Contenu <\/p>\nToggle<\/span>

Principe du script et fonctionnement g\u00e9n\u00e9ral<\/a>
- Objectif<\/a><\/li>
- Structure g\u00e9n\u00e9rale<\/a><\/li>
- Code complet du script<\/a>
  - Op\u00e9rations pr\u00e9alables<\/a><\/li>
  - Mise en place du script de traitement<\/a><\/li><\/ul><\/li><\/ul><\/li>
  - Structure et param\u00e8tres du script dans QGIS<\/a>
    - Param\u00e8tres principaux<\/a><\/li>
    - Points cl\u00e9s du fonctionnement<\/a><\/li><\/ul><\/li>
    - Fonctionnement interne : traitement par blocs et pr\u00e9diction PyTorch<\/a><\/li>
    - D\u00e9tection automatique des bandes et importance des canaux<\/a>
      - 1. Identification du nombre de canaux d\u2019entr\u00e9e<\/a><\/li>
      - 2. Importance des canaux<\/a><\/li>
      - 3. Choix automatique des bandes<\/a><\/li><\/ul><\/li>
      - Masquage des zones terrestres avec NDWI<\/a>
        1. Calcul de l\u2019indice NDWI<\/a><\/li>
        2. Option dans le script<\/a><\/li>
        3. Application au traitement par blocs<\/a><\/li>
        Traitement par blocs et pond\u00e9ration Hanning<\/a><\/li>
        Traitement par blocs et pond\u00e9ration Hanning<\/a>
        Recouvrement des blocs et pond\u00e9ration<\/a><\/li><\/ul><\/li>
        Sauvegarde du masque GeoTIFF et utilisation dans QGIS<\/a>
        Visualisation et exploitation dans QGIS<\/a><\/li><\/ul><\/li><\/ul><\/li><\/ul><\/nav><\/div>\n\n\n\n\n
        \n\n\n\n
        <\/span>Principe du script et fonctionnement g\u00e9n\u00e9ral<\/span><\/h2>\n\n\n\n
        Le script pr\u00e9sent\u00e9 ici s\u2019appuie sur le moteur de traitement de QGIS (Processing) et sur la biblioth\u00e8que PyTorch<\/strong>, largement utilis\u00e9e pour les mod\u00e8les de Deep Learning. Il a \u00e9t\u00e9 con\u00e7u pour ex\u00e9cuter, directement depuis QGIS, un mod\u00e8le de segmentation d\u2019images<\/strong> \u2014 typiquement un U-Net<\/strong>, tr\u00e8s r\u00e9pandu dans les t\u00e2ches de classification pixel par pixel.<\/p>\n\n\n\n
        <\/span>Objectif<\/span><\/h3>\n\n\n\n
        L\u2019objectif du script est de permettre \u00e0 un utilisateur de :<\/p>\n\n\n\n
        \n
        charger une image satellite multibande<\/strong> (par exemple une image Sentinel-2) ;<\/li>\n\n\n\n
        appliquer un mod\u00e8le PyTorch<\/strong> pr\u00e9-entra\u00een\u00e9 (fichier .pth<\/code>) ;<\/li>\n\n\n\n
        obtenir en sortie un raster de probabilit\u00e9 ou de classes<\/strong>, repr\u00e9sentant les zones d\u00e9tect\u00e9es par le mod\u00e8le (eau, coraux, v\u00e9g\u00e9tation, etc.).<\/li>\n<\/ul>\n\n\n\nLe traitement se fait de mani\u00e8re totalement int\u00e9gr\u00e9e \u00e0 QGIS, sans ligne de commande externe.<\/p>\n\n\n\n<\/span>Structure g\u00e9n\u00e9rale<\/span><\/h3>\n\n\n\nLe script est d\u00e9fini comme un algorithme QGIS<\/strong>, accessible dans la bo\u00eete \u00e0 outils Processing. Il comprend trois grandes \u00e9tapes :<\/p>\n\n\n\n\nChargement des donn\u00e9es et du mod\u00e8le<\/strong> L\u2019image est ouverte avec GDAL<\/a>, et le mod\u00e8le PyTorch est charg\u00e9 en m\u00e9moire. Le script d\u00e9tecte automatiquement le nombre de canaux d\u2019entr\u00e9e attendus par le mod\u00e8le pour choisir les bandes appropri\u00e9es (par exemple les bandes 4-3-2 de Sentinel-2 pour le RGB).<\/li>\n\n\n\n Pr\u00e9traitement et masquage<\/strong> Les valeurs de chaque bande sont normalis\u00e9es entre 0 et 1. Une option permet de calculer le NDWI (Normalized Difference Water Index)<\/strong> afin d\u2019exclure les zones terrestres du traitement, utile pour les mod\u00e8les sp\u00e9cialis\u00e9s dans les environnements marins.<\/li>\n\n\n\n Traitement par blocs (tiling)<\/strong> Pour g\u00e9rer de grandes images, l\u2019algorithme d\u00e9coupe la sc\u00e8ne en blocs qui sont trait\u00e9s individuellement. Chaque bloc est pass\u00e9 dans le mod\u00e8le, et les r\u00e9sultats sont fusionn\u00e9s \u00e0 l\u2019aide d\u2019une fen\u00eatre de Hanning<\/strong> qui adoucit les transitions entre blocs.