: Variation de la médiane des 4 pixels centraux de la dernière ligne de la bande d'obscurité
On notera que les abscisses correspondent au numéro du cliché, les paliers visibles sont donc
a associer aux passages entre deux axes (temps nécessaire pour que l’avion fasse demi-tour et se
remette dans l’axe du vol ≈ 12 min). Le temps entre deux prises de vue d’un même axe étant
d’environ 3,5 secondes. On remarque que les courants d’obscurité ainsi calculés peuvent dépasser la
valeur stabilisée obtenue en laboratoire (matérialisés par la ligne rouge), probablement à cause de la
différence d’environnement (notamment l’alimentation électrique) et l’éclairage (obturateur
fermé/ouvert). Cependant, l’évolution générale des obscurités coïncide bien avec les données
obtenues au laboratoire de l’ONERA. La variation de cette donnée d’obscurité concorde bien avec
l’effet du temps de chauffe de la caméra et peut par conséquent permettre d’ajuster la matrice des
courants d’obscurité O(x,y) pour s’affranchir des variation de l’obscurité réelle.
3. Filtrage des données d’égalisation
Nous avons vu que la correction radiométrique des images dépend de 3 fichiers : la matrice
des courants d’obscurité O(x,y), la matrice des coefficients d’égalisation E(x,y) et le fichier XML de
correction des pixels aberrants. Nous allons dans cette partie proposer une méthode automatique de
détection des pixels aberrants, puis nous verrons l’influence des poussières présentes sur l’optique
sur l’image corrigée. Enfin nous proposerons deux méthodes de filtrage applicables sur les données
d’égalisations.
a) Détection des pixels aberrants
Dans la liste des problèmes dus à la correction radiométriques, nous avons vu l’influence
d’un référencement incomplet des pixels aberrants qui peut faire apparaitre une colonne plus claire
ou plus foncé que les autres. Nous définirons un pixel aberrant comme un pixel dont les
caractéristiques d’égalisation (obscurité et coefficient d’égalisation) sont fortement différentes des
autres pixels.
Soit O(x,y) et E(x,y) les matrices d’égalisation d’une caméra, on définit le pixel situé en (X,Y)
comme aberrant si est seulement si les deux conditions sur O(X,Y) et E(X,Y) suivantes sont vérifiées :
&'(, ) ', & * + ,-.,/

% 2 Avec K Є R⁺
&0(, ) 0, & * + ,1.,/
Cependant, on peut classer les pixels aberrants dans deux catégories : ceux qui sont
aberrants et qui le resteront et ceux qui ne sont que temporairement aberrants.
On a constaté avec l’ONERA qu’a chaque allumage de la caméra, de nouveaux pixels

aberrants apparaissent et les anciens peuvent ne plus l’être. Généralement ce sont les pixels isolés.
Les pixels qui restent aberrants sont quasiment toujours présents sous forme de colonne. Ainsi lors
du référencement des pixels aberrants dans le fichier de correction XML, il est plus juste de définir
uniquement les ensembles de pixels aberrants contigus sur une même colonne aberrante.
b) Suppression des poussières des données d’étalonnage
Comme nous l’avons vu au chapitre VI.B.1.b., les données d’étalonnage prises au laboratoire
de l’ONERA sont polluées par les poussières sur l’optique. Ces données sont acquises avec un TDI nul
et par conséquent les poussières ne sont pas au même endroit que sur les images acquises en vol
avec un TDI non nul. Ainsi l’égalisation provoque un dédoublement de la poussière visible sur la
dernière image du tableau suivant. De plus, les poussières peuvent bouger entre les acquisitions.
Image brute Coefficients d’égalisation Image égalisée
Figure 31: Mauvaise correction d'une poussière
Le partie utile de l’image des coefficients d’égalisation est surtout le vignettage (qui reflète
l’optique et se manifeste comme une onde symétrique autour du point principal d’auto collimation)
et dans une moindre mesure, la texture qui représente la structure physique des barrettes CCD.
Si on voulait juste corriger le vignettage, un simple lissage (filtrage passe-bas) permettrait de

réduire les variations locales dû aux poussières, mais tout en réduisant leur amplitude, on étalerait
leur diamètre. De plus, on supprimerait la texture correspondant à la structure du CCD.
Une idée simple pour contrer le dédoublement des poussières serait de ne garder que le
signal utile. Il faudrait donc supprimer les poussières sur les données d’étalonnages. Les poussières
sont caractérisées par des variations locales de forte amplitude par rapport au vignettage. On évite
ainsi le dédoublement des poussières, mais on n’enlève pas les poussières sur les images prétraitées.
A partir de ces constatations, on peut tester un filtrage simple de suppression des poussières
qui fonctionnerait de la manière suivante :
- Découpage de la matrice des coefficients E(x,y) d’égalisation en sous imagette En(x,y) de

taille négligeable par rapport à la longueur d’onde du signal utile (typ. 50*50). Le signal utile
peut donc être supposé constant dans chaque imagette.
- Dans chaque imagette, détection des coefficients non inclus dans l’intervalle 30,
,14.,/ ; 0, 6 ,14.,/ 7, et référencement des coordonnées de ces coefficients qui
correspondent aux pixels pollués par une poussière.
- Erosion puis dilatation des zones référencées pour supprimer les zones trop petites. On se
limite aux poussières relativement grandes (diamètre > 5 pixels).1
- Interpolation des zones référencées à partir des pixels voisins les plus proches.
1
Le CNES dispose déjà d’un outil pour éliminer les pixels aberrants isolés dans les images d’étalonnage.
La taille de la sous-imagette doit être 4 fois plus grande que le diamètre de la plus petite
poussière que l’on veut supprimer pour un fonctionnement optimal. On applique cet algorithme à
une matrice d’égalisation, avec des sous imagettes de taille 50*50. Le tableau suivant montre la
matrice des coefficients avant et après filtrage.
Coefficients d’égalisation après filtrage anti-

