Les récifs coralliens
Les récifs coralliens sont des agglomérats d’organismes très diversifiés en taille, en forme et en couleur, qui couvrent le fond des mers. Les coraux constituent la base de l’habitat de près de 25 % des espèces marines de la planète et ils protègent les côtes des catastrophes naturelles provenant de l’océan. Ils influencent leur écosystème de manière notoire et servent aussi efficacement de baromètre pour déterminer la santé de leur environnement. En effet, les coraux dépendent fortement de leur milieu, qu’ils protègent et alimentent en retour (Chaudhury et Ajai, 2014). Les écosystèmes marins abritent deux grandes familles de coraux: les coraux solitaires et les coraux coloniaux. Les coraux solitaires survivent en se fixant de manière individuelle sur diverses surfaces. Les coraux coloniaux sont, pour leur part, constitués d’une structure de calcaire et d’une colonie de polypes dont chaque individu est un clone des autres. Ce sont alors ces animaux qui génèrent la structure mère de calcaire et qui se multiplient pour la faire grandir. Lorsque plusieurs de ces colonies sont réunies à un même endroit et qu’elles croissent dans un arrangement serré, un récif est créé.
Pour survivre, les coraux coloniaux ont besoin de la présence des algues qui sont la source de leurs couleurs éclatantes. Ils entretiennent avec elles une relation symbiotique. Ces algues produisent, par photosynthèse, des nutriments que les coraux absorbent. Les déchets que ces derniers dégagent sont postérieurement réabsorbés par ces mêmes algues. Cette relation influence la forme et l’emplacement des coraux, puisqu’ils se développent de manière à intercepter les nutriments et l’oxygène transportés par les courants marins, puis à offrir une grande surface disponible pour l’absorption de la lumière par les algues. Ainsi, la forme des coraux ne dépend pas uniquement de l’espèce des polypes, mais également du milieu dans lequel ils vivent. Dans le cas où les coraux subissent du stress, leur réaction primaire est de rejeter les algues et cela cause leur mort. Conséquemment, ces animaux ne peuvent généralement vivre que dans des conditions physicochimiques très précises. Leur survie est influencée par la qualité de leur eau (salinité, acidité, turbidité, transparence), ainsi que par leur emplacement (quantité de lumière, température, profondeur, substrat) et par les cycles océaniques qu’ils subissent (vagues, nutriments, circulation)(Chaudhury et Ajai, 2014). Puisque les récifs coralliens sont très sensibles à leur environnement, ils réagissent rapidement à tout changement qui s’y produit. Pour cette raison, des scientifiques effectuent un suivi constant de leur santé de manière à évaluer les impacts de phénomènes ponctuels, comme les ouragans, et les répercussions de variations continues, telles que le réchauffement climatique. Ces études sont menées tout autour du globe, comme dans le regroupement de récifs coralliens le plus important au monde, la Grande barrière de corail d’Australie, dont l’âge est estimé à 500 000 ans et dont la longueur dépasse 2 000 km.
Collecte des données sous-marines
L’Australian Institute of Marine Science (AIMS) est un organisme de recherche qui maintient un programme de surveillance à long terme des récifs des mers adjacentes à l’Australie. Il s’intéresse particulièrement à leurs couverts benthiques, soit aux structures qui recouvrent leurs sols, ainsi qu’à leurs populations de poissons et d’étoiles de mer. Il assemble donc une banque de données dont l’analyse permet d’obtenir une vue globale de l’évolution spatiale et temporelle des espèces marines. Pour ce faire, l’AIMS utilise la technique de photographie sous-marine dont (Jonker, Johns et Osborne, 2008) détaille le protocole. Elle consiste à prendre une quarantaine de photographies sur des parcours linéaires présélectionnés d’une cinquantaine de mètres de long. Chacun des 48 récifs surveillés contient cinq de ces transects. Pour la cohérence de la recherche et pour que les clichés soient uniformes, le photographe se positionne à une distance constante de 50 cm par rapport au substrat marin et il prend les photos à l’intérieur d’une plage horaire permettant une illumination suffisante des sujets. Par la suite, on marque chaque cliché de cinq points de référence dont la position est fixe. Quatre experts identifient alors les structures situées sous chacun des points et leur associent une étiquette telle que celles de la figure 1.1. Il est à noter que les biologistes sélectionnés pour faire ce travail obtiennent des écarts d’à peine 10 % pour ce qui est de l’identification de la famille des spécimens observés et qu’ils identifient tous le même nombre de clichés pour chaque récif. La précision des identifications dépend toutefois fortement du niveau de détail perceptible sur la photo, ce qui est lié à la distance focale (Ninio et al., 2003).
Reconnaissance de forme
La reconnaissance de forme est un procédé par lequel une image est observée et ses différentes régions sont associées à une étiquette d’identification selon ses caractéristiques et les connaissances préalables de l’observateur. Cette suite d’actions est triviale au niveau humain, puisqu’elle est effectuée en continu par le cerveau suite à la perception des informations par les cinq sens. Pour l’automatiser informatiquement, il est toutefois nécessaire de faire plus d’analyses. En effet, la reconnaissance de forme ne se limite pas à identifier des formes géométriques. Par exemple, pour évaluer le contenu d’une image, la vision artificielle exploite régulièrement la texture et la couleur. La représentation numérique d’une image est constituée d’une suite de pixels d’intensité plus ou moins grande, associés à certains canaux de couleur. Nous pouvons par exemple l’illustrer par des teintes de gris ou encore par le rouge (R), le vert (V) et le bleu (B) comme le montre la figure 1.2.