<\/li>\n<\/ol>\n\n\n\nEn sortie, le script g\u00e9n\u00e8re un GeoTIFF g\u00e9or\u00e9f\u00e9renc\u00e9<\/strong>, pr\u00eat \u00e0 \u00eatre superpos\u00e9 aux autres couches du projet QGIS.<\/p>\n\n\n\n \n\n\n\n<\/span>Code complet du script<\/span><\/h3>\n\n\n\n<\/div>traitement<\/div><\/div><\/div><\/p>\n\n\n\n# -*- coding: utf-8 -*-\n\"\"\"\nAlgorithme QGIS : Segmentation Coraux (U-Net) avec option masquage terrestre\nCompatible QGIS 3.44+\n\"\"\"\nfrom qgis.core import (\n QgsProcessing,\n QgsProcessingAlgorithm,\n QgsProcessingParameterRasterLayer,\n QgsProcessingParameterFile,\n QgsProcessingParameterEnum,\n QgsProcessingParameterRasterDestination,\n QgsProcessingParameterBoolean,\n)\nfrom qgis.PyQt.QtCore import QCoreApplication\nimport torch\nimport torch.serialization\nimport numpy as np\nfrom osgeo import gdal\nfrom scipy.signal import windows\n\n\nclass SegmentationCoraux(QgsProcessingAlgorithm):\n \"\"\"Segmentation des images Sentinel-2 \u00e0 1m avec un mod\u00e8le U-Net\"\"\"\n\n BAND_OPTIONS = [\"RGB (4-3-2)\", \"Fausse couleur (8-4-3)\"]\n\n def initAlgorithm(self, config=None):\n self.addParameter(\n QgsProcessingParameterRasterLayer(\n \"raster_input\",\n self.tr(\"Image Sentinel-2 (GeoTIFF multibandes)\")\n )\n )\n\n self.addParameter(\n QgsProcessingParameterEnum(\n \"band_set\",\n self.tr(\"S\u00e9lection manuelle des bandes\"),\n options=self.BAND_OPTIONS,\n defaultValue=0\n )\n )\n\n self.addParameter(\n QgsProcessingParameterFile(\n \"model_path\",\n self.tr(\"Mod\u00e8le PyTorch (.pth)\"),\n extension=\"pth\"\n )\n )\n\n self.addParameter(\n QgsProcessingParameterRasterDestination(\n \"output_raster\",\n self.tr(\"Raster de sortie (masque)\")\n )\n )\n\n # --- Nouvelle option : masquage terrestre ---\n self.addParameter(\n QgsProcessingParameterBoolean(\n \"mask_land\",\n self.tr(\"Masquer les zones terrestres (NDWI)\"),\n defaultValue=True\n )\n )\n\n def processAlgorithm(self, parameters, context, feedback):\n model_path = self.parameterAsFile(parameters, \"model_path\", context)\n mask_land = self.parameterAsBool(parameters, \"mask_land\", context)\n band_set = self.parameterAsEnum(parameters, \"band_set\", context)\n\n feedback.pushInfo(\"Chargement du mod\u00e8le PyTorch...\")\n try:\n from segmentation_models_pytorch.decoders.unet.model import Unet\n torch.serialization.add_safe_globals([Unet])\n except Exception as e:\n feedback.pushInfo(f\"Avertissement : impossible d\u2019ajouter Unet aux classes s\u00fbres : {e}\")\n\n model = torch.load(model_path, map_location=torch.device('cpu'), weights_only=False)\n model.eval()\n\n raster_input = self.parameterAsRasterLayer(parameters, \"raster_input\", context)\n ds = gdal.Open(raster_input.source())\n feedback.pushInfo(f\"Ouverture du raster : {raster_input.source()}\")\n nrows, ncols = ds.RasterYSize, ds.RasterXSize\n\n # --- D\u00e9tecter automatiquement les canaux d'entr\u00e9e ---\n conv1_weights = model.encoder.conv1.weight.data\n n_channels = conv1_weights.shape[1]\n feedback.pushInfo(f\"Le mod\u00e8le attend {n_channels} canaux d'entr\u00e9e.\")\n\n if n_channels == 3:\n # Analyser l\u2019importance des canaux\n channel_mean = conv1_weights.abs().mean(dim=(0, 2, 3)).numpy()\n sorted_idx = list(np.argsort(-channel_mean))\n feedback.pushInfo(f\"Classement des canaux par importance : {sorted_idx}\")\n\n band_selection = [4, 3, 2] # RGB classique\n feedback.pushInfo(f\"Utilisation automatique des bandes : {band_selection} (RGB)\")\n else:\n band_selection = [4, 3, 2] if band_set == 0 else [8, 4, 3]\n feedback.pushInfo(f\"Utilisation manuelle des bandes : {band_selection}\")\n\n # --- Lecture des bandes s\u00e9lectionn\u00e9es ---\n img_list = []\n for b in band_selection:\n band = ds.GetRasterBand(b)\n arr = band.ReadAsArray().astype(np.float32)\n img_list.append(arr)\n img = np.stack(img_list, axis=0)\n\n # Normalisation\n feedback.pushInfo(\"Normalisation des valeurs...\")\n img = (img - img.min()) \/ (img.max() - img.min() + 1e-6)\n\n # --- Calcul NDWI si option activ\u00e9e ---\n if mask_land and ds.RasterCount >= 8:\n try:\n B3 = ds.GetRasterBand(3).ReadAsArray().astype(np.float32)\n B8 = ds.GetRasterBand(8).ReadAsArray().astype(np.float32)\n ndwi = (B3 - B8) \/ (B3 + B8 + 1e-6)\n water_mask = ndwi > 0\n feedback.pushInfo(\"NDWI calcul\u00e9 : les zones terrestres seront exclues.