Coefficient d’égalisation
poussière
Figure 32: Vue des effets du filtre anti-poussières
Les coefficients d’égalisation ainsi filtrés permettent d’éviter la mauvaise compensation

radiométrique des poussières. L’image égalisée conserve donc la poussière présente sur l’image
brute, mais on ne voit pas apparaitre une « anti-poussière » au dessous de la première.
Et voici pour finir une image traitée classiquement et la même image traitée avec des
coefficients d’égalisation filtrées par la méthode expliquée ci dessus.
Image prétraitée Profil colonne
Image égalisée avec les coefficients
d’égalisation bruts
d’égalisation filtrés
Figure 33: Comparaison des résultats du prétraitement avec des coefficients d'égalisation bruts et filtrés anti-poussières
Sur la deuxième image on n’aperçoit pas le pic dû à la mauvaise correction de la poussière

(repère rouge sur le profil colonne). Cependant on garde la poussière présente sur l’image brute.
Nous allons maintenant nous intéresser à une méthode permettant de compenser cette poussière
grâce à la connaissance du nombre de pixels affectés par le TDI.
c) Compensation des poussières de l’image par filtrage des
données d’étalonnage
Si maintenant nous cherchions à compenser ces poussières. Partons d’une rapide explication
de l’origine du décalage des poussières :
Sur les acquisitions en laboratoire, la valeur

du pixel [i, j] ne dépend que des
caractéristiques du capteur [i, j].
Alors que sur les images prises en vol, la

valeur du pixel [i, j] dépend des
caractéristiques de tous les capteurs de [i, j] à
[i+N, j], avec N le nombre de pixels compensés
par le TDI.
Dans les fichiers log, le tag SET_TDI est exprimé en pixels/10ième de seconde sur le plan focal.
C'est donc la vitesse de défilement de l'image sur celui-ci. D'autre part, a chaque fin d’axe, au tag
ACT_TDI on dispose du nombre effectif de pixels de TDI qui ont été compensés pendant l'exposition,
et ce pour chaque caméra.
Ainsi, connaissant le nombre N de capteurs utilisés pour le TDI, on peut faire une
supposition : la vitesse de l’avion reste constante durant le temps de pose (≤30 ms), ainsi on peut
dire que les N capteurs [i:i+N, j] influencent de la même manière l’acquisition du pixel [i, j]. Les
données d’égalisations applicables à ce pixel seraient donc une distribution des données
d’égalisations des N capteurs utilisés. Ce qui se traduit en terme de filtrage par :
0
>? C
=0 B
089:, 0 , ; =1 B
=1 B
=? B
<1 A
N-1 fois
On notera que ceci est une approximation, car l’horloge de fonctionnement du TDI n’est pas
synchronisée sur l’ouverture du diaphragme. Par conséquent le premier et le dernier pixel peuvent
avoir une influence plus faible que les autres sur la radiométrie du pixel résultant.
Comme précédemment, on peut regarder les effets d’un tel filtrage sur la donnée
d’égalisation :
Coefficients d’égalisation après filtrage
Coefficient d’égalisation
estimateur du TDI
Figure 34: Vue des effets du filtre estimateur du TDI
On observe bien un décalage de la poussière et une atténuation du pic qu’elle provoque sur
les coefficients d’égalisation. On note également un lissage vertical des micro-textures du capteur qui
permet de mieux égaliser celles-ci dans l’image brute. Comparons maintenant les résultats obtenus
après le traitement radiométrique.
Image corrigée avec E(x,y) Image corrigée avec Efilt(x,y)
Figure 35: Comparaison des résultats du prétraitement avec des coefficients d'égalisation bruts et filtrés TDI
Les limites de notre approximation sont visibles dans le cas de très grosses poussières, par
exemple celle étudiée plus haut.
Image prétraitée Profil colonne

d’égalisation bruts
d’égalisation filtrés
Figure 36: Limite du prétraitement avec des coefficients d'égalisation filtrés TDI
Sur la deuxième image on aperçoit deux pics qui sont cette fois aux extrémités de la tâche.
Cet exemple montre les limites de l’approximation, car la distribution des coefficients d’étalonnages
ont en réalité un profil plus arrondie. Cependant, on conclura en disant que ce filtrage permet de
corriger les poussières de taille moyenne de l’image. Une modélisation plus poussée de la
pondération des coefficients d’égalisation des pixels utilisés lors d’une acquisition en mode TDI
pourrait aboutir à une correction plus juste des grosses poussières. Mais au fil des acquisitions, le TDI
peut varier (entre les campagnes voire entre les axes) et il faudra donc filtrer à chaque fois la matrice
des coefficients d’égalisation avec le TDI associé à l’acquisition.
C. Evaluation et amélioration du prétraitement géométrique
Afin de réaliser une analyse complète, nous commencerons par expliquer la méthode utilisée
pour déterminer les décalages entre les bandes, ensuite nous regarderons l’évolution de ce décalage
tout au long d’une campagne de vol et nous proposerons une méthode d’estimation des décalages
sur les zones à problème. Enfin, nous ouvrirons sur une explication de la triangulation
photogrammétrique plus communément appelée aérotriangulation.
1. La méthode de registration
La registration est composée par quatre phases distinctes : une corrélation entre les images
brutes, qui met en correspondance des points homologues, un calcul de modèle de registration, qui
transforme les coordonnées d’un point dans le plan de référence vers celles de son homologue dans
le plan secondaire, la génération d’une grille de rééchantillonnage des images, qui représente les
décalages à appliquer à l’image secondaire pour la registrer avec l’image de référence, et enfin le
rééchantillonnage.
a) La recherche des décalages
La corrélation s’effectue grâce au logiciel MEDICIS. Elle nous permet d’obtenir les décalages
entre les coordonnées de points homologues appartenant à différents plans. On choisit
préalablement une image dite de référence (généralement on utilise la bande B2 qui correspond au
spectre rouge car on dispose de l’étalonnage géométrique de la caméra associée).
On se fixe un ensemble de points de l’image de référence et on recherche ensuite leurs

correspondants dans l’image secondaire. La recherche du point homologue est réalisée à l’intérieur
d’une fenêtre de recherche autour du point de mêmes coordonnées dans l’image secondaire. Le
correspondant est le point qui présente un coefficient de corrélation maximal dans la zone de
recherche
Figure 37: Principe de la corrélation MEDICIS
Le coefficient de corrélation est calculé dans une vignette de corrélation avec les
caractéristiques suivante :
- calcul de corrélation dans le domaine spatiale,
- localisation du pic de corrélation par une recherche itérative par rééchantillonnage,
- interpolation (interpolateur CNES [S4-SR-762-10-CN]).
JLM8ê:GHG8 , 8ê:G HIJ

