Formation SIG et Sant Tldtection et analyse spatiale en pidmiologie

1
Formation SIG et SantéTélédétection et analyse
spatiale en épidémiologie
Marc SOURIS Vincent HERBRETEAU Florent DEMORAES
2
Télédétection spatiale
Exemple de scènes LANDSAT (Thailand)
3
Lapproche spatiale du risque de transmission de
maladies
Ledanger Présence du vecteur, présence du
pathogène
Risque dinfection
Facteurs contribuantà la transmission
Vulnérabilité des populations immunité, contact
avec le vecteur
4
Les principales méthodes danalyse utilisant la
télédétection
5
Les principaux paramètres en télédétection
6
Les satellites disponibles
7
Les satellites disponibles
8
Lanalyse dimages exemple de lindice de
végétation NDVI
Normalized Difference Vegetation Index (NDVI),

• sensitive to atmospheric effects,
• sensitive to the angle sensor-ground

Other Vegetation index SAVI Soil Adjusted
Vegetation Index (used if few vegetation)
9
Lanalyse dimages NDVI
January 2001 April 2001
July 2001 October 2001
Normalized Difference Vegetation Index
(NDVI),calculated during 30 days, from
NOAA/AVHRR images
10
Image analysisradar imagery and delineation of
flooding areas
Calculation of flooding area (low - high levels)
for studying leptospirosis
11
Image analysis photo interpretation
Delimitation of rodents habitats in
Thailand(Herbreteau, unpub.)
12
Bibliographic analysisof epidemiological studies
using RS techniques
13
Bibliographic analysisof epidemiological studies
using RS techniques
14
Bibliographic analysisof epidemiological studies
using RS techniques
Number of papers published every year
15
Bibliographic analysisof epidemiological studies
using RS techniques
16
Bibliographic analysisof epidemiological studies
using RS techniques
17
Limitations of the use of Remote Sensing
18
Limitations of the use of Remote Sensing
Heterogeneity of data
Mosaïc of Landsat 5 and 7 images (bands 3,2,1)
covering Thaïland
19
Limitations of the use of Remote Sensing
multitemporal analysis
Evolution of forested areas from 1993 to
2000 (from Landsat V TM images)
20
Future of Remote sensing in epidemiology
New satellites to be launched - NOAA-N (1.1
km), - Spot 5b (Pan 5 m), - ALOS AVNIR
2 (3 m), - Radarsat 2, EOS AM 2, Almaz 1b
Trends for a better use - Increase of
digital data products (instead of photographic)
- Easier integration into a GIS - Data
products ready to use (no pre-processing needed)
- Images and analyses downloadable from
Internet - Lower cost of data - Not
substitute field work
21
(No Transcript)
22
Available data from satellites low resolution
imagery
Terra MODIS image of South-East Asia 250 meters
per pixel (03/01/2002)
23
Available data from satellites high resolution
imagery
Oil tanker sinking off Rio de Janeiro,IKONOS
Pan 1 meter resolution (15/10/2002) (Source
NASA)
24
Available data from satellites radar imagery
Spaceborne Imaging Radar- bands C X - Synthetic
Aperture RadarPhu Kradung in northeastern
Thailand (03/10/1994) (Source NASA)
25
Télédétection et analyse dimage

• Linterprétation des images
• De la radiométrie à la réalité une
  interprétation difficile
• Géoréférencer une première exigence
• Améliorer les images pour améliorer
  linterprétation
• Classer, regrouper, interpréter

26
Télédétection et analyse dimage notions
élémentaires

• Pixel
• Valeurs
• Image ensemble de pixels rangés sous forme de
  matrice
• Canaux
• Histogrammes
• Représentation spatiale
• Représentation des fréquences

27
Notions élémentaires le pixel

• Élément de base dune image
• La résolution dune image la taille du pixel

28
Notions élémentaires niveau de gris

• Image Array of Pixels
• Grey Level intensity of the signal in one point
  in one channel.
• Monochrome image 1 grey level / pixel
• Color image 3 grey levels RGB
• Range 0 - 255 (8 bits)

170
60
255
0
30
200
29
Notions élémentaires les canaux

• Image Depth, Channels
• Overlay

Ovl
B
G
R
30
Notions élémentaires lhistogramme des valeurs

• Représentation spatiale

• Représentation des fréquences

Fond
Objets
31
Télédétection et analyse dimage transformation
des images

• Améliorations
• Histogram Processing
• LUT
• Dynamic Enhancement
• Convolutions
• Noise on an image
• Linear Filters (mean, low-pass, high-pass),
• Non Linear Filters (median, min, max)
• Images binaires
• Simple Threshold
• Hysteresis Threshold
• Morphologie mathématique
• Erosion, Dilation, Opening, Closing
• Edges Detection

32
Transformation des images améliorations

• Histogram Processing
• LUT Look-Up Table
• Inverse LUT

• Horizontal Axe Grey Level of the Image
• Vertical Axe Grey Level DISPLAYED on the screen

