1Depuis le début des années 2000, avec l’avènement d’instruments de Télédétection spatiale à résolution infra-métrique (Ikonos, Quickbird, Pléiades…) puis la mise en ligne de mosaïques produites à partir de ces observations, comme c’est le cas du « logiciel » Google Earth, des images détaillées et régulièrement remises à jour de toutes les parties du globe sont désormais accessibles à tous. Outre le succès que connaissent ces bases d’images auprès du grand public, une base gratuite telle que celle de Google Earth a pu être utilisée par des projets scientifiques ambitieux, tel e-Geopolis1 qui a pour vocation la mise en ligne d’informations cartographiques et démographiques sur les villes du monde de plus de 10 000 habitants (Moriconi-Ebrard et al., 2010).
- 2 Une agglomération est définie comme un ensemble de constructions dont aucune n’est distante des aut (...)
2La définition des agglomérations de e-Geopolis2, reposant sur un critère purement morphologique, a pu être directement utilisée pour leur cartographie à partir des images Google Earth (GE) : les contours des agglomérations sont ainsi matérialisés par des polygones produits par photo interprétation des images GE. La démarche adoptée par e-Geopolis, si elle a pu dans sa phase initiale sembler coûteuse en temps et en expertise, a eu le grand mérite de mettre à la disposition du public de précieuses informations sur un grand nombre de villes du monde. Ainsi l’existence et le développement de e-Geopolis nous a fortement encouragées à rechercher une méthode reproductible fournissant les contours des agglomérations par traitement automatique des images GE. Un tel objectif de recherche se retrouve dans d’autres études telles que celles de Guérois (2003), de Swerts et Pumain (2010), ou encore de Tannier et al. (2011). Il traduit le besoin grandissant de connaissances précises et exhaustives sur les villes du monde, auquel il semble raisonnable de répondre par l’automatisation de processus de détection des zones urbaines.
3Une première expérience d’extraction semi-automatique des taches urbaines d’agglomérations de plus de 10 000 habitants à partir d’images GE sur l’Afrique de l’Ouest a déjà été réalisée (Mering et al., 2010). Cette expérience a révélé les difficultés inhérentes à l’extraction des taches urbaines des agglomérations les plus importantes en termes de population et donc les plus étendues spatialement. En effet, il est apparu que ces dernières se trouvaient souvent représentées par des images GE correspondant à des mosaïques d’images satellites acquises dans des conditions parfois très différentes. Dans cette approche, chacune des sous-images composant la mosaïque GE couvrant une agglomération-cible était traitée séparément, le résultat global étant produit par réassemblage des résultats partiels.
4Dans le travail présenté ici, nous proposons de normaliser les « sous-images » des mosaïques GE de sorte à pouvoir traiter ces mosaïques de façon globale, ou comme s’il s’agissait d’une image unique. Nous présenterons dans un premier temps le contexte de l’étude. Puis nous aborderons la question du prétraitement des images GE basé sur une adaptation de l’algorithme du « Midway » ; pour ensuite présenter la méthodologie d’extraction des taches urbaines faisant appel à des filtres morphologiques. Enfin nous présenterons les résultats obtenus avec cette méthode, tout en les comparants à la base de données vectorielle des agglomérations de la rubrique Africapolis de la base e-Geopolis.
5Le projet Africapolis (Denis et al., 2008) nous a servi à la fois de support méthodologique en fournissant une définition de l’agglomération, de source de données pour identifier les agglomérations à étudier, et de support de validation en fournissant une base de données vectorielle de l’étendue de ces agglomérations.
6La base Africapolis possède deux entrées pour suivre l’évolution de l’urbanisation : une base de données démographiques à différentes dates, et une base de données spatiales associant à chaque agglomération son extension bâtie actuelle (identifiée par photo-interprétation à partir d’images GE).Un tel suivi basé sur approche morphologique plutôt que fonctionnelle permet d’articuler les échelles d’étude temporelle aussi bien que spatiale et permet de travailler aussi bien à l’échelle locale qu’à l’échelle internationale. De plus, l’intérêt pour notre étude est que ces critères sont transposables en termes de traitement d’images.
7L’Afrique de l’Ouest, où ont été sélectionnées les villes analysées dans ce travail, correspond à l’ensemble des pays compris entre la bande soudano-sahélienne et le Golfe de Guinée. Cette région qui s’étend de la Mauritanie au Nigeria, compte 33 agglomérations de plus de 500 000 habitants selon les estimations de population de 2010 de la base de données Africapolis (Figure 1).