DE8ê:GHG8, 8ê:GHIJK
,8ê:GHG8 ,8ê:GHIJ
Figure 38: Formule de la corrélation d'image
Soit une fenêtre rectangulaire de largeur r1 et de longueur r2. Le coefficient de corrélation

entre le pixel de coordonnées (i, j) dans l’image de référence et le pixel de coordonnées (o, p) dans
l’image secondaire s’écrit plus explicitement par la formule suivante :
X\ XY
1 EHG8NUV,OUW HG8N,O KEHIJPUV,QUW HIJP,QK
DEHG8N,O ,HIJP,Q K T T
2GR 6 12GS 6 1 ,EHG8N,O K ,EHIJP,Q K
V Z[X\ WZ[XY
La recherche itérative par rééchantillonnage (calcul d’un nouveau coefficient de corrélation

dans une partie d’image rééchantillonnées) nous donne ensuite une localisation subpixelique (1/100
de pixel) de l’homologue d’un point. Cette précision n’est pas nécessaire pour une simple
visualisation des images, mais elle est indispensable pour de nombreux traitements tels que la
reconstruction 3D d’une scène.
A l’issue du traitement de corrélation, on obtient une grille de décalages par image
secondaire, ainsi dans le cas classique on a trois grilles (B0-B2, B1-B2, B3-B2). Chacune de ces grilles
contient les champs suivants :
- FLAG_VALID : les flags de validité,

- DEC_LIG : les décalages en ligne,
- DEC_COL : les décalages en colonne,
- CRIT_PRECIS : la valeur du coefficient de corrélation mesuré.
Ces champs sont des matrices de taille égale à la grille utilisée.
b) Le modèle polynomial des décalages
De chacune des trois grilles précédentes, on déduit un ensemble de points homologues à

partir desquels on va calculer un modèle polynomial approché des décalages ligne et colonne. Il
s’agit, en fait d’effectuer une interpolation des décalages, en éliminant les points aberrants, afin de
calculer dans l’étape suivante des grilles de décalages valides en tous points.
Pour cela, on modélise les décalages trouvé par un polynôme d’ordre 7 en ligne et colonne :
^_` R 6 S X_a 6 b X_a 6 c X_a² 6 e X_aX_a 6 f X_a² 6 g 6 bf X_a h2

]
^_` iR 6 iS X_a 6 ib X_a 6 ic X_a² 6 ie X_aX_a 6 if X_a² 6 g 6 ibf X_a h
L’ordre du polynôme est directement relié à la précision de la registration, ainsi l’ordre 7

correspond à une précision au 1/10 de pixel. 2
c) Etude de cas : zone de ville et zone de mer
Etant donné que la recherche des corrélations s’effectue dans le domaine spatial, il est clair
que la radiométrie de l’image conditionne le bon fonctionnement de cette recherche. On va dans
cette partie s’intéresser à l’influence de la radiométrie de l’image sur la recherche des décalages.
Pour cela on va comparer la registration de deux types de scène :
- un milieu urbain, où le corrélateur fonctionne bien (beaucoup de structures, hautes

fréquences),
- un milieu non urbain (mer, champs, forêts), où le corrélateur présente parfois des difficultés
à apparier des points homologues à cause de l’uniformité de leur environnement.
2
Source : Rapport de Stage de Foued MELAKESSOU « Etalonnage et Prétraitement des images PELICAN » 2002
Image référence B2 bande rouge Image secondaire B0 bande bleue
Ville
Mer
Figure 39: Bandes (rouge, bleue) de deux images à radiométrie différente (ville, mer)
FLAG_VALID CRIT_PRECIS
Ville
Mer
Figure 40: Validité des résultats de corrélation (FLAG_VALID = 1) et coefficients de corrélation (CRIT_PRECIS)
On constate bien que la radiométrie de l’image se répercute sur les critères de précision, par
exemple le terrain de foot et la mer qui correspondent à des zones à faibles variations
radiométriques ne permettent pas une bonne accroche de la corrélation.
De plus, on constate aussi que beaucoup de FLAG_VALID sont à 1 ce qui signifie que le calcul
des décalages à abouti sur le point. Ce n’est pas vraiment surprenant sur la ville mais ca l’est un peu
plus sur la mer. En fait, la philosophie de la registration PELICAN consiste actuellement à laisser
passer tous les résultats de corrélation (on n’impose pas une pente minimum autour du pic de
corrélation ni un critère de précision minimum). Le filtrage se fait lors de la détermination du modèle
polynomial des décalages et fonctionne de la manière suivante :
Les décalages du point sont utilisés pour calculer le modèle si et seulement la condition
suivante est satisfaite :
(( FLAG_VALID == 1 ) && ( CRIT_PRECIS > 0.8 ))
On peut regarder le nombre de points utilisés pour déterminer le modèle :
Nb de points utilisés3 Nb de points invalidés4

Ville 8218 – (85%) 2295 – (23%)
Mer 2155 – (22%) 396 – (4%)
Il y a beaucoup plus de points exploités par le modèle sur l’image de ville que sur l’image où il
y a de la mer. Regardons où se situent les pixels utilisés :
3
Correspondent aux points homologues de la grille de corrélation (98*98 points) utilisés pour déterminer le
modèle polynomial
4
Correspondent aux points utilisés dont le résidu par rapport au modèle généré est trop élevé. Ce sont des
fausses corrélations.
Points utilisés Ville Mer
(en blanc)
Figure 41: Points homologues utilisés pour générer le modèle polynomial
Le calcul du modèle dans le cas de la ville se base sur des valeurs de décalage répartis
uniformément. Il y a plus de points invalidés (correspond aux points trop écartés du modèle, trop
grand résidu) simplement parce qu’il y a plus de points de calcul. A contrario, le cas de la zone de mer
pose un réel problème car le modèle est calculé à partir des décalages d’un coin de l’image
uniquement, il n’y a donc aucuns points d’appui sur la mer ce qui a pour conséquence directe de
faire diverger le modèle sur cette zone.
2. L’étude des décalages inter-bandes
Nous avons analysé le fonctionnement de la registration des images, on expliquant les

problèmes liés à la radiométrie de l’image. Dans cette partie, nous expliquerons pourquoi les
décalages entre les bandes peuvent varier et nous étudierons ces variations à partir des grilles de
rééchantillonnage.
a) L’origine physique des décalages
Les décalages entre les bandes sont liés à plusieurs données physiques, comprenant :
- la distance entre les caméras sur le système,

