{"id":9133,"date":"2020-12-21T15:38:26","date_gmt":"2020-12-21T14:38:26","guid":{"rendered":"https:\/\/www.sigterritoires.fr\/?p=9133"},"modified":"2020-12-21T15:40:12","modified_gmt":"2020-12-21T14:40:12","slug":"classification-supervisee-dimages-de-drone-en-milieu-littoral-1-utilisation-de-la-texture","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/classification-supervisee-dimages-de-drone-en-milieu-littoral-1-utilisation-de-la-texture\/","title":{"rendered":"Classification supervis\u00e9e d\u2019images de drone en milieu littoral (1) : utilisation de la texture"},"content":{"rendered":"\n

L\u2019accessibilit\u00e9 des drones et des moyens logiciels d\u2019acquisition d\u2019images a\u00e9riennes permet aujourd\u2019hui d\u2019avoir des couvertures d\u2019images \u00e0 des \u00e9chelles extr\u00eamement fines pour appuyer les travaux en environnement littoral. Des pixels de l\u2019ordre du millim\u00e8tre ne sont plus un r\u00eave. Mais tout ce qu\u2019on a gagn\u00e9 en d\u00e9finition par rapport aux images satellitaires, on l\u2019a un peu perdu en ce qui concerne le multi spectral. Les images photographiques se cantonnent aux trois bandes Rouge-Vert-Bleu. On travaillait avec plus d\u2019une dizaine de bandes spectrales et des pixels de 3 ou 5 m\u00e8tres, on se retrouve avec des pixels d\u2019un centim\u00e8tre et seulement trois bandes spectrales. La classification supervis\u00e9e qui nous permet rapidement de cartographier les diff\u00e9rentes bioc\u00e9noses a gagn\u00e9 en pr\u00e9cision et perdu en discrimination.<\/p>\n\n\n\n

Nous allons aborder dans une s\u00e9rie d’articles un moyen de palier \u00e0 cette perte de bandes spectrales en analysant la texture des images et en utilisant ces r\u00e9sultats pour affiner la discrimination de la classification supervis\u00e9e.<\/p>\n\n\n\n\n\n\n\n

Nous utiliserons une mosa\u00efque acquise par drone, QGis et son plugin SCP.<\/p>\n\n\n\n

Nous verrons tout d\u2019abord ce qu\u2019est la texture d\u2019image et comment calculer diff\u00e9rentes mesures de texture.<\/p>\n\n\n\n

En un deuxi\u00e8me temps nous verrons comment augmenter le nombre de bandes disponibles pour une classification supervis\u00e9e, avec les donn\u00e9es de texture et\/ou des composantes principales.<\/p>\n\n\n\n

Finalement, nous allons suivre les d\u00e9marches du plugin SCP dans sa derni\u00e8re version et comment exploiter au mieux cet ensemble de nouvelles informations.<\/p>\n\n\n\n

Qu\u2019est-ce que la texture ?<\/a><\/h1>\n\n\n\n
Les termes de texture que nous utilisons au quotidien – rugueuse, soyeuse, bossel\u00e9e, lisse – se r\u00e9f\u00e8rent au sens du toucher. Si nous essayons de les appliquer \u00e0 une surface topographique on aura des endroits hauts et des endroits bas, et une surface ou fen\u00eatre d\u2019observation donn\u00e9e.<\/p>\n\n\n\n
Partons de notre exp\u00e9rience au toucher :<\/p>\n\n\n\n
Une texture qui est rugueuse<\/em><\/strong> aura comme propri\u00e9t\u00e9s :<\/p>\n\n\n\n
une grande diff\u00e9rence entre les points hauts et bas, par rapport \u00e0 la taille d\u2019un bout de doigt, et<\/li>
un espace entre les hauts et les bas \u00e0 peu pr\u00e8s du m\u00eame ordre de grandeur que la taille qu\u2019un bout de doigt.<\/li><\/ul>\n\n\n\n
Les textures rugueuses peuvent bien s\u00fbr se produire \u00e0 n\u2019importe quelle \u00e9chelle spatiale, pas seulement \u00e0 celles que nous pouvons toucher. Mais l\u2019appr\u00e9ciation de rugueuse ou pas d\u00e9pendra de la taille de notre \u00ab bout de doigt \u00bb, c\u2019est-\u00e0-dire la taille de notre fen\u00eatre d\u2019observation.<\/p>\n\n\n\n
Une texture qui est lisse<\/em><\/strong> aura comme propri\u00e9t\u00e9s :<\/p>\n\n\n\n