Figure 1 : Distribution spatiale des agglomérations de l’Afrique de l’Ouest de plus de 500 000 habitants
Source : Estimation de population 2010 de la base de données Africapolis, http://www.e-geopolis.eu
8Alors qu’en 1950, l’Afrique de l’Ouest comptait 12 millions d’urbains, elle en compte aujourd’hui 78 millions (Igué, 2006). Avec un taux de croissance urbaine de 5 % par an en moyenne pendant la période 1960-1990, la région a connu une véritable révolution urbaine en même temps que le reste du continent, dont l’urbanisation se rapproche aujourd’hui de la moyenne mondiale avec environ 48 % de la population habitant les villes. Deux grandes tendances peuvent résumer l’histoire de l’urbanisation de la région et permettent d’expliquer la trame actuelle des plus grandes agglomérations : il s’agit d’une part, d’une urbanisation associée à la période coloniale qui marque la naissance des futures grandes agglomérations dans la quasi-totalité des pays d’Afrique de l’Ouest et entraîne le développement d’une trame urbaine tournée vers le littoral ; et d’autre part, de l’urbanisation plus ancienne du Nigéria (Igué, 2006) qui explique la forte densité de la trame urbaine dans ce pays où l’on trouve plus de la moitié des agglomérations de l’échantillon analysé.
9L’urbanisation en Afrique de l’Ouest est donc marquée par une croissance très importante au cours de la deuxième moitié du 20e siècle qui a vu le réseau urbain des grandes agglomérations de plus de 500 000 habitants se mettre en place. Cette période est celle durant laquelle les grandes villes se sont développées : la croissance a été principalement alimentée par l’exode rural jusque dans les années 1970, puis par l’accroissement naturel à partir des années 1980.
10Le système urbain d’Afrique de l’Ouest est encore de nos jours en pleine mutation : la région se trouve actuellement en phase de transition urbaine caractérisée par une tendance de décélération de la croissance des grandes villes observée depuis les années 1990 (Dubresson et Raison, 1998), et par le rôle croissant des moyennes et petites villes qui deviennent à présent le moteur de l’urbanisation de la région (Denis et al., 2008).
11Les images disponibles dans le logiciel Google Earth sont pour la plupart des mosaïques d’images satellites acquises à des dates et dans des conditions différentes. Ces images présentent l’avantage de posséder une très haute résolution qui permet d’identifier de manière précise des agglomérations de taille variée, mais caractérisées invariablement par une forte densité de surface bâtie. Cependant ces images accessibles librement ne possèdent pas d’information spectrale directement exploitable, contrairement aux images satellites dont elles sont issues : il s’agit de simples images en couleur, exportables au format couleur RVB.
12La résolution spatiale de ces images fait qu’il est possible de respecter la définition morphologique des agglomérations e-Geopolis et donc de cartographier tous les ensembles de constructions composés de bâtiments séparés par une distance inférieure à 200 m. Afin de pouvoir identifier les zones urbaines à l’aide de méthodes issues du traitement d’image, nous avons choisi de travailler à partir de ces images réduites à leurs teintes de gris, ce qui donne accès aux seules caractéristiques texturales des zones urbaines. Même après le passage d’une image couleur à une image en teintes de gris, la zone urbaine correspondant à l’agglomération d’Abidjan (Figure 2) se distingue aisément de son environnement immédiat par sa texture « poivre et sel » résultant de l’enchevêtrement de bâtiments aux teintes claires, de routes et d’ombres portées des bâtiments aux teintes sombres.
Figure 2 : Images Google Earth de l’agglomération d’Abidjan
(a) image couleur originale, (b) image en teintes de gris
13Chercher à cartographier des agglomérations de plusieurs millions d’habitants implique de travailler sur des mosaïques d’images GE qui sont parfois composées d’images acquises dans des conditions différentes, qui vont affecter les luminances et ainsi les textures des zones urbaines à délimiter. Ces dernières se trouvent alors subdivisées en autant de zones de textures homogènes, qu’il y a de sous-images dans la mosaïque. Pour remédier à ce problème, il est possible de corriger l’histogramme cumulé des luminances de chaque sous-image pour le rapporter à un histogramme cumulé normatif, identique pour chaque partie de la mosaïque.