- la différence angulaire entre les axes optiques des caméras,
- la position de l’avion pendant la prise de vue (tangage, roulis, lacet),
- l’altitude de vol et les variations altimétriques du sol.
Les variations de la position des caméras (distance et angle) sont faibles. En effet, les quatre
caméras sont fixées ensemble et les axes optiques sont registrés à quelques pixels près avant la
campagne. Cependant, lors du transport de l’instrument, des atterrissages et d’autres mouvements
brusques de l’avion (surtout en roulis), les caméras peuvent bouger légèrement entre elles. Le
système PELICAN est accroché dans l’avion via un stabilisateur hydraulique. Les vibrations rapides de
l’avion ont donc peu d’impact sur les acquisitions. Les variations de distance caméra – point au sol
(dues au relief et/ou au roulis) peuvent également avoir un impacte non négligeable.
TANGAGE ROULIS LACET
Figure 42: Les mouvements de l'avion
On peut se rendre compte de l’impact des mouvements de l’avion le long d’un axe en
regardant une mosaïque de plusieurs prises de vue, comme ci-dessous :
Figure 43: Mosaïque PELICAN sur Amiens
Cette illustration montre clairement les répercussions de la navigation sur la prise de vue. On
voit qu’un coup de roulis a décalé la troisième image (en partant de la gauche). On peut aussi
constater (un peu plus finement) les variations de vitesse relative au sol (ou de tangage) qui font
varier le recouvrement longitudinal entre les clichés et le lacet qui fait changer (encore plus
finement) la rotation de la prise de vue.
b) Variation des décalages sur une campagne
Cette fois, nous nous intéressons à la registration inter-bandes, c'est-à-dire la registration

entre les bandes r, v, b et i d’une même prise de vue. Nous allons étudier sur une campagne les
variations des décalages entre ces bandes. Nous utiliserons le modèle polynomial de décalages entre
les bandes.
Notre étude sera faite à partir des données acquises sur Toulon, de la prise de vue x6_132 à
x6_153 soit 22 clichés qui comportent des zones de mer (les 12 premières acquisitions) et des zones
de ville (les 10 suivantes). Pour les 3 bandes secondaires (v, b, i) on trace la moyenne et l’écart-type
(en pointillés) des décalages calculés et modélisés sous forme polynomiale par rapport à la bande de
référence (bande rouge). L’écart-type représente la variation des décalages sur une même image qui
est dû aux différences au niveau des optiques et à la position relative des caméras.
DEC_LIG DEC_COL
V R
B R
I R
Figure 44: Décalages moyen et variance (ligne et colonne) le long d'un axe pour les 3 bandes secondaires (VBI)
On remarque que les variations de la moyenne des décalages sont toujours plus faibles en
ligne qu’en colonne. Les bandes vertes et proches infrarouges ont un modèle très stable (variance
des moyennes < ± 0.5 pixel, écart-type quasi constant). Par contre, le modèle de décalage de la
bande bleue varie beaucoup (± 1.5 pixels en colonnes) ce qui est gênant. Cela peut être dû au roulis,
au lacet, et au fait que la bande bleue nécessite un temps d’intégration plus long que les autres
bandes. Elle est donc plus sujet à des problèmes de compensation de filé (TDI) qui peuvent
engendrer un flou voire un dédoublement des structures qui perturbe l’identification des points
homologues. Dans certaines scènes, il peut y avoir des structures répétitives qui engendrent des faux
points homologues.
3. La registration sur les zones à faible radiométrie
Les zones à faibles radiométrie ne permettent pas une bonne accroche de la corrélation et
provoque des erreurs de registration entre les bandes spectrales. Dans cette partie nous allons
mettre en place des outils de détection des modèles défectueux et nous proposerons une technique
pour corriger ces modèles.
a) Détection des modèles de décalages défectueux
Lors de la registration des images, comme nous l’avons vu, on exprime les décalages sous
forme d’un modèle polynomial d’ordre 7 en ligne et en colonne. Ce modèle se base sur les résultats
de la corrélation, en filtrant toutes les corrélations dont la précision est plus grande que 0,7. Comme
la précision de la corrélation dépend de la radiométrie de l’image, les décalages déterminé sur les
zones à radiométrie faible sont souvent inférieurs à ce seuil et ne sont donc pas utilisés pour
déterminer le modèle (cf. VI-C-1-c).
Nous avons aussi constaté que la variation (entre deux clichés consécutifs) des décalages
entre les bandes est assez faible (± 1 pixels).
Par conséquent deux vérifications paraissent utiles pour qualifier la précision des modèles de
décalages:
- Vérifier si la répartition des décalages utilisés pour déterminer le modèle est homogène dans
l’image,
- Vérifier si le modèle des décalages est assez proche du modèle de l’image précédente.
Si ces deux conditions ne sont pas vérifiées, alors on peut suspecter que le modèle est
défectueux et que les bandes seront mal registrées.
b) Estimation locale des décalages
Pour contrer ce problème, une démarche simple serait d’estimer d’une manière adaptative
les décalages par rapport à ceux trouvés dans une image de ville. Le caractère adaptatif de cette
estimation permet de garder les décalages dont le critère de précision est > 0.7, on remplacera juste
les décalages sur les zones où le modèle ne trouvera pas de points d’appuis.
Prenons l’exemple de l’image sur Cannes que nous avons déjà vu. On utilisera une autre
image du même axe (comportant beaucoup de structures) comme image de référence. On se limite à
l’étude de la bande bleue B0 et ces décalages par rapport à la bande rouge B2.
Image avec zones de faibles radiométries image de ville
Figure 45: Deux images structurellement différentes (mer, ville)
On peut constater la non-uniformité spatiale des points utilisés pour calculer le modèle (ou
l’uniformité dans le cas de l’image de référence) :
Points utilisés pour calculer le modèle polynomial des décalages (en blanc)
Image avec zones de faibles radiométries Image de référence
Figure 46: Points homologues utilisés pour calculer le modèle
Nous pouvons maintenant détecter les zones où le modèle n’a pas de points d’appuis, à
l’aide d’un seuillage sur les critères de précision. Le seuillage se fait à 0.7 pour imiter le filtrage
exécuté avant le calcul du modèle. On va ensuite faire une érosion des zones sans points d’appui,
dans le but de supprimer les zones trop petites, mais aussi pour laisser un espace de transition entre
les décalages calculés par corrélation et les décalages estimés. Ainsi le modèle se calculera plus
facilement, sans provoquer d’erreur de résidu supérieur à 1.
Masque binaire de l’estimation :
- Pixel en blanc, on garde les décalages
calculés par MEDICIS,
- Pixels en noir, on applique les décalages
de l’image de ville calculés par
MEDICIS.
Et pour valider l’utilité de cette méthode, on peut comparer les résultats avec et sans
l’estimation des décalages sur la zone de radiométrie faible :
Traitement classique Traitement après estimation des