33
Transformation des images améliorations

• Histogram Processing
• LUT Look-Up Table
• Inverse LUT

34
Transformation des images améliorations

• Re-étalement des valeurs
• Dynamic Enhancement
• Linear Stretching (Min - Max, 5 - 95)
• Equipopulation N NbPix / NbGreyLevelOut

35
Transformation des images améliorations

• Par Convolution
• Linear Filters Low-Pass
• H1
• 1 1 1
• h1 1/9 1 1 1
• 1 1 1
• H2
• 1 1 1
• h2 1/10 1 2 1
• 1 1 1
• H3
• 1 2 1
• h3 1/16 2 4 2
• 1 2 1

36
Transformation des images améliorations

• Convolution
• Linear Filters High-Pass
• H4
• 0 -1 0
• h4 -1 5 -1
• 0 -1 0
• H5
• -1 -1 -1
• h5 -1 9 -1
• -1 -1 -1

37
Transformation des images améliorations

• Convolution
• Non Linear Filters
• Min
• Max
• Median

38
Transformation des images améliorations

• Convolution
• Noise Removal Low Pass Filter the mean, not
  so bad but ...

39
Transformation des images améliorations

• Convolution
• Noise Removal the best one MEDIAN

40
Transformation des images améliorations

• Convolution
• High Pass Filter enhancing the shapes and edges
  ...

41
Transformation des images images binaires
Objectifs

• Créer une zone
• Isoler une ou plusieurs zones

Méthodes

• Seuil simple
• Seuils multiples

42
Transformation des images images binaires

• Seuil 56

43
Transformation des images morphologie
mathématique

• What is Mathematical Morphology ?
• Study of the basic shapes of an image
• Set of operations like union, intersection,
  inclusion between the image and a mask area
  called structuring element
• Result image less details but more synthetic
• After that, a set of measurements can be done
• Type dimage
• Binary or Grey Level
• Connexité

8-connexity
4-connexity
44
Transformation des images morphologie
mathématique

• Notions de base Élément structurant

Anisotrope
Isotrope
45
Transformation des images morphologie
mathématique

• Fonctions de base
• Erosioneach pixel lt- Minimum value inside the
  Structuring Element
• Dilationeach pixel lt- Maximum value inside the
  Structuring Element

Input image
Eroded image
Input image
Dilated image
46
Transformation des images morphologie
mathématique

• Fonctions de base, exemples érosion

Input image
Eroded image
47
Transformation des images morphologie
mathématique

• Fonctions de base, exemples érosion

Input image
Eroded image
48
Transformation des images morphologie
mathématique

• Fonctions de base, exemples dilatation

Input image
Dilated image
49
Transformation des images morphologie
mathématique

• Fonctions de base, exemples dilatation

Input image
Dilated image
50
Transformation des images morphologie
mathématique

• Fonctions de base
• Opening Erosion Dilation
• Closing Dilation Erosion

Input image
Opened image
Closed image
Input image
51
Transformation des images morphologie
mathématique

• Fonctions de base, exemples ouverture

Input image
Opened image
52
Transformation des images morphologie
mathématique

• Fonctions de base, exemples ouverture

Input image
Closed image
53
Transformation des images morphologie
mathématique

• Fonctions de base, exemples influence de
  lélément structurant

Eroded image
Input image
Structuring Element
Dilated image
Input image
Structuring Element
54
Transformation des images morphologie
mathématique

• Fonctions avancées détection de contours,
  squelettisation

• Détection de contour par gradient
• Roberts Vx I(x1,y) - I(x,y) Vy I(x,y1) -
  I(x,y) V(x,y) SqrRoot(Vx2 Vy2)
  Value D(x,y) ArcTan(Vy/Vx)
  Direction
• Prewitt
• -1 0 1
• Hx -2 0 2
• -1 0 1
• -1 -2 -1
• Hy 0 0 0
• 1 2 1
• V(x,y) SqrRoot(Hx2 Hy2)
  ValueD(x,y) ArcTan(Hy/Hx)
  Direction

55
Transformation des images morphologie
mathématique

• Exemple détection de contours par Prewitt

56
Transformation des images morphologie
mathématique

• Exemple détection de contours par Laplacien

57
Télédétection et épidémiologie spatiale Exemple

• Recherche de corrélation entre pathologie et
  environnement
• 1. Premier exemple à partir de cas
• Choix dun échantillon de cas
• Choix de deux témoins appareillés pour chaque cas
• Calcul dun indice de végétation (NDVI) pour
  chaque élément de léchantillon
• Comparaison des résultats pour les cas et les
  témoins
• 2. Second exemple définition de facteurs
  dexposition
• Définition grâce à une image satellites de zones
  dexposition
• Choix dun échantillon dans chaque classe
  dexposition
• Extraction de données épidémiologiques pour les
  échantillons
• Comparaison des valeurs par classe dexposition