\")\n except Exception as e:\n water_mask = np.ones((nrows, ncols), dtype=bool)\n feedback.pushInfo(f\"NDWI non calculable ({e}), toutes les zones seront trait\u00e9es.\")\n else:\n water_mask = np.ones((nrows, ncols), dtype=bool)\n feedback.pushInfo(\"Masquage terrestre d\u00e9sactiv\u00e9.\")\n\n # --- Traitement par blocs ---\n block_size = 2048\n overlap = 512\n output_mask = np.zeros((nrows, ncols), dtype=np.float32)\n weight = np.zeros((nrows, ncols), dtype=np.float32)\n\n total_blocks = ((nrows \/\/ (block_size - overlap) + 1) *\n (ncols \/\/ (block_size - overlap) + 1))\n done = 0\n feedback.pushInfo(\"D\u00e9but du traitement par blocs...\")\n\n for y in range(0, nrows, block_size - overlap):\n for x in range(0, ncols, block_size - overlap):\n if feedback.isCanceled():\n break\n\n block = img[:, y:y+block_size, x:x+block_size]\n if block.size == 0:\n continue\n\n mask_block_water = water_mask[y:y+block_size, x:x+block_size]\n if not mask_block_water.any():\n continue\n\n # ======= BLOC ORIGINAL PR\u00c9SERV\u00c9 =======\n with torch.no_grad():\n block_tensor = torch.from_numpy(block).unsqueeze(0)\n pred = model(block_tensor)\n mask_block = pred.squeeze().numpy()\n\n h, w = mask_block.shape\n mask_block *= mask_block_water[:h, :w]\n\n # Fen\u00eatre Hanning\n win_y = windows.hann(h)[:, None]\n win_x = windows.hann(w)[None, :]\n weight_block = win_y * win_x\n\n output_mask[y:y+h, x:x+w] += mask_block * weight_block\n weight[y:y+h, x:x+w] += weight_block\n\n done += 1\n progress = int(100 * done \/ total_blocks)\n feedback.setProgress(progress)\n # ======= FIN DU BLOC ORIGINAL =======\n\n # Fusion finale\n output_mask \/= np.maximum(weight, 1e-6)\n output_mask = np.clip(output_mask, 0, 1)\n\n # --- Sauvegarde GeoTIFF ---\n feedback.pushInfo(\"Sauvegarde du masque final...\")\n driver = gdal.GetDriverByName(\"GTiff\")\n out_path = self.parameterAsOutputLayer(parameters, \"output_raster\", context)\n out_ds = driver.Create(out_path, ncols, nrows, 1, gdal.GDT_Float32)\n out_ds.SetGeoTransform(ds.GetGeoTransform())\n out_ds.SetProjection(ds.GetProjection())\n out_ds.GetRasterBand(1).WriteArray(output_mask)\n out_ds.FlushCache()\n\n feedback.pushInfo(\"\u2705 Segmentation termin\u00e9e avec succ\u00e8s.\")\n return {\"output_raster\": out_path}\n\n # --- M\u00e9tadonn\u00e9es ---\n def name(self):\n return \"segmentation_coraux\"\n\n def displayName(self):\n return self.tr(\"Segmentation des images Sentinel 2 \u00e0 1m (U-Net)\")\n\n def group(self):\n return self.tr(\"Deep Learning\")\n\n def groupId(self):\n return \"deeplearning\"\n\n def tr(self, string):\n return QCoreApplication.translate(\"SegmentationCoraux\", string)\n\n def createInstance(self):\n return SegmentationCoraux()\n\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Op\u00e9rations pr\u00e9alables<\/span><\/h4>\n\n\n\nNous allons cr\u00e9er un script de traitement QGis. Comme pr\u00e9alable il faut installer<\/p>\n\n\n\n <\/div>OsGeo4W shell<\/div><\/div><\/div><\/p>\n\n\n\npython -m pip install torchgeo\npython -m pip install torch torchvision\npython -m pip install segmentation-models-pytorch\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n Puis nous devons t\u00e9l\u00e9charger le mod\u00e8le souhait\u00e9. Pour cela, dans la console python de QGis entrez le script suivant:<\/p>\n\n\n\n <\/div>Python Console<\/div><\/div><\/div><\/p>\n\n\n\nimport segmentation_models_pytorch as smp\nimport torch\n\n# U-Net RGB pr\u00e9-entra\u00een\u00e9\nmodel = smp.Unet(\n encoder_name=\"resnet34\",\n encoder_weights=\"imagenet\",\n in_channels=3,\n classes=1 # corail\/non-corail\n)\n\n# Sauvegarde pour QGIS\ntorch.save(model, \"c:\/models\/unet_coraux.pth<\/em><\/strong>\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n Dans cet exemple on sauvegarde les mod\u00e8les t\u00e9l\u00e9charg\u00e9s dans un r\u00e9pertoire c:\/models<\/p>\n\n\n\n \n\n\n\n<\/span>Mise en place du script de traitement<\/span><\/h4>\n\n\n\nDans QGIS \u2192 Bo\u00eete \u00e0 outils de traitement \u2192 Scripts \u2192 Nouveau script<\/strong>, collez le code ci-dessus.