décalages
Miniature ivb égalisée
Zoom
Figure 47: Résultats du rééchantillonnage avec la grille de corrélation calculée et la grille de corrélation estimé
La registration est très nettement améliorée après l’estimation des décalages (deuxième
colonne). Au final, on a forcé la zone de mer à être registrée avec les décalages d’une autre image du
même chantier. Cela implique que la registration n’est pas parfaite car on a vu que les décalages
évoluent le long d’un chantier. Cependant c’est toujours mieux que lorsque le modèle diverge
comme dans la première colonne.
VII. Les améliorations implémentées
Dans ce chapitre, je vous fais part plus en détail des solutions que j’ai implémenté. Ces
solutions sont des prototypes mais ont été intégrés sur une version « bis » du logiciel PELICAN
installé sur un autre PC. J’ai utilisé l’environnement de développement de IDL pour mettre au point
les filtres applicables aux données d’égalisation, pour faire l’estimation des décalages sur les zones à
faible radiométrie et pour rechercher les pixels aberrants. En ce qui concerne les bandes d’obscurité
et l’outil de vérification des modèles de décalage, j’ai directement codé en C dans le code source
PELICAN. On notera la racine d’installation du logiciel $PELICAN_HOME = /grosdisque/PELICAN.
A. Filtrage des coefficients d’égalisation
Ces filtrages, dont les résultats ont été montrés au chapitre précédent, permettent
d’améliorer les données d’égalisation obtenues en laboratoire, et par conséquent la radiométrie des
images après égalisation.
1. Filtre anti-poussières
Le script E_filtPoussieres.sh accessible sous $PELICAN_HOME/SOFTS/OUTILS_EtienneARNAL

exécute le programme IDL find_dust.pro. Ce programme nécessite deux paramètres : Le chemin du
fichier des coefficients d’égalisation et la taille des fenêtres (qui doit être supérieur au diamètre de la
plus grande poussière de l’image).
Lecture des Seuillage, détection Filtre médian et

coefficents des grandes dilatation des zones
d'égalisation variations locales détectées
Ecriture d'un
Interpolation
nouveaux fichier de
coefficient bilinéaire sur les
zones détectées
d'égalisation
Code de find_dust.pro :
FUNCTION fill_dust, data
elmt = where(data EQ 0)
elmt2 = where(TRANSPOSE(data) EQ 0)
temp1 = data
temp2 = temp1
temp3 = TRANSPOSE(data)
temp4 = temp3
for i=0L, N_ELEMENTS(elmt)-1,1 do begin
temp1[elmt[i]] = temp1[elmt[i]-1]
temp2[elmt[N_ELEMENTS(elmt)-1-i]] = temp2[elmt[N_ELEMENTS(elmt)-1-i]+1]
temp3[elmt2[i]] = temp3[elmt2[i]-1]
temp4[elmt2[N_ELEMENTS(elmt2)-1-i]] = temp4[elmt2[N_ELEMENTS(elmt2)-1-i]+1]
endfor
OUTPUT = (temp1 + temp2 + TRANSPOSE(temp3) + TRANSPOSE(temp4))/4
RETURN, OUTPUT
end
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
PRO find_dust, E_path, length_max_dust
; Lecture de la données
image = READ_BINARY(E_path, DATA_TYPE=4, DATA_DIMS=[4096,4096], ENDIAN="little")
; Fenêtrage
Fen = UINT(length_max_dust)
tmp_data = REPLICATE(0, [Fen, Fen])
mask = replicate(1, [4096,4096])
; Boucle – Traitement par fenêtre
for i=Fen, 4096-Fen, Fen/2 do begin
for j=Fen, 4096-Fen, Fen/2 do begin
tmp_data = image[ i-Fen/2:i+Fen/2 , j-Fen/2:j+Fen/2 ]
tmp_data = (ABS(tmp_data - MEDIAN(tmp_data)) LT 2*STDDEV(tmp_data))
mask[ i-Fen/2:i+Fen/2 , j-Fen/2:j+Fen/2 ] = tmp_data
end
end
; Dilatation du masque des poussières
mask = MEDIAN(mask, 5)
mask = ~DILATE(~mask, replicate(1,16,16))
mask[0:1,0:4095]=1
mask[0:4095,0:1]=1
mask[4094:4095,0:4095]=1
mask[0:4095,4094:4095]=1
; Interpolation bilinéaire
OUTPUT = fill_dust(mask*image)
; Ecriture du fichier filtré
OPENW, 2, E_path+'_Poussiere'+STRTRIM(length_max_dust,2)+'.flt'
WRITEU, 2, OUTPUT
CLOSE, 2
print, "Fichier cree:"
print, " "+E_path+'_Poussiere'+STRTRIM(length_max_dust,2)+'.flt'
end
2. Filtre TDI
Le script E_filtTDI.sh accessible sous $PELICAN_HOME/SOFTS/OUTILS_EtienneARNAL exécute