14Les méthodes classiques utilisées en traitement d’image pour homogénéiser des teintes sur des vues destinées à être assemblées recourent soit à un appariement local des teintes réalisé sur des régions communes aux deux vues ou sur des régions proches du lieu de collage, soit à un appariement global s’appuyant sur les histogrammes des luminances des deux vues considérées dans leur intégralité. C’est ce dernier choix qui est fait car les approches locales ne sont performantes que si une région commune aux vues voisines est disponible, ce qui n’est pas le cas ici.
15L’algorithme d’égalisation proposé est une variante de l’algorithme « Midway » (Delon, 2004). Le principe de cet algorithme est de définir une fonction de changement de contraste à appliquer à la paire d’images en teintes de gris à accoler. Un prérequis nécessaire à l’efficacité de la méthode est que les images aient des contenus similaires, pour que soit formulée l’hypothèse de l’existence d’une relation linéaire ou affine entre les intensités de deux pixels correspondant à un même objet sur les deux images. La méthode « Midway » consiste alors à calculer l’histogramme cumulé H se trouvant à mi-chemin entre les histogrammes cumulés originaux H1 et H2 des deux images I1 et I2 (Figure 3). La distribution de l’histogramme cumulé à mi-chemin H est alors donnée par :
16Cet histogramme est calculé de façon à conserver au mieux les dynamiques originales des niveaux de gris de chacune des images. Il permet de moyenner entre eux uniquement les niveaux de gris de même rang sur les deux images, le rang étant déterminé par la fréquence d’apparition sur les histogrammes cumulés. Plusieurs approches sont envisageables pour obtenir la distribution de cet histogramme cumulé. Delon (2004) présente le problème dans le cas où les images prennent leurs valeurs dans un intervalle continu, mais montre que l’algorithme de « Dynamic Histogram Warping » de Cox et al. (1995) permet d’obtenir cet histogramme dans le cas discret. Cette deuxième méthode, que nous utilisons ici, évalue le coût de couplage des valeurs d’intensité de deux images, en autorisant les couplages d’intensité une-à-une, une-à-plusieurs et plusieurs-à-une. Une fois ce couplage déterminé pour chaque intensité, il s’agit alors de calculer une nouvelle valeur moyenne d’intensité remplaçant les intensités couplées sur les deux images. En prenant l’exemple où [n1, ñ1] l’intervalle d’intensité de I1 correspond au meilleur couplage de la valeur d’intensité n2 de I2, alors la nouvelle intensité qui replacera les valeurs de l’intervalle [n1, ñ1] sur I1 et n2 sur I2 dans le nouvel histogramme cumulé à mi-chemin est donnée par :
Figure 3 : Deux histogrammes cumulés (H1 et H2) associés à deux images (I1 et I2) et H l’histogramme « Midway » à mi-chemin entre H1 et H2
17Dans le cas qui nous intéresse, les sous-images à accoler ne représentent pas la même information. Cependant, nous supposerons que l’information commune aux deux sous-images est suffisamment proche pour permettre un calcul correct de l’histogramme à mi-chemin. L’adaptation que nous proposons consiste à ajouter un prétraitement des sous-images pour garantir cette hypothèse : avant égalisation, chaque sous-image est simplifiée de sorte à ne conserver de leur contenu que les plus larges parties supposées significatives et communes à la paire d’images. Pour ce faire, l’image et son inverse (négatif de l’image) sont décomposées en ensembles de niveaux de gris, chaque ensemble de niveau n’étant conservé que si sa taille est supérieure à un seuil fixé (Figure 4). Ce seuil est choisi suffisamment grand pour éliminer les détails comme les bâtis, les nuages, et suffisamment petit pour que les histogrammes des images simplifiées soient encore significatifs de leur contenu.
18Les filtres que nous venons de décrire sont des ouvertures et fermetures par reconstruction (Serra, 1988). Le critère de taille utilisé pour sélectionner les seuils est un test d’inclusion par rapport à un ensemble de référence (l’élément structurant), test appliqué sur l’image et sur son inverse. Les images considérées ayant toutes la même résolution spatiale, l’élément structurant (un disque de grand rayon r) est fixé une fois pour toutes en proportion de la taille des sous-images composant la mosaïque GE. L’algorithme « Midway » est donc appliqué à ces sous-images simplifiées, puis les détails éliminés sont « recollées » sur les sous-images pour récupérer une mosaïque homogène où la texture est exploitable.