<\/p>\n\n\n\n \n\n\n\n<\/span>Structure et param\u00e8tres du script dans QGIS<\/span><\/h2>\n\n\n\nLe script est enti\u00e8rement int\u00e9gr\u00e9 \u00e0 QGIS via la bo\u00eete \u00e0 outils Processing<\/strong>, ce qui permet de l\u2019utiliser sans quitter l\u2019interface graphique. Il est con\u00e7u pour \u00eatre flexible et compatible avec diff\u00e9rents mod\u00e8les U-Net ou autres mod\u00e8les de segmentation PyTorch.<\/p>\n\n\n\n <\/span>Param\u00e8tres principaux<\/span><\/h3>\n\n\n\n\nImage d\u2019entr\u00e9e (raster_input<\/code>)<\/strong>\n\nType : raster multibande (GeoTIFF recommand\u00e9)<\/li>\n\n\n\n Exemple : image Sentinel-2 avec 10 bandes.<\/li>\n\n\n\n Le script lit automatiquement les bandes n\u00e9cessaires selon le nombre de canaux attendu par le mod\u00e8le, mais un choix manuel est \u00e9galement possible.<\/li>\n<\/ul>\n<\/li>\n\n\n\n S\u00e9lection des bandes (band_set<\/code>)<\/strong>\n\nType : \u00e9num\u00e9ration (RGB classique 4-3-2 ou fausse couleur 8-4-3)<\/li>\n\n\n\n Le script peut d\u00e9tecter automatiquement les canaux d\u2019entr\u00e9e du mod\u00e8le et s\u00e9lectionner les bandes les plus pertinentes.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Mod\u00e8le PyTorch (model_path<\/code>)<\/strong>\n\nType : fichier .pth<\/code><\/li>\n\n\n\n Contient le r\u00e9seau pr\u00e9-entra\u00een\u00e9 (U-Net ou autre) destin\u00e9 \u00e0 la segmentation.<\/li>\n\n\n\n Compatible avec des mod\u00e8les personnalis\u00e9s si le nombre de canaux correspond \u00e0 l\u2019image.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Masquage des zones terrestres (mask_land<\/code>)<\/strong>\n\nType : case \u00e0 cocher (bool\u00e9en)<\/li>\n\n\n\n Si activ\u00e9, le script calcule le NDWI pour exclure les zones terrestres du traitement, utile pour les mod\u00e8les ciblant uniquement l\u2019eau.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Raster de sortie (output_raster<\/code>)<\/strong>\n\nType : raster (GeoTIFF)<\/li>\n\n\n\n R\u00e9sultat final de la segmentation, g\u00e9or\u00e9f\u00e9renc\u00e9 et pr\u00eat \u00e0 \u00eatre visualis\u00e9 dans QGIS.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n<\/span>Points cl\u00e9s du fonctionnement<\/span><\/h3>\n\n\n\n\nTraitement par blocs (tiling)<\/strong> : chaque bloc est trait\u00e9 ind\u00e9pendamment pour r\u00e9duire la charge m\u00e9moire et permettre des images de grande taille.<\/li>\n\n\n\n Fen\u00eatre de Hanning<\/strong> : permet de fusionner les blocs sans cr\u00e9er de bords nets ou d\u2019artefacts visibles.<\/li>\n\n\n\n Flexibilit\u00e9 du mod\u00e8le<\/strong> : tant que le mod\u00e8le PyTorch accepte le nombre de canaux de l\u2019image, il peut \u00eatre utilis\u00e9 avec ce script.<\/li>\n<\/ul>\n\n\n\nCette structure rend le script polyvalent, adapt\u00e9 \u00e0 la segmentation de coraux, de zones v\u00e9g\u00e9talis\u00e9es, ou de tout autre objet d\u00e9tectable sur une image multibande.<\/p>\n\n\n\n \n\n\n\n<\/span>Fonctionnement interne : traitement par blocs et pr\u00e9diction PyTorch<\/span><\/h2>\n\n\n\nLe script traite l\u2019image en blocs (tiles)<\/strong> pour g\u00e9rer efficacement de grandes images Sentinel-2 sans saturer la m\u00e9moire. Chaque bloc suit le m\u00eame processus :<\/p>\n\n\n\n \nExtraction du bloc<\/strong>\n\nL\u2019image multibande est d\u00e9coup\u00e9e en blocs de taille fixe (2048\u00d72048 par d\u00e9faut) avec un recouvrement (overlap) de 512 pixels pour lisser les transitions.<\/li>\n\n\n\n Chaque bloc contient uniquement les bandes s\u00e9lectionn\u00e9es selon le mod\u00e8le.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Conversion en tenseur PyTorch<\/strong>with torch.no_grad(): <\/code> block_tensor = torch.from_numpy(block).unsqueeze(0) pred = model(block_tensor) mask_block = pred.squeeze().numpy()<\/code>\n\ntorch.from_numpy(block)<\/code> convertit le bloc en tenseur PyTorch<\/strong>.