(Bruneau et Kilian, 1984) qui fait 
référence à la notion d'états de surface. 
Nousentend par état de surface la 
résultante de l'ensemble des 
caractéristiques propres à décrire cette 
surface, la synthèse de leurs 
interactions. Le paysage est alors défini 
comme une combinaison d'états de surface 
qui constitue une portion homogène de 
l'image. 
Nous utiliserons directement cette 
dernière définition en considérant le 
paysage comme caractérisé par une 
répartition particulière des couleurs. 
Ces couleurs traduisent des réponses 
radiométriques sur des images brutes 
issues de capteurs passifs comme ceux des 
satellites Spot ou  Landsat, ou des 
classes sur une image interprétée comme 
nous allons voir plus loin. 
3. LA TEXTURE 
3.1 La notion de texture 
  
La texture reflète l'agencement spatial 
des couleurs et les relations qu'elles 
ont entre elles (Kaiser, 1955). C'est une 
propriété intrinsèque de la plupart des 
surfaces mais difficile à prendre en 
compte. Ainsi, en 1982 dans une étude 
liée à la vision à base de modèles, 
Binford note que la texture n'est encore 
utilisée par aucun système (Binford, 
1982). C'est pourtant une propriété 
discriminante importante des objets. Elle 
a été étudiée avec des fonctions 
d'autocorrélation (Kaiser, 1955), 
(Thompson, 1977), (Sarrat, 1977), (Pratt, 
1978), avec le spectre de puissance 
(Bajcsy, 1973), avec les modèles de 
Markov (Bixby et al., 1967), (Chellapa et 
al., 1985), avec les fréquences relatives 
des niveaux de gris sur l'image brute 
(Dar et al., 1968), avec des statistiques 
du 2ème ordre (Haralick et al., 1973) et 
(Haralick et al., 1978), (Chen et al., 
1979), avec les méthodes "Run Length" 
(Weska et al., 1976), (Borne, 1989), avec 
les différences statistiques (Weska et 
al., 1976), et encore bien d'autres 
techniques qui, souvent, peuvent se 
classer dans une des grandes familles 
précédentes. 
Haralick, (Haralick et al., 1973) et 
(Haralick et al., 1978) a été un des 
premiers à formaliser de maniére 
rigoureuse et numérique les propriétés 
texturales d'une image gráce au calcul 
des matrices de cooccurence. Pourtant, 
les indicateurs déduits de ces matrices 
restent difficiles à utiliser et sont 
difficilement applicables sur des cas 
réels. 
3.2 Texture sur une image classée 
L'image classée est pour nous le document 
de départ. Elle est en effet porteuse 
d'une partie de la connaissance de 
terrain du spécialiste. Cette 
"sémantique" représente pour nous une 
550 
valeur ajoutée considérable à l'image 
brute bien qu'etant une réduction de 
= 
l'information de départ à traiter. 
Cette réduction de l'information se 
traduit d'autre part par un gain en temps 
de calcul appréciable, et par un meilleur 
contróle de la segmentation. 
Cependant des précautions sont à prendre 
en utilisant des images classees: les 
valeurs sont des valeurs de classes. 
Elles sont donc non additives, certains 
paramétres statistiques tels que moyenne, 
écart-type... n'ont aucune signification. 
3.3 Notre utilisation de la texture 
Nous nous sommes intéressés à la texture 
d'une image classée d'un point de vue 
statistique: c'est le pourcentage des 
différentes classes dans le paysage qui 
caractérise celui-ci et non les positions 
respectives de ces classes. En fait ces 
positions ont aussi un rôle mais le 
caractère naturel (donc plutôt aléatoire) 
de la distribution des phénomènes rend 
souvent la composition beaucoup plus 
discriminante que la position. Aussi nous 
avons privilégié l'aspect stochastique 
avec l'étude de la distribution des 
couleurs à l'aspect structural cherchant 
à mettre en évidence les relations 
spatiales entre ces couleurs. 
4. LA METHODE PAPRI 
4.1 Présentation de la méthode 
PAPRI (PAysages définis a PRIori) est une 
méthode originale de segmentation 
d'image. Elle permet une cartographie 
fine des "paysages" - au sens défini plus 
haut - à une échelle donnée, en fonction 
des phénoménes auxquels nous nous 
intéressons. PAPRI a été congue afin de 
laisser une grande liberté de manoeuvre 
au  thématicien, en l'occurence un 
agronome. 
4.2 Champ d'application, données 
Cette méthode d'analyse a été utilisée 
sur des images classées; elle pourrait 
également porter sur une image brute: 
seuls les temps de calcul s'en 
trouveraient affectés, la méthode elle- 
méme reste valable. Il faut noter 
toutefois que PAPRI a été conçue pour 
utiliser des données non additives, ce 
qui a orienté en particulier le choix 
d'une distance adaptée. PAPRI consiste à 
caractériser chaque paysage par une 
composition et une échelle idéale. 
4.3 Démarche 
La premiére étape est donc aujourd'hui 
une classification de l'image faite par 
le spécialiste de terrain. Cette 
classification est fondamentale car elle 
conditionne la qualité de la suite de 
l'analyse. 
KT IE 0 r.o0'6 nme Q, tn 
TQS Nn