peu de diff\u00e9rence entre les points hauts et les points bas, et<\/li>
les diff\u00e9rences seraient tr\u00e8s rapproch\u00e9es par rapport \u00e0 la taille du bout des doigts.<\/li><\/ul>\n\n\n\n
Une m\u00eame zone pourra \u00eatre consid\u00e9r\u00e9e comme rugueuse ou lisse selon la taille de la fen\u00eatre d\u2019observation.<\/p>\n\n\n\n
La texture d\u2019une image fonctionne de la m\u00eame mani\u00e8re, sauf que les valeurs hautes et basses sont des valeurs de luminosit\u00e9 (\u00e9galement appel\u00e9es niveaux de gris) et non d\u2019\u00e9l\u00e9vation. Pour analyser cette texture de l\u2019image, nous devrons d\u00e9finir la taille de la fen\u00eatre carr\u00e9e qui sera utilis\u00e9e.<\/p>\n\n\n\n
Ce que l’on pourra quantifier<\/h2>\n\n\n\n
<\/p>\n\n\n\n
Avec la luminosit\u00e9 des pixels d\u2019une image et une fen\u00eatre d\u00e9finie, le calcul de la texture de l\u2019image quantifie :<\/p>\n\n\n\n
Les diff\u00e9rences de niveaux de gris (contraste)<\/li>
La taille de la zone o\u00f9 les changements se produisent (la notion de voisinage, d\u00e9pendante de la taille de fen\u00eatre)<\/li>
La directionnalit\u00e9 ou absence de directionnalit\u00e9 (omnidirectionnalit\u00e9) des changements de luminosit\u00e9<\/li><\/ul>\n\n\n\n
Le nombre d\u2019ouvrages traitant de la texture d\u2019image est consid\u00e9rable. De plus, il y a images et images, et on n\u2019aborde pas forc\u00e9ment le sujet de la m\u00eame mani\u00e8re selon le probl\u00e8me \u00e0 traiter.<\/p>\n\n\n\n
Ici, notre sujet concerne des images RVB a\u00e9riennes de drone et l\u2019utilisation des analyses de texture comme moyen d\u2019augmenter les possibilit\u00e9s de classification supervis\u00e9e d\u2019objets g\u00e9ographiques.<\/p>\n\n\n\n
Le traitement de l’image<\/h2>\n\n\n\n
Avec QGis et le plugin SCP, les grandes \u00e9tapes de traitement sont les suivantes :<\/p>\n\n\n\n
D\u00e9composition de l\u2019image d\u2019origine \u00e0 traiter en trois bandes s\u00e9par\u00e9es : rouge ,vert, bleu<\/li>
Utiliser une des bandes comme source pour le calcul de texture de terrain avec le traitement, disponible dans le fournisseur de traitements Grass 7, r.texture<\/li>
Int\u00e9grer les rasters de texture avec SCP plugin pour la classification supervis\u00e9e<\/li><\/ol>\n\n\n\n
Traitement r.texture dans QGis avec Grass 7<\/h2>\n\n\n\n
A ce stade, le premier document disponible avec des explications sur l\u2019analyse de texture c\u2019est la fiche d\u2019aide du traitement r.texture (https:\/\/grass.osgeo.org\/grass79\/manuals\/r.texture.html<\/a>).<\/p>\n\n\n\n
Malgr\u00e9 les efforts du r\u00e9dacteur pour \u00eatre le plus accessible possible, la r\u00e9duction de tout un domaine de travail \u00e0 une page A4 ne peut se faire sans laisser de c\u00f4t\u00e9 pas mal d\u2019explications.<\/p>\n\n\n\n
Je vais essayer ici d\u2019en apporter quelques-unes, mais la m\u00eame remarque pourra m\u2019\u00eatre faite : ce n\u2019est pas en quelques pages A4 qu\u2019on peut traiter exhaustivement le sujet de la texture d\u2019image. Le but ici n\u2019est pas de faire de vous un sp\u00e9cialiste de l\u2019analyse de texture, mais de fournir quelques notions indispensables pour bien utiliser l\u2019outil disponible(r.texture). Par bien utiliser, j\u2019entends obtenir un r\u00e9sultat qui vous permette de mieux r\u00e9aliser la classification supervis\u00e9e de vos images et de mieux discriminer les objets qui se ressemblent.<\/p>\n\n\n\n
Vous pourrez alors, si n\u00e9cessaire, attaquer des ouvrages sp\u00e9cialis\u00e9s, en commen\u00e7ant par les r\u00e9f\u00e9rences cit\u00e9es dans la fiche d\u2019aide Grass de r.texture.<\/p>\n\n\n\n
La matrice de co-occurrence de niveau gris (GLCM)<\/h1>\n\n\n\n