<\/li>\n\n\n\n unsqueeze(0)<\/code> ajoute une dimension batch n\u00e9cessaire au mod\u00e8le.<\/li>\n\n\n\n model(block_tensor)<\/code> applique le mod\u00e8le pr\u00e9-entra\u00een\u00e9 pour produire un masque de pr\u00e9diction<\/strong>.<\/li>\n\n\n\n squeeze()<\/code> supprime la dimension batch pour obtenir un tableau 2D.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Application du masque eau (optionnel)<\/strong>\n\nSi le masquage des zones terrestres est activ\u00e9, le script applique le NDWI<\/strong> pour ne garder que les pixels d\u2019eau : mask_block *= mask_block_water[:h, :w]<\/code><\/li>\n\n\n\n Cela permet au mod\u00e8le de ne pas se tromper sur les zones terrestres.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Fen\u00eatre de Hanning pour la fusion des blocs<\/strong>\n\nChaque bloc est pond\u00e9r\u00e9 avec une fen\u00eatre Hanning<\/strong> pour lisser les bords : win_y = windows.hann(h)[:, None] win_x = windows.hann(w)[None, :] weight_block = win_y * win_x<\/code><\/li>\n\n\n\n Cette pond\u00e9ration r\u00e9duit les artefacts sur les limites des blocs lors de la reconstruction de l\u2019image compl\u00e8te.<\/li>\n<\/ul>\n<\/li>\n\n\n\n Fusion pond\u00e9r\u00e9e dans l\u2019image finale<\/strong>\n\nLe masque pond\u00e9r\u00e9 est ajout\u00e9 \u00e0 l\u2019image de sortie : output_mask[y:y+h, x:x+w] += mask_block * weight_block weight[y:y+h, x:x+w] += weight_block<\/code><\/li>\n\n\n\n La division finale par le poids total normalise le masque sur toute l\u2019image : output_mask \/= np.maximum(weight, 1e-6) output_mask = np.clip(output_mask, 0, 1)<\/code><\/li>\n<\/ul>\n<\/li>\n\n\n\n R\u00e9sultat final<\/strong>\n\nL\u2019image compl\u00e8te est sauvegard\u00e9e en GeoTIFF, avec g\u00e9or\u00e9f\u00e9rencement intact.<\/li>\n\n\n\n Les blocs recouverts et pond\u00e9r\u00e9s garantissent un masque continu et homog\u00e8ne, pr\u00eat pour la visualisation ou l\u2019analyse dans QGIS.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n \n\n\n\nCette m\u00e9thode est g\u00e9n\u00e9rique<\/strong> : elle fonctionne avec n\u2019importe quel mod\u00e8le PyTorch compatible, tant que le nombre de canaux d\u2019entr\u00e9e correspond aux bandes de l\u2019image. Elle combine efficacit\u00e9 m\u00e9moire<\/strong>, pr\u00e9cision de la segmentation<\/strong> et lissage des artefacts de bloc<\/strong>, ce qui la rend particuli\u00e8rement adapt\u00e9e aux images satellites haute r\u00e9solution.<\/p>\n\n\n\n \n\n\n\n<\/span>D\u00e9tection automatique des bandes et importance des canaux<\/span><\/h2>\n\n\n\nL\u2019un des points forts du script est sa capacit\u00e9 \u00e0 adapter automatiquement les bandes Sentinel-2 utilis\u00e9es selon le mod\u00e8le PyTorch<\/strong>. Cela permet de travailler avec diff\u00e9rents mod\u00e8les U-Net sans modifier le code manuellement.<\/p>\n\n\n\n <\/span>1. Identification du nombre de canaux d\u2019entr\u00e9e<\/span><\/h3>\n\n\n\nChaque mod\u00e8le U-Net poss\u00e8de une premi\u00e8re couche de convolution (conv1<\/code>) qui d\u00e9finit le nombre de canaux attendus. Le script analyse cette couche pour d\u00e9tecter le nombre de canaux :<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\nconv1_weights = model.encoder.conv1.weight.data\nn_channels = conv1_weights.shape[1]\nfeedback.pushInfo(f\"Le mod\u00e8le attend {n_channels} canaux d'entr\u00e9e.\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nSi le mod\u00e8le attend 3 canaux<\/strong>, le script choisira par d\u00e9faut les bandes RGB classiques (B4-Rouge, B3-Vert, B2-Bleu).<\/li>\n\n\n\n Si le mod\u00e8le utilise plus ou moins de 3 canaux, le script propose une option manuelle<\/strong>, ou peut \u00eatre ajust\u00e9 pour des mod\u00e8les multispectraux.