Détection de routes

Il existe dans la littérature un grand nombre de méthodes visant à extraire les routes à partir d’une image. Les algorithmes les plus efficaces sont ceux reposant sur une détection de lignes dans l’image. Nous nous concentrons ici sur ce type d’approches. Parmi les travaux portant sur l’extraction de lignes, nous pouvons notamment citer les travaux de Steger (1998), dans les-quels l’auteur propose un algorithme de détection de lignes qui utilise une approche géométrique différentielle et un modèle explicite pour les lignes.

Dans leurs travaux,Bacher et Mayer (2005) proposent une méthode d’extraction de routes non supervisée utilisant la méthode deSteger(1998) pour extraire des lignes à partir de chacune des bandes d’une image multi-spectrale. Ces segments sont considérés comme des hypothèses de route. Un algorithme de classification permet de sélectionner les hypothèses les plus fiables d’un point de vue local (élongation, radiométrie, ...). Les hypothèses provenant de différentes bandes sont fusionnées pour éliminer la redondance. Les hypothèses restantes sont utilisées pour construire un réseau prenant en compte les propriétés globales d’un réseau routier (transport optimal d’un point à un autre). Ceci est fait en deux étapes. Premièrement, les segments proches sont liés à l’aide d’une méthode basée sur un graphe pondéré. Les connexions manquantes sont détectées en cherchant le plus court chemin entre deux paires de points à l’aide de l’algorithme de Dijkstra. Deuxièmement, les connexions potentielles restantes sont vérifiées à l’aide d’un modèle de contour actif (Kass et al.,1988).

Les auteurs appliquent leur méthode sur des images multi-spectrales (QuickBird, Ikonos). Les résultats obtenus, illustrés dans la figure 1.13, montrent que la méthode proposée est efficace

dans des zones ouvertes (campagne, ...) mais peu efficace dans des environnement urbains.

(a) Entrée (b) Résultat

Figure1.13 – Résultats obtenus par la méthode de Bacher et Mayer(2005).

Les travaux deJeon et al.(2002) présentent une méthode similaire, reposant sur l’algorithme de détection de lignes de Steger(1998). Les auteurs définissent les facteurs de proximité et de co-curvilinéarité comme mesure pour fusionner les segments proches. Dans un deuxième temps un algorithme génétique basé sur un processus de croissance de région est utilisé pour grouper de plus grands ensembles de segments. Les graines du processus de croissance de régions sont les segments ou groupes de segments suffisamment grands pour être considérés comme appartenant à un réseau routier. Pour combiner les nouveaux ensembles de segments obtenus par l’algorithme génétique, les auteurs utilisent un modèle de contour actif (Lai et Chin, 1995). Ils obtiennent ainsi, de manière non supervisée, un réseau routier correspondant.

Les auteurs procèdent à une série d’expériences sur des images SAR d’une résolution de 30m représentant des paysages montagneux et des zones à proximité de villes. La méthode proposée permet d’extraire les réseaux routiers ainsi que les routes individuelles.

Figure1.14 – Résultats obtenus avec la méthode deJeon et al. (2002). En pointillé, le réseau détecté.

Les travaux de Tupin et al. (2002) s’intéressent à l’extraction de réseaux routiers dans des paysages urbains denses. La méthode proposée est composée de deux étapes. Premièrement des segments sont détectés par l’algorithme proposé parTupin et al. (1998). Cet algorithme repose sur les tavelures (i.e. speckles en anglais) appliqués aux images SAR. Dans une deuxième étape, un graphe est créé avec ces segments. Ce graphe modélise un champ aléatoire de Markov. La

2. UTILISATION DE CONNAISSANCES EXPERTES POUR LA DÉTECTION D’OBJETS D’INTÉRÊT21 recherche de cliques dans ce graphe va produire un réseau routier. Cette approche est appliquée

à plusieurs échelles et les résultats sont combinés pour plus de pertinence.

La méthode proposée est appliquée sur des couples d’images SAR prises à différentes orienta-tions. Un exemple est donné dans la figure 1.15. Les expériences montrent que selon l’orientation des capteurs, les résultats sont plus ou moins pertinents. Si pour un couple d’images les capteurs ont des orientations différentes, un réseau complet peut être extrait. Si les capteurs sont paral-lèles, les résultats sont améliorés par rapport à une simple image mais ne sont pas aussi complets que dans le cas précédent.

Figure1.15 – Illustration des travaux deTupin et al.(2002) en prenant en compte deux images orthogonales.

Dans sa thèse,Poulain(2010) propose de combiner plusieurs détecteurs de routes. Il utilise la méthode proposée parChristophe et Inglada(2007) sur une image multi-spectrale et la méthode proposée par Amberg et al. (2005) sur une image radar. Ces deux méthodes génèrent des hy-pothèses de routes, contenant beaucoup de faux positifs. Des détecteurs (absence de végétation, d’ombre projetée, parallélisme avec un groupe de bâtiments, . . . ) sont utilisés pour attribuer des scores à chaque hypothèse. Les scores produits par ces détecteurs sont fusionnés avec la théorie de Dempster-Shafer (Shafer, 1976) pour ne garder que les hypothèses de routes les plus probables. Un réseau routier est extrait à partir des segments restant à l’aide d’un modèle de contour actif

(Williams et Shah,1992).

Une telle méthode permet une plus grande exhaustivité des résultats car elle prend en compte des sources de données multiples. De plus, elle tient compte de la connaissance experte via l’utilisation des détecteurs et permet une modélisation pertinente des phénomènes d’ignorance et d’imprécision à travers l’utilisation de la théorie des croyances de Dempster-Shafer. Un exemple de résultat est donné dans la figure 1.16.

Figure1.16 – Application de la méthode dePoulain(2010) après fusion des détecteurs.