Cet article porte sur les mesures de texture les plus couramment utilis\u00e9es, celles qui sont d\u00e9riv\u00e9es de la matrice de co-occurrence de niveau gris (GLCM). L\u2019essentiel est de comprendre les calculs et la fa\u00e7on dont ils sont faits. La GLCM et les \u00ab mesures de texture \u00bb qui en d\u00e9coulent sont des statistiques descriptives, c\u2019est-\u00e0-dire des calculs math\u00e9matiques simples.<\/p>\n\n\n\n
Leurs valeurs, et l\u2019utilisation de ces valeurs pour r\u00e9pondre \u00e0 vos questions, d\u00e9pendent des donn\u00e9es pour lesquelles elles sont calcul\u00e9es. Tout comme une moyenne est un nombre brut, et elle n\u2019est d\u2019aucune utilit\u00e9 \u00e0 moins que l\u2019utilisateur ne comprenne l\u2019ensemble de donn\u00e9es \u00e0 partir duquel elle est d\u00e9riv\u00e9e, les mesures de texture sont peu utiles \u00e0 moins que l\u2019utilisateur ne comprenne la fa\u00e7on dont elles peuvent \u00eatre utilis\u00e9es et les caract\u00e9ristiques de l\u2019ensemble de donn\u00e9es dont elles sont d\u00e9riv\u00e9es.<\/p>\n\n\n\n
Alors, commen\u00e7ons par le d\u00e9but, qu\u2019est-ce que la GLCM ?<\/p>\n\n\n\n
Si on prend sa d\u00e9finition : La GLCM est un tableau indiquant la fr\u00e9quence \u00e0 laquelle diff\u00e9rentes combinaisons de valeurs de luminosit\u00e9 des pixels (niveaux de gris) se produisent dans une image, on n\u2019est pas bien avanc\u00e9s.<\/p>\n\n\n\n
Alors passons \u00e0 un exemple concret. Voici une image compos\u00e9e de 4 x 4 pixels<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure><\/div>\n\n\n\n
Et son \u00e9quivalent en num\u00e9rique :<\/p>\n\n\n\n
0<\/strong><\/td> 0<\/strong><\/td> 1<\/strong><\/td> 1<\/strong><\/td><\/tr>
0<\/strong><\/td> 0<\/strong><\/td> 1<\/strong><\/td> 1<\/strong><\/td><\/tr>
0<\/strong><\/td> 2<\/strong><\/td> 2<\/strong><\/td> 2<\/strong><\/td><\/tr>
2<\/strong><\/td> 2<\/strong><\/td> 3<\/strong><\/td> 3<\/strong><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
Pour construire notre matrice GLCM nous allons consid\u00e9rer des paires de pixels et pas les pixels individuels. La texture GLCM consid\u00e8re la relation entre deux pixels \u00e0 la fois, appel\u00e9e le pixel de r\u00e9f\u00e9rence et le pixel voisin. Dans notre exemple nous allons choisir comme pixel voisin celui situ\u00e9 \u00e0 l\u2019est (\u00e0 droite) de chaque pixel de r\u00e9f\u00e9rence. En commen\u00e7ant par le coin haut-gauche, la premi\u00e8re paire est 0-0.<\/p>\n\n\n\n
0<\/span><\/span><\/td> 0<\/span><\/span><\/strong><\/td> 1<\/td> 1<\/td><\/tr>
0<\/td> 0<\/td> 1<\/td> 1<\/td><\/tr>
0<\/td> 2<\/td> 2<\/td> 2<\/td><\/tr>
2<\/td> 2<\/td> 3<\/td> 3<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
La deuxi\u00e8me 0-1<\/p>\n\n\n\n
0<\/td> 0<\/strong><\/span><\/span><\/td> 1<\/strong><\/span><\/span><\/td> 1<\/td><\/tr>
0<\/td> 0<\/td> 1<\/td> 1<\/td><\/tr>
0<\/td> 2<\/td> 2<\/td> 2<\/td><\/tr>
2<\/td> 2<\/td> 3<\/td> 3<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
Et ainsi de suite, ligne par ligne. La matrice GLCM aura comme lignes et colonnes les diff\u00e9rentes valeurs possibles d\u2019un pixel.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
On peut maintenant la remplir avec les occurrences de paires de pixels de notre image exemple : la paire 0-0 appara\u00eet deux fois, la paire 0-1 deux fois, 0-2 une fois, etc.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Assurez-vous de comprendre la diff\u00e9rence entre l\u2019image d\u2019origine et ses valeurs de pixels, et les entr\u00e9es dans le GLCM, qui sont des d\u00e9nombrements de fr\u00e9quences des paires voisines de valeurs de pixels d\u2019image.<\/p>\n\n\n\n