<\/li>\n<\/ul>\n\n\n\n<\/span>2. Importance des canaux<\/span><\/h3>\n\n\n\nPour optimiser la qualit\u00e9 de la segmentation, le script peut \u00e9valuer l\u2019importance de chaque canal<\/strong> sur la premi\u00e8re couche de convolution :<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\nchannel_mean = conv1_weights.abs().mean(dim=(0,2,3)).numpy()\nsorted_idx = list(np.argsort(-channel_mean))\nfeedback.pushInfo(f\"Classement des canaux par importance : {sorted_idx}\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nCette approche identifie les canaux les plus \u201cactiv\u00e9s\u201d par le mod\u00e8le.<\/li>\n\n\n\n On peut ensuite associer chaque canal \u00e0 la bande Sentinel-2 la plus pertinente<\/strong>, par exemple pour un mod\u00e8le RGB ou une combinaison fausse couleur (B8-NIR, B4-Rouge, B3-Vert).<\/li>\n<\/ul>\n\n\n\n<\/span>3. Choix automatique des bandes<\/span><\/h3>\n\n\n\n\nPour les mod\u00e8les 3 canaux classiques : [B4, B3, B2]<\/code> (RGB) ou [B8, B4, B3]<\/code> (faux couleurs).<\/li>\n\n\n\n Pour les mod\u00e8les multispectraux : le script peut \u00eatre adapt\u00e9 pour mapper les canaux du mod\u00e8le aux bandes Sentinel-2 disponibles.<\/li>\n<\/ul>\n\n\n\nCette logique permet au script de s\u2019adapter \u00e0 diff\u00e9rents mod\u00e8les U-Net<\/strong>, rendant l\u2019outil polyvalent et simple \u00e0 utiliser pour diff\u00e9rents projets de segmentation d\u2019images satellite dans QGIS.<\/p>\n\n\n\n \n\n\n\n<\/span>Masquage des zones terrestres avec NDWI<\/span><\/h2>\n\n\n\nPour des applications comme la segmentation des coraux<\/strong> ou tout autre objet aquatique, il est souvent utile d\u2019ignorer les zones terrestres<\/strong>. Le script int\u00e8gre cette fonctionnalit\u00e9 gr\u00e2ce \u00e0 l\u2019indice NDWI (Normalized Difference Water Index).<\/p>\n\n\n\n <\/span>1. Calcul de l\u2019indice NDWI<\/span><\/h3>\n\n\n\nLe NDWI est calcul\u00e9 \u00e0 partir de deux bandes Sentinel-2 :<\/p>\n\n\n\n \nB3 (vert)<\/strong><\/li>\n\n\n\n B8 (proche infrarouge, NIR)<\/strong><\/li>\n<\/ul>\n\n\n\nLa formule est simple :<\/p>\n\n\n\n .<\/p>\n\n\n\n\\( \\text{NDWI} = \\frac{B3 – B8}{B3 + B8 + \\epsilon} \\)\n\n\n\n .<\/p>\n\n\n\n o\u00f9 (\\(\\epsilon\\)) est un petit nombre pour \u00e9viter la division par z\u00e9ro.<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\nB3 = ds.GetRasterBand(3).ReadAsArray().astype(np.float32)\nB8 = ds.GetRasterBand(8).ReadAsArray().astype(np.float32)\nndwi = (B3 - B8) \/ (B3 + B8 + 1e-6)\nwater_mask = ndwi > 0\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nwater_mask<\/code><\/strong> : masque bool\u00e9en o\u00f9 True<\/code> correspond \u00e0 l\u2019eau et False<\/code> \u00e0 la terre.<\/li>\n<\/ul>\n\n\n\n<\/span>2. Option dans le script<\/span><\/h3>\n\n\n\nLe script offre une case \u00e0 cocher<\/strong> pour activer ou d\u00e9sactiver ce masquage :<\/p>\n\n\n\n mask_land = self.parameterAsBool(parameters, \"mask_land\", context)\n<\/code><\/pre>\n\n\n\n\nSi activ\u00e9, seules les zones aquatiques sont trait\u00e9es par le mod\u00e8le.<\/li>\n\n\n\n Si d\u00e9sactiv\u00e9, toutes les zones du raster<\/strong> sont consid\u00e9r\u00e9es, utile si le mod\u00e8le est g\u00e9n\u00e9rique ou si l\u2019on souhaite segmenter aussi la terre.<\/li>\n<\/ul>\n\n\n\n<\/span>3. Application au traitement par blocs<\/span><\/h3>\n\n\n\nLors du traitement en blocs du raster, chaque bloc est multipli\u00e9 par le masque aquatique avant la pr\u00e9diction du mod\u00e8le :<\/p>\n\n\n\n mask_block *= mask_block_water[:h, :w]\n<\/code><\/pre>\n\n\n\n\nCela \u00e9vite que le mod\u00e8le tente de segmenter des zones terrestres, am\u00e9liorant la pr\u00e9cision et r\u00e9duisant le bruit<\/strong>.<\/li>\n\n\n\n Coupl\u00e9 \u00e0 la fen\u00eatre de pond\u00e9ration Hanning<\/strong>, le masque aquatique assure une transition douce entre blocs, limitant les artefacts sur les bords.<\/li>\n<\/ul>\n\n\n\n \n\n\n\nCette approche rend le script plus robuste pour l\u2019imagerie maritime ou lacustre<\/strong>, tout en restant flexible pour d\u2019autres types de segmentation.<\/p>\n\n\n\n \n\n\n\n<\/span>Traitement par blocs et pond\u00e9ration Hanning<\/span><\/h3>\n\n\n\nLorsque l\u2019on travaille avec des images satellites de grande taille, comme les images Sentinel\u20112, il est souvent impossible de traiter l\u2019int\u00e9gralit\u00e9 de l\u2019image en une seule passe \u00e0 cause des contraintes de m\u00e9moire. Pour contourner ce probl\u00e8me, le script de segmentation utilise un traitement par blocs<\/strong>.