Figure 4
(a) Les ensembles de niveaux de gris d’une image vue comme un relief : les luminances correspondent aux altitudes. (b) Filtrage par ouverture par reconstruction : chaque composante connexe de chaque ensemble de niveau n’est retenue dans son intégralité que si elle satisfait un critère : on teste si chaque composante contient ou non l’élément structurant (ici un disque). Les fermetures par reconstruction sont définies de la même manière sur l’image inversée. (c) La différence entre l’image originale et l’image filtrée fournit une image de contraste.
19La figure 5 illustre le résultat obtenu par la méthode d’égalisation décrite. La mosaïque GE de l’agglomération de Warri au Nigéria qui est composée de deux sous-images (Figure 5a) est rendue homogène grâce au traitement d’égalisation (Figure 5b). Et l’application de filtres morphologiques qui n’accentuaient que la texture des éléments urbains de la sous-image gauche (Figure 5c), permet après égalisation d’accentuer la texture de l’ensemble des éléments urbains de l’agglomération (Figure 5d).
20Une adaptation supplémentaire de l’algorithme « Midway » que nous proposons vise maintenant à garantir une égalisation correcte y compris lorsque l’une des images présente un très faible contraste, comme ce qui se rencontre sur des images satellite en présence d’un voile nuageux. L’égalisation des teintes de gris sur la base d’un histogramme à mi-chemin entre une image à très fort contraste et une autre à très faible contraste va entraîner la paire d’images vers de faibles contrastes, ce qui risque fort de compromettre la détection des taches urbaines. Pour forcer une égalisation de la paire d’images assurant une scène finale bien contrastée, il suffit de remplacer l’étape de calcul de l’histogramme à mi-chemin par une étape de correction de l’histogramme cumulé de l’image à plus faible contraste. Ce dernier peut en effet être recalé sur celui de l’image à plus fort contraste en utilisant ici encore le principe du « Dynamic Histogram Warping » de Cox et al. (1995). En reprenant l’exemple précédent des valeurs d’intensités de l’équation (2), et en considérant que I1 est l’image de référence présentant les meilleurs contrastes, alors le calcul de la nouvelle intensité qui n’affecte que I2 devient :
21En explorant un large panel d’images et de configurations, on note cependant une forte variabilité des performances de la méthode : la disparité des contenus des sous-images conditionne largement la qualité du résultat. En effet, lorsque les sous-images ont des contenus particulièrement différents, ou lorsque les conditions de prises de vues sont radicalement différentes (saison, couverture nuageuse trop importante, etc.) le prétraitement peut donner des résultats moins satisfaisants. Cependant même si les résultats du traitement sont moins satisfaisants que lorsque les deux sous-images appariées sont globalement similaires, on constate une légère amélioration par rapport à l’assemblage en mosaïque des sous-images égalisées uniquement localement tel que proposé par Google Earth.
Figure 5 : Images GE de l’agglomération de Warri (Nigéria)
(a) mosaïque d’images avant égalisation, (b) mosaïque d’images après égalisation de type « Midway », (c) et (d) images de contraste obtenues en filtrant l’image originale (c) ou l’image égalisée (d) selon l’étape 1 de la séquence d’extraction décrite dans la section suivante
22Les taches urbaines sont identifiables grâce à la composition des éléments bâtis. Sur les images satellitaires à teintes de gris, ce sont de petites composantes de l’image (ensembles de pixels) à fort contraste et proches les unes des autres. Partant de ce constat, la séquence de traitement proposée pour repérer et localiser les taches urbaines sur les images déjà égalisées va comporter trois étapes (Figure 6) : dans la première étape, il s’agit d’identifier la texture dite « poivre et sel » des zones urbaines en accentuant son contraste par rapport au reste de la scène puis en la lissant ; dans la seconde étape, on constitue un masque binaire qui étiquette toutes les composantes urbaines ; puis dans une dernière étape, les composantes proches sont regroupées (ou agglomérées) pour former une large région qui, une fois lissée, délimite la tache urbaine. Le lissage permet ici d’éliminer des fluctuations locales qui auraient pu déconnecter des composantes urbaines séparées d’une distance inférieure à 200m, autant qu’il permet d’éliminer le bruit ou les composantes de bâti mais isolées et de petite taille qui n’intègrent pas la tache urbaine principale.