Si vous avez bien saisi ces deux concepts, vous comprendrez maintenant une notion utilis\u00e9e dans le domaine de l\u2019analyse des textures, la notion de premier et deuxi\u00e8me ordre<\/em><\/strong>.<\/p>\n\n\n\n
La diff\u00e9rence entre les deux c\u2019est tout simplement le support de calcul : les statistiques de premier ordre sont faites \u00e0 partir des valeurs individuelles des pixels (l\u2019image d\u2019origine) et les statistiques de deuxi\u00e8me ordre sont celles r\u00e9alis\u00e9es \u00e0 partir de la GLCM (les fr\u00e9quences de paires de pixels).<\/p>\n\n\n\n
Angle ou direction de calcul<\/h2>\n\n\n\n
L\u2019autre notion qui peut \u00eatre plus simple \u00e0 appr\u00e9hender et celle de la direction (angle), le param\u00e8tre -s<\/p>\n\n\n\n
-s<\/strong><\/p>\n\n\n\n
Separate output for each angle (0, 45, 90, 135)<\/p>\n\n\n\n
Angles are counterclockwise from east: 0 is East to West, 45 is North-East to South-West<\/p>\n\n\n\n
Nous avons pris comme exemple pour \u00e9valuer le pixel voisin, celui situ\u00e9 \u00e0 droite. Un souci qu\u2019on n\u2019a pas abord\u00e9 c\u2019est le fait que quand on arrive au bord de notre image, notre derni\u00e8re colonne de pixels n\u2019a pas de voisin \u00e0 droite. Si au lieu de prendre le voisin de droite on avait pris le voisin de gauche les paires trouv\u00e9es par ligne de notre image ne seraient pas les m\u00eames.<\/p>\n\n\n\n
Pour que notre matrice GLCM soit sym\u00e9trique, on compte chaque paire horizontale dans les deux sens : quand on a la paire 0-1 on ajoute 1 \u00e0 sa fr\u00e9quence et aussi 1 \u00e0 la fr\u00e9quence de la paire 1-0.<\/p>\n\n\n\n
Mais chaque pixel a, en r\u00e9alit\u00e9, huit voisins dans quatre directions: horizontale, verticale , et deux diagonales.<\/p>\n\n\n\n
Par d\u00e9faut, r.texture calcule les quatre matrices, calcule la valeur de texture souhait\u00e9e, puis retient comme valeur de sortie la moyenne des quatre r\u00e9sultats.<\/p>\n\n\n\n
On dit donc que le calcul est omnidirectionnel. Mais si vous pensez qu\u2019il peut y avoir une texture diff\u00e9rente selon une ou l\u2019autre direction, vous pouvez demander des sorties s\u00e9par\u00e9es pour chacune des quatre directions (E-W, NS , NW-SE,NE-SW).<\/p>\n\n\n\n
Distance entre \u00e9chantillons<\/h2>\n\n\n\n $\"\"$ <\/a><\/figure>\n\n\n\n
C\u2019est un de ces concepts obscurs qu\u2019on finit par laisser avec sa valeur par d\u00e9faut, en se disant que tout compte fait il est optionnel\u2026<\/p>\n\n\n\n
Mais avec ce qu\u2019on vient d\u2019avoir, il devient simple. Nous avons pris comme voisin le pixel adjacent de notre pixel de r\u00e9f\u00e9rence. C\u2019est-\u00e0-dire, le pixel situ\u00e9 \u00e0 une distance de 1 pixel. C\u2019est la valeur par d\u00e9faut qu\u2019on observe dans l\u2019interface. On peut demander de prendre comme voisin le deuxi\u00e8me pixel dans la direction choisie, et dans ce cas on rentre la valeur 2, ou bien le troisi\u00e8me et ce sera la valeur 3. Les pixels interm\u00e9diaires sont ignor\u00e9s dans la g\u00e9n\u00e9ration des fr\u00e9quences de paires.<\/p>\n\n\n\n
Taille de la fen\u00eatre mobile<\/h2>\n\n\n\n
Tout d\u2019abord, nous devons d\u00e9finir la petite zone \u00e0 utiliser pour remplir le GLCM et faire le calcul de la mesure de texture. De fa\u00e7on g\u00e9n\u00e9rale, on peut appeler cela le \u00ab voisinage\u00bb pour le calcul. Habituellement, nous utilisons le terme \u00ab fen\u00eatre \u00bb, qui d\u00e9signe un type particulier de voisinage. Il est carr\u00e9 et comporte un nombre impair de pixels sur un c\u00f4t\u00e9.<\/p>\n\n\n\n