le programme IDL estim_TDI.pro. Ce programme nécessite deux paramètres : Le chemin du fichier
des coefficients d’égalisation et le nombre de pixel compensés par le TDI (qui correspond au champ
ACT_TDI dans le fichier log).
Ecriture d'un
Lecture des Convolution par le
nouveaux fichier de
coefficents vecteur des pixels
coefficient
d'égalisation compensés
d'égalisation
Code de estim_TDI.pro :
PRO estim_TDI, E_path, TDI
; Lecture de la donnée
data = READ_BINARY(E_path, DATA_TYPE=4, DATA_DIMS=[4096,4096], ENDIAN="little")
; Création du vecteur des pixels compensés
kernel = float(replicate(0,2*TDI-1))
for k=0, TDI-1 do begin
kernel(TDI-1+k) = 1
endfor
; Ecriture du fichier filtré
OUTPUT = CONVOL(data, TRANSPOSE(kernel), TDI, /EDGE_ZERO)
OPENW, 4, E_path+'_TDI'+STRTRIM(TDI,2)+'.flt'
WRITEU, 4, OUTPUT
CLOSE, 4
print, " "+E_path+'_TDI'+STRTRIM(TDI,2)+'.flt'
end
B. Estimation des décalages d’une prise de vue
Le script correl_estim.sh accessible sous $PELICAN_HOME/SOFTS/OUTILS_EtienneARNAL

exécute le programme IDL correl_estim.pro. Ce programme nécessite deux paramètres : Le chemin
du fichier hdf des résultats de la corrélation pour une image avec des zones à faible radiométrie
(mer, champ) et un autre fichier hdf des résultats de la corrélation pour une image informative (ville).
Lecture des deux Seuillage, détection

Filtre médian,
fichiers HDF sur 1 des décalages
erosion des zones
inutilisée par le
1=mer, 2=ville détectées
modèle
Insertion des
Ecriture du fichier
décalages de 2
HDF 1 filtré dans ces zones
Code de correl_estim.pro :
FUNCTION hdfread,file,field
;ouvre le fichier hdf file et en extrait la grille associée au champ field

;(file et field sont des chaînes de caractères)
file_id = HDF_SD_START(file)
field_index = HDF_SD_NAMETOINDEX(file_id,field)
field_id = HDF_SD_SELECT(file_id,field_index)
HDF_SD_GETDATA,field_id,result
HDF_SD_ENDACCESS,field_id
HDF_SD_END,file_id
return,result
end
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
PRO correl_estim, path_grille_PB, path_grille_ref
; Définition des constantes

Seuil = 0.7
S = REPLICATE(1,7,7)
; Lecture du fichier référence
Ref_FLAG_VALID = hdfread(path_grille_ref,"FLAG_VALID")
Ref_DEC_LIG = hdfread(path_grille_ref,"DEC_LIG")
Ref_DEC_COL = hdfread(path_grille_ref,"DEC_COL")
Ref_CRIT_PRECIS = hdfread(path_grille_ref,"CRIT_PRECIS")
; Lecture du fichier à pb
Pb_FLAG_VALID = hdfread(path_grille_PB,"FLAG_VALID")
Pb_DEC_LIG = hdfread(path_grille_PB,"DEC_LIG")
Pb_DEC_COL = hdfread(path_grille_PB,"DEC_COL")
Pb_CRIT_PRECIS = hdfread(path_grille_PB,"CRIT_PRECIS")
; Traitement point par point

Masque = DILATE((Pb_CRIT_PRECIS GT Seuil),S)
;WRITE_GIF, path_grille_PB+"-Mask.gif", byte(255*Masque)
nMasque = (Masque EQ 0)
Output_FLAG_VALID = (Masque * Pb_FLAG_VALID) + (nMasque * Ref_FLAG_VALID)
Output_DEC_LIG = (Masque * Pb_DEC_LIG) + (nMasque * Ref_DEC_LIG)
Output_DEC_COL = (Masque * Pb_DEC_COL) + (nMasque * Ref_DEC_COL)
Output_CRIT_PRECIS = (Masque * Pb_CRIT_PRECIS) + (nMasque * Ref_CRIT_PRECIS)
; Réécriture des nouvelles grilles dans le fichier 1
file_id=HDF_SD_START(path_grille_PB,/RDWR)
start = [0, 0]
count = [98, 98]
stride = [0, 0]
FLAG_VALID_id = HDF_SD_SELECT(file_id,0)
HDF_SD_ADDDATA,FLAG_VALID_id,Output_FLAG_VALID
DEC_LIG_id = HDF_SD_SELECT(file_id,1)
HDF_SD_ADDDATA,DEC_LIG_id,Output_DEC_LIG
DEC_COL_id = HDF_SD_SELECT(file_id,2)
HDF_SD_ADDDATA,DEC_COL_id,Output_DEC_COL
CRIT_PRECIS_id = HDF_SD_SELECT(file_id,3)
HDF_SD_ADDDATA,CRIT_PRECIS_id,Output_CRIT_PRECIS
HDF_SD_ENDACCESS,FLAG_VALID_id
HDF_SD_ENDACCESS,DEC_LIG_id
HDF_SD_ENDACCESS,DEC_COL_id
HDF_SD_ENDACCESS,CRIT_PRECIS_id
HDF_SD_END,file_id
print," "+path_grille_PB+"->
"+STRING(TOTAL(nMasque)/N_ELEMENTS(nMasque)*100)+" % modifie"
end
C. Recherche des pixels aberrants dans les données d’égalisation
Le script E_pixaberrant.sh accessible sous $PELICAN_HOME/SOFTS/OUTILS_EtienneARNAL

exécute le programme IDL find_pixab.pro. Ce programme nécessite 3 paramètres : Le chemin du
fichier des courants d’obscurité, le chemin du fichier des coefficients d’égalisation et un scalaire pour
fixer le seuil de détection.
Lecture du fichier Seuillage, détection On garde les pixels

des pixels trop détecté sur
d'obscurité et
éloignés de la l'obscurité et
d'égalisation
moyenne l'égalisation
on garde que les

Ecriture du fichier
colonnes aberrants
de correction XML
> 40 pixels
Code de find_pixab.pro :
PRO find_pixab, path_obs, path_lum, nb
image_obs=READ_BINARY(path_obs, DATA_TYPE = 2, DATA_DIMS = [4096, 4096], ENDIAN =