Figure 6 : Composition des séquences de filtres morphologiques pour l’extraction des taches urbaines
23La première étape des séquences, de rehaussement du contraste des zones urbaines par rapport à leur environnement sur les images en teinte de gris, se fait donc à l’aide de filtres dits « Top Hat » et à l’aide de filtres par reconstruction (Serra, 1988). Calculer le contraste local sur une image consiste à faire la différence entre l’intensité en un point et l’intensité au voisinage de ce point, et ceci pour tous les points de l’image. Il s’agit alors de définir un voisinage pertinent qui englobe le plus systématiquement possible à la fois les points correspondant au bâti là où il existe et ceux correspondant à d’autres surfaces type ombres portées du bâti, voies de communication, espaces cultivés, végétation naturelle. La résolution des images étant connue, il est toujours possible de fixer la taille maximale d’un élément bâti. Nos expériences sur les images GE nous ont montré que ceux-ci correspondent à des petits amas de pixels (amas plus petits qu’un disque de rayon de 3 pixels). Le résultat de cette opération est illustré en Figure 7a.
24Les éléments de bâti étant supposés proches les uns des autres, le traitement suivant vise à éliminer l’espace séparant les différents éléments : il s’agit cette fois de réunir des composantes connexes lorsque la distance qui les sépare est faible. Les éléments de bâti étant considérés comme plus petits qu’un disque de rayon de 3 pixels, l’espace séparant deux éléments de bâti peut être comblé à l’aide d’un disque de rayon 4. La zone bâtie est ainsi reconstituée en appliquant une fermeture de taille 4 à l’image précédemment obtenue (Figure 7b).
25En appliquant un seuillage sur le résultat de cette opération, on obtient en étape deux un marqueur de la zone bâtie. Le seuil correspond à la valeur minimale de contraste permettant d’étiqueter chaque pixel comme un pixel de bâti. Le choix du seuil à cette étape est délicat car il peut changer d’une ville à l’autre, d’une image à l’autre selon la façon dont la vue a été acquise puis égalisée. Il est donc choisi bas afin de ne pas faire échouer la détection. On obtient ainsi un ensemble compact de pixels correspondant à la zone bâtie ainsi que de petites composantes isolées correspondant à une sur-détection (Figure 7c).
26Il suffit d’éliminer ces petites composantes pour obtenir la zone bâtie principale (Figure 7d). On applique ici une ouverture suivie d’une fermeture par reconstruction ce qui permet à la fois d’éliminer les composantes isolées et de former une zone de bâti sans trou (Figure 7e).
Figure 7 : Séquence de traitement de l’image Google Earth d’Abidjan (Côte d’Ivoire)
(a) « White Top Hat » avec un disque de taille 3, (b) Fermeture avec un disque de taille 4, (c) Masque binaire obtenu par seuillage, (d) Ouverture par reconstruction avec un disque de taille 50 et puis remplissage des trous, (e) Contour du masque binaire résultant (en jaune) affiché sur l’image Google Earth originale.
27Même lorsque l’étape d’égalisation ne permet pas de compenser entièrement la variabilité des contrastes, l’identification des composantes de bâti et de la tache urbaine reste possible dans la majeure partie des cas, au prix d’une séquence de traitement parfois un peu plus complexe. À ce jour, les cas les plus difficiles restent ceux correspondant à des mosaïques composées d’images satellites issues de capteurs ayant différentes résolutions, combinant des images à très haute et à moyenne résolution. Les réglages, en particulier le choix du seuil isolant les composantes de bâti, peuvent s’avérer plus difficiles lorsque le bâti se fond dans le paysage sur certaines parties de la mosaïque. Les paramètres (taille de bâti, contraste minimum d’un point de bâti) sont déterminants pour la qualité de la détection des zones et l’obtention de leurs contours. Lors de ces expériences, il a alors été nécessaire de changer le paramétrage de nos algorithmes voire d’opérer plusieurs fois de suite avec des jeux de paramètres différents afin d’obtenir toute la zone bâtie. Ce problème mis à part, la chaîne de traitement proposée a toujours permis de détecter la zone bâtie et d’en obtenir le contour.
