détection dobjets cartographiques dans les images satellites très haute résolution guray erus,...
TRANSCRIPT
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 / ROBINhttp://robin.inrialpes.fr/
Projet CNES / ORFEOhttp://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 fondOK - 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
query)
- problème de la segmentationAvantage : 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, As, Aa, 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 rectanglesles cercles
les arcs
2.2 Création de modèles interactive (Fouille de donnée)
Modélisation linguistique
Definition des Noeuds_Rond-point:No=1 Type=Circle Radius=20 PosX=150 PosY=150No=2 Type=Rect Length=1.Radius*3 Width=10No=3 Type=Rect Length=1.Radius*3 Width=5No=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=0NoTo=3 NoFrom=1 CenterDist=1.Radius+3.Length/2 Angle=0NoTo=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