"little")
image_lum=READ_BINARY(path_lum, DATA_TYPE = 4, DATA_DIMS = [4096, 4096], ENDIAN =
"little")
moy_obs=MEAN(image_obs)
ectp_obs=STDDEV(image_obs)
moy_lum=MEAN(image_lum)
ectp_lum=STDDEV(image_lum)
pixab_obs=REPLICATE(0, [4096,4096])
pixab_lum=REPLICATE(0, [4096,4096])
PIXAB=REPLICATE(0, [4096,4096])
for k=0,4095 do begin

for l=0,4095 do begin
pixab_obs[k,l]=((image_obs[k,l] GT (moy_obs+nb*ectp_obs)) ||
(image_obs[k,l] LT (moy_obs-nb*ectp_obs)))
pixab_lum[k,l]=((image_lum[k,l] GT (moy_lum+nb*ectp_lum)) ||
(image_lum[k,l] LT (moy_lum+nb*ectp_lum)))
PIXAB[k,l]=((pixab_obs[k,l] EQ 1) && (pixab_lum[k,l] EQ 1))
end
end
for l=1,4094 do begin
PIXAB[k,l]=MEDIAN([PIXAB[k,l-1],PIXAB[k,l],PIXAB[k,l+1]])
end
end
;WRITE_TIFF, "/tmp/tmp_mask.tif" , PIXAB
JOURNAL, '/tmp/pixab.xml'
JOURNAL, "<correction_matrice>"
longcol_min = 40
cpt = 0
ligstart = 0
ligstop = 0
col = 0
vect = PIXAB[k,0:4095]
col = k
index = [where(vect EQ 1), 0]
cpt = 1
ligstart = index[0]
if (n_elements(index) LT longcol_min) then begin
endif else begin
for l=1, n_elements(index)-1 do begin
if (index[l] EQ index[l-1]+1) then begin
cpt=cpt+1
endif else begin
if (cpt GT longcol_min) then begin
ligstop = ligstart + cpt -1
JOURNAL, ' <interpolation_colonne>'
JOURNAL, ' <colonne
valeur="'+STRTRIM(col,2)+'"/>'
JOURNAL, ' <ligne_debut
valeur="'+STRTRIM(ligstart,2)+'"/>'
JOURNAL, ' <ligne_fin
valeur="'+STRTRIM(ligstop,2)+'"/>'
JOURNAL, " </interpolation_colonne>"
endif
cpt = 1
ligstart = index[l]
endelse
end
endelse
end
JOURNAL, "</correction_matrice>"
JOURNAL
print, " /tmp/pixab.xml"
end
D. Prise en compte des valeurs de la bande d’obscurité
Dans le logiciel PELICAN, l’exécution de l’égalisation utilise le programme plk_egalise.c

accessible sous $PELICAN_HOME/EXPL/src/pelican. Pour prendre en compte l’évolution des bandes
d’obscurité, j’ai donc rajouté quelques lignes dans ce code (ajout de la fonction compare() pour qsort
+ ajout l.49 à 93). Cette évolution est la suivante :
- Lecture de la dernière ligne de la bande d’obscurité associée à l’image avec la librairie libTIFF,
- Recherche de la valeur médiane des quatre valeurs lues avec qsort,
- Modification de la matrice d’obscurité de manière à lui assigner une moyenne égale à la
valeur médiane déterminée.
J’ai aussi ajouté un bouton dans l’interface des traitements radiométriques du logiciel qui
permet d’activer ou de désactiver l’utilisation des bandes d’obscurité lors de l’égalisation.
E. Vérification de la cohérence des modèles de décalages
Pour vérifier les grilles de rééchantillonnage générés à partir du modèle polynomial, j’ai créé le
programme verif_model.c et sont Makefile accessibles sous $PELICAN_HOME/EXPL/src/verif_modele.
Ce programme effectue les traitements suivants :
- Lecture d’une grille de rééchantillonnage,

- Lecture de la grille de rééchantillonnage issues d’une image sans problèmes de registration
(correspondant donc à une image à forte radiométrie),
- Calcul de la différence point par point entre ces deux grilles,
- Calcul de l’écart-type des différences.
Ainsi, si on obtient en sortie un écart-type ou un maximum de différence très élevé, le logiciel

sort une alerte pour prévenir l’utilisateur que les décalages de l’image sont très différents des
décalages moyens. Par contre, si l’écart-type est inférieur à quelques pixels le traitement continue.
L’avantage est grand pour l’utilisateur car il n’a plus besoin de rééchantillonner l’image pour vérifier
la cohérence du modèle des décalages.
Dans le fichier Plk_traitements.c, quelques lignes ont étés rajoutées (ajout l.577 à 619) à la
fonction _Plkc_Grille() pour appeler verif_modele dans le cas où le bouton a été coché.
F. Intégration des outils de visualisation de la registration
Dans l’onglet rééchantillonnage, j’ai intégré en C les outils classiques de vérification de la

registration (composition rvb 256*256, vérification visuelle pleine résolution sur les 4 coins et le
centre de l’image composée IVB). Ces deux fonctions ont étés ajoutées dans le fichier
Plk_traitements.c, tout d’abord l’appel des fonctions spécifiques après le rééchantillonnage dans la
fonction Plkc_Trait_Reech() (ajout l.1098 à 1144) puis les fonctions spécifiques, respectivement
_Plkc_Compocol() et _Plkc_Verifvisu() (ajout l.769 à 981). Ces outils peuvent donc être appelés
automatiquement après le rééchantillonnage des images si les boutons sont cochés.
On notera aussi que pour optimiser le temps nécessaire au rééchantillonnage, j’ai modifié la
fonction _Plkc_Reechantillonnage() de manière à ce que la bande rouge soit recopiée directement
après le rééchantillonnage des trois autres bandes de la même image.
Figure 48: Compositions colorées des images sur Cannes
Figure 49: Vérifications visuelles des images sur Cannes
VIII. Vue globale des améliorations du Prétraitement
Données Brutes RVBI
IMPORT
Valeur de la bande FILTRAGE Anti-

EGALISATION d’obscurité poussière ou TDI
CORRECTION Détection des Valeurs d’obscurité

Coefficients d’égalisation
pixels aberrants
CORRELATION 3 grilles de décalage moyen
MODELE
GRILLES DE
REECHANTILLONNAGE
VERIFICATION DU PB Estimation des