28Dans la partie qui suit, les contours qui ont été obtenus par traitement des images Google Earth (égalisation puis détection informatique) sont comparés visuellement à ceux figurant dans la base de données Africapolis. Dans cette base, les sites bâtis ont été identifiés par photo-interprétation, mais la même résolution et le même type d’images ont été utilisés par Africapolis et dans la présente étude. Nous nous attachons ici à exposer la diversité des configurations urbaines observées dans notre échantillon d’étude et à montrer leur impact sur les résultats que nous avons obtenus.
29Pour une partie des agglomérations de l’échantillon, les contours obtenus par traitement informatique sont semblables à ceux identifiés par photo-interprétation. Les agglomérations concernées possèdent généralement une configuration urbaine simple : une tache urbaine avec une densité de bâti relativement homogène et présentant un bon contraste entre les éléments urbains et le reste de la scène, que ce soit vis-à-vis de la texture ou de la luminance. L’agglomération d’Abidjan en Côte d’Ivoire (Figure 8a) et celle de Touba au Sénégal (Figure 8b) correspondent à ce type de configuration, où la végétation tropicale dense pour la première et le sol nu environnant pour la seconde permettent de délimiter aisément leur étendue. Sur ces figures on peut voir que les étendues identifiées par les deux méthodes sont comparables, mais que extraction par traitement informatique fournit des contours beaucoup plus détaillés qui suivent précisément le tracé des bâtiments.
30À côté de ces exemples où l’on obtient de bons résultats par l’algorithme proposé, il a été observé sur des exemples de taches urbaines, des différences plus sensibles avec les contours obtenus par photo-interprétation. Notre algorithme fait le choix d’exclure les espaces intra-urbains non bâtis, ce qui n’est pas le cas dans la délimitation effectuée par photo-interprétation. Pour les agglomérations traversées par des cours d’eau ou celles se trouvant au bord de lagunes, nous obtenons automatiquement plusieurs composantes connexes de part et d’autres des rives, comme pour l’agglomération de Bamako au Mali qui se trouve sur les rives du fleuve Niger (Figure 8c). Ce résultat était prévisible. Le problème des zones urbaines scindées n’a pas été l’objet de cette étude. Par ailleurs, pour la conurbation d’Accra/Tema au Ghana (Figure 9a), l’exclusion des surfaces en eau permet de visualiser la fine coupure qui continue de séparer ces villes administrativement distinctes.
31Pour une tache urbaine comme celle de Sokoto au Nigéria (Figure 8d), on peut voir apparaitre de nombreux sols nus au sein de l’agglomération qui sont inclus dans la zone bâtie détectée. Ces sols nus ont été conservés délibérément au cours de l’étape trois de la séquence de filtres, car ces larges emprises aujourd’hui inutilisées sont potentiellement urbanisables dans les années à venir.
32Pour certaines agglomérations comme celle de Niamey au Niger (Figure 8e) ou celle de Maiduguri au Nigeria (Figure 8f), nous obtenons des taches urbaines différentes de celles de la base Africapolis du fait des emprises au sol des aéroports. Sur les images, les aéroports présentent des caractéristiques texturales très différentes de celles des zones urbaines et qui n’ont pas été prises en compte par l’algorithme présenté. L’exclusion de ces infrastructures souvent situées en périphérie des agglomérations a pour effet de réduire la surface de la tache urbaine identifiée pour l’agglomération de Maiduguri, et de morceler la tache urbaine de Niamey en plusieurs composantes.
33L’ensemble des agglomérations d’Afrique de l’Ouest de plus de 500 000 habitants constitue un échantillon d’agglomérations aux contextes et aux configurations urbaines très différentes qui ont parfois été source de difficulté. Ces difficultés sont par exemple apparues lors de l’extraction d’agglomérations telles que celle de Bamako au Mali (Figure 8c) qui se trouvent en milieu sahélien. Les agglomérations se trouvant dans cette zone climatique présentent la particularité d’une part d’être composées d’éléments bâti aux teintes très semblables à celles des éléments qui composent les zones rurales, et d’autre part d’être entourées de zones où la végétation est dispersée pendant la longue saison sèche ce qui peut créer des confusions entre la texture caractérisant la présence de bâti et celle induite par la présence d’une végétation ligneuse éparse.