<\/p>\n\n\n\n Le principe est simple\u202f:<\/p>\n\n\n\n \nD\u00e9coupage de l\u2019image en blocs<\/strong> : l\u2019image est divis\u00e9e en petites fen\u00eatres de taille fixe (par exemple 2048\u00d72048 pixels) avec un recouvrement<\/strong> entre les blocs (par exemple 512 pixels). Ce recouvrement permet d\u2019\u00e9viter les effets de bord lors de la pr\u00e9diction.<\/li>\n\n\n\n Application du mod\u00e8le sur chaque bloc<\/strong> : chaque bloc est converti en tenseur PyTorch et pass\u00e9 dans le mod\u00e8le U\u2011Net pour produire un masque de probabilit\u00e9.<\/li>\n\n\n\n Masquage des zones non pertinentes<\/strong> : si l\u2019option est activ\u00e9e, un masque NDWI permet d\u2019exclure les zones terrestres afin que le mod\u00e8le ne pr\u00e9dit que sur l\u2019eau.<\/li>\n\n\n\n Pond\u00e9ration Hanning pour fusionner les blocs<\/strong> : les pr\u00e9dictions des blocs se chevauchant sont combin\u00e9es \u00e0 l\u2019aide d\u2019une fen\u00eatre Hanning<\/strong>, qui attribue moins de poids aux pixels proches des bords du bloc et plus de poids aux pixels centraux. La formule appliqu\u00e9e est\u202f: . \\( \\text{mask_final}[y:y+h, x:x+w] += \\text{mask_bloc} \\times \\text{Hanning}(h, w) \\\\ \\) \\( \\text{weight}[y:y+h, x:x+w] += \\text{Hanning}(h, w) \\) .<\/li>\n\n\n\n Fusion finale<\/strong> : apr\u00e8s traitement de tous les blocs, le masque final est obtenu en divisant la somme pond\u00e9r\u00e9e par la somme des poids, ce qui assure une transition douce entre les blocs\u202f: . . \\( \\text{mask_final} = \\frac{\\text{mask_final}}{\\text{weight}} \\) .<\/li>\n<\/ol>\n\n\n\nCe m\u00e9canisme garantit que le mod\u00e8le peut traiter des images tr\u00e8s grandes tout en conservant la pr\u00e9cision des pr\u00e9dictions et en minimisant les artefacts aux fronti\u00e8res des blocs.<\/p>\n\n\n\n \n\n\n\n<\/span>Traitement par blocs et pond\u00e9ration Hanning<\/span><\/h3>\n\n\n\nPour traiter des images Sentinel\u20112 compl\u00e8tes, qui peuvent mesurer plusieurs milliers de pixels de c\u00f4t\u00e9, le script d\u00e9coupe l\u2019image en blocs<\/strong>. Chaque bloc est envoy\u00e9 au mod\u00e8le U\u2011Net pour g\u00e9n\u00e9rer un masque de segmentation local. Cette approche pr\u00e9sente plusieurs avantages\u202f:<\/p>\n\n\n\n \nGestion de la m\u00e9moire<\/strong> : les blocs de taille raisonnable (par exemple 2048 \u00d7 2048 pixels) permettent de ne pas saturer la m\u00e9moire RAM ou GPU lors du traitement.<\/li>\n\n\n\n Parall\u00e9lisation<\/strong> possible si n\u00e9cessaire pour acc\u00e9l\u00e9rer le calcul.<\/li>\n\n\n\n Fusion plus pr\u00e9cise<\/strong> : les blocs peuvent se recouvrir pour \u00e9viter les artefacts aux bords.<\/li>\n<\/ol>\n\n\n\n<\/span>Recouvrement des blocs et pond\u00e9ration<\/span><\/h4>\n\n\n\nLes blocs se superposent sur une zone d\u2019overlap<\/strong> (par exemple 512 pixels). Pour combiner les pr\u00e9dictions des blocs qui se recouvrent, le script utilise une fen\u00eatre de pond\u00e9ration Hanning<\/strong>.<\/p>\n\n\n\n La fen\u00eatre Hanning lisse les valeurs des pixels aux bords des blocs afin de r\u00e9duire les discontinuit\u00e9s lors de la fusion. Math\u00e9matiquement, pour un bloc de hauteur (h) et largeur (w)\u202f:<\/p>\n\n\n\n .<\/p>\n\n\n\n\\( \\text{weight_block} = \\text{hann}(h) \\otimes \\text{hann}(w) \\)\n\n\n\n .<\/p>\n\n\n\n o\u00f9 (\\otimes) repr\u00e9sente le produit ext\u00e9rieur des deux vecteurs de pond\u00e9ration 1D de Hanning pour les lignes et les colonnes.<\/p>\n\n\n\n Chaque bloc trait\u00e9 fournit un masque pr\u00e9dictif<\/strong> (mask_block) que l\u2019on multiplie par la pond\u00e9ration\u202f:<\/p>\n\n\n\n .<\/p>\n\n\n\n\\( \\text{output_mask}[y:y+h, x:x+w] += mask_block \\times weight_block \\)\n\n\n\n .<\/p>\n\n\n\n Les poids sont \u00e9galement accumul\u00e9s pour normaliser correctement la fusion\u202f:<\/p>\n\n\n\n .