MODELE décalages
OK
REECHANTILLONNAGE
Les améliorations implémentées
pendant mon stage sont visibles
MINIATURES RVB en rouge
EGALISEES
VERIFICATION VISUELLE
CONCLUSION
Le prétraitement des données aéroportées PELICAN peut être amélioré à plusieurs niveaux :
1. Les courants d’obscurités peuvent être ajustés grâce aux bandes d’obscurité qui permettent
de modéliser l’évolution des courants d’obscurité après allumage des caméras.
2. Les coefficients d’égalisation peuvent être filtrés afin d’améliorer la correction des
poussières présentes sur l’optique.
3. Les fichiers de correction des colonnes aberrantes peuvent être mis à jour régulièrement
grâce à l’étude des données d’étalonnage.
4. Les grilles de rééchantillonnage défectueuses peuvent être détectées de manière fiable et
corrigées par l’insertion de décalages moyens sur les zones à faibles radiométrie.
La validation de ces améliorations et l’implémentation dans le logiciel de prétraitement a

engendré une réelle amélioration de la qualité des images PELICAN, comme le prouve les traitements
effectués sur la dernière campagne datant du mois d’octobre 2006. De plus, cette plus-value se
répercute sur les résultats des traitements effectués a posteriori à partir des images prétraités (MNT,
MNE, détection d’objets…).
En outre, une campagne PELICAN représente plusieurs centaines d’images et plusieurs

téraoctets de données. La mise en place des outils de vérification automatique des modèles de
registration et d’estimation des décalages a permis un gain de temps important lors du
prétraitement car l’opérateur n’a plus besoin de vérifier visuellement toutes les images et de les
corriger indépendamment.
IX. Bibliographie
Matlab vs IDL - Michael Liebling, Biomedical Imaging Group, Institut d’Imagerie et Optique appliquée,
Lausanne – 28 février 2002.
La caméra numérique de l’IGN - http://recherche.ign.fr/ >> LOEMI >> CAMNU.
Le point sur les caméras numériques de l’IGN – Isabelle Jurvillier & Christian Thom, Bulletin
d’Information de l’IGN n°68 – Mars 1997.
Un canal proche infrarouge pour caméra numérique de l’IGN – Jean-Philippe Souchon & Christian
Thom, Bulletin d’Information de l’IGN n°74 – Mars 2003.
An Aerial Digital Frame Camera for Photogrammetry : Radiometric comparison with Scanned Imagery
– Isabelle Jurvillier & Christian Thom, Geomatica, Vol 51, n°2 – 1997.
Des images multi spectrales caractérisées – Joël Duffaut, Horizon ONERA – Décembre 2004.
La gestion des couleurs : théorie et application aux caméras numériques de l’IGN – Christian Thom,
15ème journées de la Recherche IGN – 8 et 9 mars 2006.
Etalonnage et prétraitements des images PELICAN – Foued Malakessou, Rapport de fin d’études -
2006
X. Annexes
A. Extrait PELICAN le 16/10/2006 Cannes 10cm
B. Les activités DCT/SI/EI

Cnes Rapport de Stage Dpi96

Transféré par

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Cnes Rapport de Stage Dpi96

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cnes Rapport de Stage Dpi96

Transféré par

Droits d'auteur :

Formats disponibles

Rapport de stage

Mémoire de Fin d'Etudes

Stagiaire : ARNAL Etienne

Promotion : ISEN Toulon 2007

Tuteur Industriel : FJØRTOFT Roger

Tuteur Académique : INACIO Frédérique Mars à Août 2007

Le système aéroporté PELICAN, développé The airborne camera PELICAN, developed

Mots clés : Prétraitement d’image, Keywords: Image preprocessing, high

• Mon avenir professionnel.

Je remercie Joël DUFFAUT du Département d’Optique Théorique et Appliquée (DOTA/POS)

FJØRTOFT Roger CNES DCT/SI/EI – bpi 901 1

Table des illustrations…………………………………………………………………………………………………………………………7

I. Objectifs du stage ............................................................................................................. 11

B. Le service DCT/SI/EI, Exploitation Images & Instruments ............................................ 22

2. Le modèle polynomiale des décalages ..............................................................................................30

2. Problèmes liés à la correction radiométrique..................................................................................35

3. La registration sur les zones à faible radiométrie ...........................................................................57

B. Estimation des décalages d’une prise de vue ............................................................. 62

IX. Bibliographie .................................................................................................................... 71

Figure 1: Logo du CNES................................................................................................................ 14

CCD = Charge-Coupled Device,

CNES = Centre National d’Etudes Spatiales,

CSG = Centre Spatial Guyanais,

CST = Centre Spatial de Toulouse,

DLA = Direction des Lanceurs,

DOTA = Département d’Optique Théorique et Appliquée,

ENVI = ENvironment for Visualizing Image,

ESA = European Space Agency,

GMES = Global Monitoring for Environment and Security,

GPS = Global Positioning system,

IDL = Interactive Data Language,

IGN = Institut Géographique National,

ISEN = Institut Supérieur d’Electronique et du Numérique,

LOEMI = Laboratoire d’Opto-Electronique et de Micro-Informatique,

MATLAB = MAtrix LABoratory,

MCO = Maintien en Condition Opérationnelle,

MEDICIS = Moyen d'Evaluation de Décalages entre Images, Commun à l'Imagerie Spatiale,

ONERA = Office National d’Etudes et de Recherches Aérospatiales,

ORION = Outil de Rééchantillonnage d’Images Optimisé Numériquement,

TDI = Time Delay Integration,

TIFF = Tagged Image File Format,

XML = eXtensible Markup Language.

“Le doute est père de la création.”

L’objectif principal du stage et l’amélioration du prétraitement radiométrique et

• Prise en compte de l’évolution temporelle des niveaux d’obscurité lors de l’égalisation

Ce que le CNES a investit :

La campagne PELICAN d’octobre :

Le prétraitement des données :

Ce que le CNES a économisé grâce à mon travail :

Le prototypage des évolutions du logiciel :

Grâce à la mise en place de la correction automatique des modèles de rééchantillonnage

Le CNES, créé en décembre 1961, est chargé

Figure 1: Logo du CNES

Le CNES est particulièrement sensible à la protection de la Terre. Il développe certaines

Le CNES conduit la politique spatiale française :

- en réalisant un programme national qui complète les programmes de l'ESA.

Le CNES est en relation avec de nombreux partenaires :

- les organismes de défense, avec lesquels il participe à la construction d’un programme de