Détection d’objets cartographiques dans les images satellites Très Haute Résolution

Détection d’objets cartographiques dans les images satellites Très Haute Résolution

Guray Erus, Nicolas Loménie

Université René Descartes – Paris5,

Centre de Recherche en Informatique de Paris 5 (CRIP-5),

équipe "Systèmes Intelligents de Perception" (SIP)

1. Contexte du problème et de l'atelier 2. La démarche et les modules

2.1 Apprentissage structurel et Génération de modèles d’objets cartographiques A) sans problème de segmentation / B) avec problème de la segmentation

2.2 Création de modèles structurels interactifs

Segmentation/Reconnaissance par la modélisation avec les ARGs Orientés Linéarisés

Le problème de la détection on-line d’objets ou de configurations cartographiques

Perspectives et questions pour l'atelier

Le plan

Base d’images

Image satellite de grande taille (24000x24000 pixels)

Les objectifs

1. Classification d’objets

Pont?

2. Détection d’objets

Rond-point? Bâti isolé?

Imagettes d’objets de chaque classe (100x100 pixels)

1.Contexte du problème et de l'atelier

Rond-point

Pont

Projet TECHNOVISION / ROBIN

http://robin.inrialpes.fr/

Projet CNES / ORFEO

http://smsc.cnes.fr/PLEIADES/Fr/A_prog_accomp.htm

2. La démarche et les modules

APPROCHE « STATISTIQUE » APPROCHE « STRUCTURELLE » - créer un modèle à partir de 1000

exemples :1 « feature vector » v et apprendre sa distribution dans

l'espace des paramètres : p(v,classe) - utilisation de ce modèle pour

classifier l'objet dans une classe en calculant une métrique P(classe|v) - problème de la segmentation

En RF,

Objet sans fond Objet sur fond

OK - Segmentation heuristique

- Segmentation<->Reconnaissance

- OK sur objet très monolithique : oeil, visage, route

- créer un modèle à partir de

quelques exemples : 1 « ARG » et apprendre sa distribution dans

l'espace des configurations : treillis - utilisation de ce modèle pour

classifier l'objet dans une classe en calculant une métrique d(Treillis Modèle, ARG

)

- problème de la segmentation

Avantage : plus « facile » de créer

un modèle ad hoc

a. La décomposition géométrique

2.1. Test préliminaire n°1:

A) Génération de modèles d'objets cartographiques quand

Objet bien séparé du fond

b.Transformation des images en ARGs: Les Graphes Relationnels Attribués

Définition: Un graphe relationnel attribué (ARG) a 6

éléments: G = (S, A, A

, A

, αS, αA)

c. Génération du modèle

• Le modèle est le treillis limité par le Sous-graphe Maximal Commun (MaxSgC) et le Sur-graphe Minimal Commun (MinSgC) des prototypes.

• MaxSgC(A, B):

• MinSgC(A, B):

• Calcul de la distance d’édition

des exemples au modèle

d. Les Modèles obtenus

Segmenter automatiquement les imagettes et isoler la zone de l'objet du fond ? Hybride en deux sens:

• Images panchromatiques de résolution 2.5 m. - Images multispectrales de résolution 10 m.

• Segmentation par contour et région

2. 1 Test préliminaire n°2:

B) Génération de modèles d'objets cartographiques en

situation plus “ réelle “ 

• Fusion des bandes spectrales de l’image multispectrale

• Segmentation par seuillage avec hysteresis

• Localisation du masque par ‘recouvrement de contours’

a. Multicanal :Images panchromatiques - Images multispectrales

Obtention d'un masque de recouvrement

b. Segmentation par Contour et Région

Segmentation de l’image panchromatique par watershed

Watershed avec marqueurs autour des contours

c.Extraction de la zone de l'objet

On attend des images Pléiades sub-métriques où la géométrie est plus prépondérante...

d. Extraction des primitives géométriques dans les imagettes originales

Les contours ... après la fusion

les parallèles les rectangles les cercles

les arcs

2.2 Création de modèles interactive

Modélisation linguistique

Definition des Noeuds_Rond-point:

No=1 Type=Circle Radius=20 PosX=150 PosY=150 No=2 Type=Rect Length=1.Radius*3 Width=10 No=3 Type=Rect Length=1.Radius*3 Width=5 No=4 Type=Rect Length=1.Radius*2 Width=5 Definition des Relations Rond-point:

NoTo=2 NoFrom=1 CenterDist=1.Radius+2.Length/2 Angle=0 NoTo=3 NoFrom=1 CenterDist=1.Radius+3.Length/2 Angle=0 NoTo=3 NoFrom=2 Angle=120

… Modélisation graphique

ARG Orienté Linéarisé

Validation (convergence) par :

•L'utilisateur, ou

•d(ARG généré, ARG appris avec peu d'exemples)

Générateur d'objets

Lire la définition du modèle

Générer aléatoirement des formes primitives et accepter celles qui sont conformes au modèle

Les rond-points générés

les primitives

2.3 Utilisation de ce modèle ad hoc ou presque (quelques exemples) pour la

segmentation/reconnaissance

le(s) rond(s)-point(s) détecté(s)

Via l'ARGOL

! Choisir un point de référencement pour que le raisonnement spatial soit

possible : en tout cas notre solution

2.4. Détection dans une image 24000x24000 ?

(*) En coopération avec Image Processing and Pattern Recognition Laboratory, Dep. of Computer Engineering, METU, Ankara, Turquie)

Obtenir des points d'ancrage ?

•Expérience interne sur les modèles structurels

•Orientation forte vers l'interaction entre ces modèles structurels et les utilisateurs (esprit de la Fouille de données)

•Nécessité de valider quantitativement les résultats de la détection pilotée par le modèle; néanmoins les premiers résultats sont satisfaisants

3.1 Conclusion

3.2 Perspectives

• Enrichir la définition du modèle:

• les attributs et relations flous

• les autres catégories du raisonnement spatial (topologie, inclusion, orientation)

-> Besoin d'une ontologie spatiale / norme aussi nécessaire que les outils algorithmiques (voir norme MPEG)

• Développer une méthode de création de modèleS stucturelS pour l'image (interactive, à partir de peu d'exemples, et multiple)

• Intégrer la détection par modèle dans le logiciel de classification semi- automatique