Les textures sont calcul\u00e9es dans une fen\u00eatre, une petite r\u00e9gion de l\u2019image. L\u2019image de test utilis\u00e9e plus haut dans cet article consid\u00e8re l\u2019image enti\u00e8re comme la zone contribuant \u00e0 la texture. Pour les images plus grandes, une fen\u00eatre est choisie pour d\u00e9finir cette zone. Cette fen\u00eatre est, en pratique, carr\u00e9e et avec des longueurs lat\u00e9rales impaires.<\/p>\n\n\n\n
En th\u00e9orie, une fen\u00eatre peut \u00eatre de n\u2019importe quelle dimension, mais encore une fois, des probl\u00e8mes de calcul pratiques se produisent pour des tailles paires et des formes non carr\u00e9es de fen\u00eatres.<\/p>\n\n\n\n
La taille relative de la fen\u00eatre et des objets recherch\u00e9s dans l\u2019image d\u00e9terminera l\u2019utilit\u00e9 de la mesure de texture pour la classification.<\/p>\n\n\n\n
On s\u2019attend \u00e0 ce que diff\u00e9rents objets aient des mesures de texture caract\u00e9ristiques diff\u00e9rentes. Pour mettre cela en \u00e9vidence, la fen\u00eatre doit \u00eatre plus petite que l\u2019objet, mais assez grande pour couvrir la variabilit\u00e9 caract\u00e9ristique de l\u2019objet<\/em><\/strong>.<\/p>\n\n\n\n
Exemple : La texture d\u2019une for\u00eat est d\u00e9termin\u00e9e par la lumi\u00e8re et l\u2019ombre parmi les couronnes des arbres. Une fen\u00eatre recouvrant un arbre ne mesurera pas la texture de la for\u00eat. Une fen\u00eatre recouvrant toute la for\u00eat et les champs adjacents ne mesurera pas non plus la texture de la for\u00eat.<\/p>\n\n\n\n
Les fen\u00eatres utilis\u00e9es pour la texture, comme celles utilis\u00e9es avec les filtres, ont toujours un \u00ab\u00a0effet de bord\u00a0\u00bb o\u00f9 la fen\u00eatre chevauche la limite entre les diff\u00e9rents objets de l\u2019image. Les \u00ab bords \u00bb des objets apparaissent blancs ou p\u00e2les. En effet, une fen\u00eatre situ\u00e9e en partie au-dessus d\u2019une texture et en partie au-dessus d\u2019une autre \u2013 le long du bord entre les deux \u2013 sera tr\u00e8s probablement moins ordonn\u00e9e qu\u2019une fen\u00eatre situ\u00e9e enti\u00e8rement \u00e0 l\u2019int\u00e9rieur d\u2019un seul type de texture. Les fen\u00eatres moins ordonn\u00e9es produisent un r\u00e9sultat d\u2019entropie plus \u00e9lev\u00e9, et lorsqu\u2019elles sont visualis\u00e9es sur un \u00e9cran, les valeurs plus \u00e9lev\u00e9es sont d\u2019un ton plus clair.<\/p>\n\n\n\n
Dans le prochain article nous verrons les diff\u00e9rents calculs de texture disponibles.<\/p>\n","protected":false},"excerpt":{"rendered":"
L\u2019accessibilit\u00e9 des drones et des moyens logiciels d\u2019acquisition d\u2019images a\u00e9riennes permet aujourd\u2019hui d\u2019avoir des couvertures d\u2019images \u00e0 des \u00e9chelles extr\u00eamement fines pour appuyer les travaux en environnement littoral. Des pixels de l\u2019ordre du millim\u00e8tre ne sont…<\/p>\n","protected":false},"author":1,"featured_media":9140,"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":[147,26,62,172],"tags":[],"class_list":["post-9133","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images","category-outils-et-methodes","category-qgis-2","category-tutoriel"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2020\/12\/headarticle-1.jpg?fit=639%2C586&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-2nj","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9133","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=9133"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9133\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/9140"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=9133"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=9133"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=9133"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}