3 peu 
|] est 
ntant 
jelons 
sages. 
de la 
, les 
ge de 
  
culée 
cropie 
ns la 
le la 
ns en 
zones- 
noisir 
bilité 
ins un 
sans 
>APRI. 
= 
ide a 
es de 
1 nous 
rtant, 
etant 
re de 
vement 
er de 
ysages 
isable 
isées. 
paraít 
ysages 
à fait 
> des 
est de 
6. LA METHODE PAPRICA 
6.1 La méthode 
PAPRICA (PAysages a PRIori à Correction 
Assistée) est une synthèse des méthodes 
PAPRI et  PAPOS. Loin de supprimer 
l'intervention du thématicien, elle est 
destinée à lui offrir une assistance 
maximale dans sa démarche d'analyse des 
paysages sur une image. Elle consiste à 
appliquer d'abord PAPOS pour isoler les 
noyaux durs sur l'image classée, puis à 
les proposer au thématicien pour qu'il 
choisisse ses polygones de 
caractérisation, avant d'appliquer PAPRI. 
Ici PAPRI est en outre enrichi d'un 
processus de "backtracking" (retour 
arrière) à l'étape de définition des 
polygones si le résultat des paysages 
n'est pas jugé satisfaisant. 
  
PAPRICA, structure générale 
    
Choix normal des 
régions tests 
Composition des 
vecteurs paysages 
Image des Image des Image des 
tailles de fenéme distances paysages 
tt 
Synthése automadque 
pour proposer des 
régions de référence 
  
   
  
  
  
   
Image des 
tailles de 
fenetre 
     
Image des 
distances 
  
  
  
  
  
Synthèse automadque 
pour proposer des 
régions de référence 
      
  
  
  
  
  
FIGURE 10 
Paprica, structure générale 
6.2 Application 
     
  
  
FIGURE 11 
Application de la version simplifiée de 
PAPRICA à l'image de la figure 3 
La figure 11 nous montre l'application de 
PAPRICA a la figure 3. Nous constatons un 
morcellement plus important, dû en partie 
à un choix hétérogène des échelles 
préférentielles des paysages et à la non 
utilisation du  backtracking dans cet 
exemple-1là. 
6.3 Conclusion 
La méthode présentée autorise une 
interprétation des images plus rapide et 
plus objective que celles qui existent 
aujourd'hui. Elle n'est pas entiérement 
automatique car il nous paraît important 
de laisser à l'expert la possibilité de 
définir des aires de référence, en 
fonction de sa thématique et de l'échelle 
des phénomènes qui l'intéressent. Nous 
avons essayé de développer une méthode de 
segmentation qui réunisse les avantages 
des méthodes automatiques et des méthodes 
supervisées, tout en minimisant les 
inconvénients. 
7. LIMITES DES METHODES 
Les méthodes présentées ici sont une 
combinaison de processus humains et 
automatiques. Cependant les processus 
automatiques sont toujours soumis au 
contróle de l'expert, chose essentielle 
pour répondre vraiment aux objectifs 
fixés. Actuellement les limites sont 
surtout liées à la définition des 
paramètres descripteurs de paysages par 
l'expert, en particulier l'échelie 
préférentielle et le seuil de rejet. La 
composition des paysages est assez facile 
à estimer. Nous pouvons espérer obtenir 
une bonne adéquation des méthodes aux 
besoins, grâce à une implémentation 
conviviale du backtracking et à une 
réduction des temps de calcul. 
Ces méthodes donnent de bons résultats 
dans tous les cas où les paysages se 
caractérisent plus de manière statistique 
que morphologique. Il faut désormais 
développer un outil qui intègre la 
dimension morphologique dans l'analyse 
des paysages, dimension peu importante 
c'est vrai pour la majorité des cas mais 
qui intervient parfois pour certains 
types de paysages. 
8. CONCLUSION 
L'analyse de texture telle que nous 
l'avons définie sur une image classée, 
permet d'y cartographier précisément les 
unités de paysage, moyennant ainsi que 
nous l'avons vu, un bon intervalle de 
variation des tailles de fenêtre. 
La recherche se poursuit pour une 
integration complète des différentes 
methodes exposées et pour une assistance 
encore accrue de certaines phases. Par 
exemple, quel est l'impact d'une 
classification semi-automatique ou 
automatique sur la reconnaissance des