Il est possible d’identifier les structures représentées sur une image grâce, entre autres, à la texture, qui s’exprime à travers des motifs de pixels répétés (Jähne, 2004; 2005). Ainsi, les patrons de pixels dans les sous-images 1.3A et 1.3B sont différents et leur analyse permettrait de différencier deux textures, donc deux structures différentes et distinctes. Il ne serait cependant pas possible de savoir que 1.3A représente des pois et 1.3B, des barres, sans avoir appris de quoi ont l’air des pois et des barres. Pour y arriver, il est nécessaire de constituer une base de données qui associe certains motifs à une étiquette. Cette base de données est donc une sorte de dictionnaire contenant les mots «pois» et «barre» dont la définition décrit leur texture et leur couleur respective. En comparant la texture de l’image 1.3A au dictionnaire, il serait alors possible de conclure à des pois verts. Toutefois, les images à analyser sont généralement plus complexes que celles présentées à la figure 1.3 et le processus de leur description et de leur identification n’est alors plus si simple. 10 Le protocole typique d’identification des étiquettes d’objets utilise des statistiques, la vision artificielle et l’intelligence artificielle. Le tout commence par la constitution d’un dictionnaire dont la description de chaque classe d’objet contient des modèles : ces modèles sont créés à partir d’objets dont la classe était identifiée au préalable et qui forment un groupe d’entrainement. Le dictionnaire sert par la suite de référence pour la classification de nouveaux objets qui appartiennent à un groupe de test.
|
Table des matières
INTRODUCTION
CHAPITRE 1 REVUE DE LITTÉRATURE
1.1 Les récifs coralliens
1.2 Collecte des données sous-marines
1.3 Reconnaissance de forme
1.3.1 Bases de données
1.3.2 Débalancement des classes
1.3.3 Prétraitements
1.3.4 Segmentation
1.3.5 Extraction des descripteurs de texture
1.3.5.1 Espaces de représentation
1.3.5.2 Analyse statistique de la distribution des pixels
1.3.5.3 Analyse de la distribution des pixels par filtrage
1.3.6 Extraction des descripteurs de couleur
1.3.7 Dimension de l’espace de représentation
1.3.7.1 Analyse en composantes principales (ACP)
1.3.7.2 Sélection d’attributs
1.3.8 Classificateurs
1.3.9 Analyse statistique des résultats
1.3.10 Application à la classification de groupes benthiques
CHAPITRE 2 OPTIMISATION D’UN ALGORITHME DE CLASSIFICATION POUR LA BASE DE DONNÉES DE L’AIMS
2.1 Introduction
2.2 Méthodologie d’optimisation
2.3 Sélection des prétraitements
2.3.1 Caractéristiques des images
2.3.2 Méthode de comparaison des prétraitements
2.3.3 Résultats de la comparaison des prétraitements
2.3.4 Interprétation des conséquences du prétraitement
2.4 Segmentation
2.4.1 Choix du type de segmentation
2.4.2 Méthode de sélection de la taille de l’imagette
2.4.3 Résultats de la sélection de la taille de l’imagette
2.4.4 Impact du choix de taille d’imagettes
2.5 Sélection des descripteurs
2.5.1 Définition de l’impact du choix des descripteurs
2.5.2 Méthodologie de sélection des descripteurs
2.5.3 Distribution des descripteurs sélectionnés à travers les récifs
2.5.4 Apport de chaque descripteur à l’ensemble
2.5.5 Comparaison de la performance des descripteurs à la fine pointe de la technique
2.6 Optimisation des paramètres des SVM
2.6.1 Utilisation d’un SVM
2.6.2 Méthodologie d’optimisation pour la base de données de l’AIMS
2.6.3 Résultats de l’optimisation des paramètres sur plusieurs récifs
2.6.4 Interprétation des valeurs prises par les paramètres
2.6.5 Discussion sur le processus d’optimisation
2.7 Configuration finale
CHAPITRE 3 GÉNÉRALISATION SUR LA BASE DE DONNÉES DE L’AIMS
3.1 Introduction
3.2 Seuils de performance du système
3.2.1 Méthodologie d’évaluation des limites du processus de classification
3.2.2 Résultats des validations croisées
3.2.2.1 Interprétation des limites de performance du système de classification
3.3 Scénarios de classification des images de l’AIMS
3.3.1 Méthodologie d’évaluation des couples entrainement-test
3.3.2 Résultats d’entrainements et tests sur deux récifs distincts, au cours d’une période d’échantillonnage
3.3.3 Résultats d’entrainements sur plusieurs récifs et de test sur un récif distinct, au cours d’une période
3.3.4 Résultats d’entrainements sur plusieurs périodes d’échantillonnage pour un seul récif
3.3.5 Résultats d’entrainements sur d’autres années de tous les récifs
3.3.6 Interprétation des résultats des différents scénarios
CONCLUSION
RECOMMANDATIONS
ANNEXE I STATISTIQUES APPLIQUÉES À LA MATRICE DE COOCCURRENCE
ANNEXE II STATISTIQUES APPLIQUÉES AUX HISTOGRAMMES DE TONS DE GRIS
ANNEXE III BASE DE DONNÉES DE L’AIMS
ANNEXE IV RÉSULTATS DE L’OPTIMISATION DES PARAMÈTRES DU NOYAU RBF DU SVM
ANNEXE V RÉSULTATS DES VALIDATIONS CROISÉES
ANNEXE VI RÉSULTATS DE LA GÉNÉRALISATION DE L’APPLICATION DE L’ALGORITHME
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES
Télécharger le rapport complet