<\/p>\n\n\n\n\\( \\text{weight}[y:y+h, x:x+w] += weight_block \\)\n\n\n\n .<\/p>\n\n\n\n Une fois tous les blocs trait\u00e9s, la fusion finale se fait par division des valeurs accumul\u00e9es par la somme des poids\u202f:<\/p>\n\n\n\n .<\/p>\n\n\n\n\\( \\text{output_mask} = \\frac{\\text{output_mask}}{\\max(\\text{weight}, \\varepsilon)} \\)\n\n\n\n .<\/p>\n\n\n\n Cette approche garantit un masque continu, lisse et homog\u00e8ne<\/strong>, sans artefacts li\u00e9s aux bords des blocs.<\/p>\n\n\n\n \n\n\n\n<\/span>Sauvegarde du masque GeoTIFF et utilisation dans QGIS<\/span><\/h3>\n\n\n\nUne fois la segmentation compl\u00e8te et la fusion des blocs effectu\u00e9e, le script cr\u00e9e un fichier raster GeoTIFF<\/strong> correspondant au masque pr\u00e9dictif final. Ce fichier conserve :<\/p>\n\n\n\n \nla projection<\/a> spatiale<\/strong> de l\u2019image d\u2019origine,<\/li>\n\n\n\n la g\u00e9or\u00e9f\u00e9rence<\/strong> (transform\u00e9e g\u00e9om\u00e9trique) pour assurer un alignement parfait avec les autres couches dans QGIS,<\/li>\n\n\n\n une seule bande<\/strong> contenant les valeurs de probabilit\u00e9 de pr\u00e9sence de la classe d\u2019int\u00e9r\u00eat (eau, coraux, v\u00e9g\u00e9tation, etc.), normalis\u00e9es entre 0 et 1.<\/li>\n<\/ul>\n\n\n\nLe script utilise GDAL pour cette \u00e9tape\u202f:<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\ndriver = gdal.GetDriverByName(\"GTiff\")\nout_ds = driver.Create(out_path, ncols, nrows, 1, gdal.GDT_Float32)\nout_ds.SetGeoTransform(ds.GetGeoTransform())\nout_ds.SetProjection(ds.GetProjection())\nout_ds.GetRasterBand(1).WriteArray(output_mask)\nout_ds.FlushCache()\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n <\/span>Visualisation et exploitation dans QGIS<\/span><\/h4>\n\n\n\nDans QGIS, il suffit de charger le fichier GeoTIFF<\/strong> g\u00e9n\u00e9r\u00e9\u202f:<\/p>\n\n\n\n \nLes pixels proches de 1 correspondent \u00e0 des zones fortement pr\u00e9dites par le mod\u00e8le.<\/li>\n\n\n\n Les pixels proches de 0 correspondent \u00e0 des zones absentes de la classe cibl\u00e9e.<\/li>\n<\/ul>\n\n\n\nPour faciliter l\u2019interpr\u00e9tation, on peut\u202f:<\/p>\n\n\n\n \nappliquer une rampes de couleurs<\/strong> (par exemple du bleu clair au bleu fonc\u00e9 pour les coraux),<\/li>\n\n\n\n cr\u00e9er un masque binaire<\/strong> en appliquant un seuil de probabilit\u00e9<\/strong>,<\/li>\n\n\n\n superposer le masque sur l\u2019image d\u2019origine ou d\u2019autres couches SIG pour analyse spatiale.<\/li>\n<\/ul>\n\n\n\nAinsi, le script transforme automatiquement les pr\u00e9dictions du mod\u00e8le U\u2011Net en une couche raster pr\u00eate \u00e0 l\u2019analyse SIG<\/strong>, tout en conservant la pr\u00e9cision g\u00e9ographique.<\/p>\n\n\n\n \n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":" Entre t\u00e9l\u00e9d\u00e9tection et intelligence artificielle, le Deep Learning ouvre de nouvelles perspectives dans l\u2019analyse d\u2019images satellites. Dans cet article, je vous montre comment un simple script QGIS peut exploiter un mod\u00e8le de segmentation U-Net pour identifier…<\/p>\n","protected":false},"author":1,"featured_media":15927,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[3853,62],"tags":[],"class_list":["post-15924","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iafr","category-qgis-2"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/11\/deeplearningscriptavant-1.jpg?fit=272%2C198&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-48Q","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15924","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=15924"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15924\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/15927"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=15924"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=15924"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=15924"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

<\/span>Code complet du script<\/span><\/h3>\n\n\n\n<\/div>