34Dans les configurations urbaines où le bâti à la périphérie des agglomérations apparaît très dispersé, l’algorithme d’extraction a tendance à sous-estimer ces périphéries. Il est facile de perdre ces configurations qui se trouvent à la limite du critère des 200 mètres puisque les bâtiments sont considérés comme trop isolés et sont écartés de la détection qui élimine les composantes de très petite taille. Cette sous-estimation est par exemple visible pour la tache urbaine de Conakry en Guinée (Figure 9b) : au Nord de l’agglomération, les quelques habitations qui assurent la continuité n’ont pas toutes été extraites dans cette zone en plein développement (comme le révèle la base d’images temporelle de Google Earth).
35Certaines configurations urbaines complexes montrent que la définition d’une agglomération employée pour identifier les taches urbaines sur les images satellite peut être discutée et pourquoi pas revue dans certains cas. Cette complexité apparaît notamment lors de la délimitation d’agglomérations nigérianes comme Aba (Figure 8g) ou Uyo (Figure 8h) qui sont composées de centres urbains denses autour desquels viennent se connecter des ensembles denses de bâtiments très fortement axialisés par les voies de communication. Le critère des 200 mètres de distance entre chaque bâtiment implique d’intégrer ces linéaires de bâtiments dans la délimitation de la tache urbaine centrale, bien qu’il soit peut-être plus pertinent de ranger ce type de configuration dans une catégorie « habitat rural linéaire très dense ». Pour cette raison, même si le traitement numérique proposé permet d’identifier ces configurations linéaires, elles n’ont pas été intégrées à la tache urbaine car trop diffuses.
Figure 8 : Images Google Earth et contours des taches urbaines d’agglomérations d’Afrique de l’Ouest
Contour jaune : extraction par filtres morphologiques, contour rouge : tache urbaine Africapolis : (a) Abidjan, Côte d’Ivoire ; (b) Touba, Sénégal ; (c) Bamako, Mali ; (d) Sokoto, Nigeria ; (e) Niamey, Niger ; (f) Maiduguri, Nigeria ; (g) Aba, Nigeria ; (h) Uyo, Nigeria
Figure 9 : Zoom sur les images Google Earth et contours des taches urbaines
(a) Accra/Tema, Ghana ; (b) Conakry, Guinée
36Pour viser un traitement automatique d’images numériques libres comme celles de la base Google Earth pour l’étude des zones urbaines, il faut, comme nous l’avons proposé, résoudre la difficulté que présente la mosaïque d’images acquises par des capteurs différents, à des saisons différentes et imaginer un protocole de traitement robuste permettant une détection dans des configurations de bâti très différentes.
37L’étape d’égalisation est cruciale étant donné les disparités existantes entre les sous-images qui constituent les mosaïques. On facilite ainsi significativement l’étape de détection du bâti par rapport à une approche par sous-images telle qu’elle avait été explorée auparavant (Mering et al., 2010). La solution proposée adapte l’algorithme « Midway » initialement destiné à des paires d’images représentant la même scène. L’information commune aux paires d’images de la mosaïque est difficilement prédictible : elle dépend de la zone géographique, du découpage et de l’instant où les vues ont été réalisées. L’adaptation que nous proposons, à savoir égaliser les images après simplification de ces dernières, nous a néanmoins permis d’obtenir des résultats satisfaisants. Pour améliorer l’étape d’égalisation d’images, les pistes possibles seraient d’une part de recourir à plusieurs niveaux de simplification de manière à balayer une plus grande diversité de configurations de paires d’images ; et d’autre part d’utiliser la couleur qui dans certaines régions désertiques peut améliorer sensiblement les résultats.
38Les résultats de détection par notre algorithme ont été comparés à ceux obtenus par photo-interprétation figurant dans la base de données Africapolis. Seules les agglomérations de plus de 500 000 habitants ont été traitées. Nonobstant la nécessité pour l’opérateur de réajuster les paramètres de détection dans l’algorithme, le traitement numérique reste intéressant : il permet d’obtenir des contours précis pour les zones bâties et est performant pour des configurations urbaines différentes et sur des images aux contextes variés. Il permet ainsi de répondre aux objectifs initiaux qui étaient d’obtenir une séquence de traitement d’images opérationnelle et reproductible permettant d’obtenir le contour de diverses taches urbaines.
39Enfin, Google Earth présente l’avantage de fournir une base temporelle de vues satellitaires. Étant donné la rapidité d’évolution de certaines agglomérations, dans de nombreuses régions du globe, un traitement automatique reste l’enjeu pour suivre ces évolutions et/ou traiter un grand nombre de sites urbains.