Détection des structures tourbillonnaires

Transcription

1 Détection des structures tourbillonnaires Imen karoui 1, Pierre Garreau 1, Herve Chauris 2 et Phillipe Craneguy3 1- Centre de Géosciences, Mines ParisTech, Fontainebleau, 2-Ifremer, Plouzané 3-Actimar, Brest 1

2 Contexte But: Détection et suivi de tourbillons (dans l espace et dans le temps) Applications: Validation du modèle, Analyse statistique sur les fréquences, les tailles et les durées de vie des tourbillons Carte SST (Méditerranée nord occidentale)

3 Etat de l art Deux catégories de méthodes: Méthodes basées sur les résultats du modèle: SSH ou Image de champ de courant (détection de singularité: Okubo- Weiss, Lyapnov,[Doglioli07,Thonet05] ) (-) Caractérisation et pas de détection précise Méthodes qui se basent uniquement sur l analyse des fronts de SST ou de Chlorophylle (+) Applicables aussi bien sur les images satellites que sur le modèle 3

4 Détection Principe: Caractérisation des tourbillons par des fronts de fortes courbures (cercle ou ellipses) Image SST Image du gradient 4

5 Etat de l art (2) SST ou Chlorophylle Estimation du gradient ou de son orientation Détection des cercles / ellipses (-) Post-traitement: élimination des mauvaises détections Méthodes géométriques: Hough, LMS [Fernandes06, Alexanin00, Peckinpaugh94],. (+) bonne détection (+) Assez rapide (-) Binarisation (-) Forme exacte Apprentissage automatique: réseaux de neurones [Hai08, Castellini05,], ou morphologie mathématique: (+) Image du gradient (-) ne détectent que les centres des tourbillons (-) nécessitent une large base d apprentissage 5

6 Méthode proposée But: Méthode qui tient compte de: Valeurs du gradient Variabilité des formes des fronts Régularité des contours Méthode: Analyse multi-échelles par curvelets selon les directions des courbes et des formes recherchées Image du gradient SST / chlorophylle Présélection Détection 6

7 Présélection... R et σ Image du gradient Filtres associés aux différents rayons Carte de probabilité 7

8 Problème lié à la présélection Image du gradient (cas de synthèse) Carte de probabilité 8

9 Méthode de détection But: prendre en compte la régularité spatiale des contours Méthode: analyse multi-échelles par Curvelet Echelle 1 Echelle 2 Echelle 3 Curvelet dans le domaine spatiale 9

10 20 40 Détection-Algorithme Pour un rayon R donné R=25 20 = Image du gradient Filtres construits à partir des Curvelet Carte de probabilité 10

11 0.6 Méthode multi-échelle Echelle Image du gradient (cas de synthèse) Carte de probabilité 11

12 Quelques résultats (1) Détection de tourbillons de rayons: 15, 20, 25 et 30km Image SST 12

13 Résultats (2) Détection de tourbillons de tailles: 20km, 30km, 40km et 50km :

14 Résultats (3) Détection de tourbillons de rayons: 20, et 60km Image SST, zone: méditerranée nord occidentale 14

15 Suite Problème du seuil? Statistiques sur les tailles et les durées de vie des tourbillons (dans le temps ou par zone) Suivi des tourbillons Mesure de similarité à différentes échelles entre images satellite et images prédites par le modèle 15

16 Références (1) [Hai08] Jin Hai, Yang Xiaomei, Gong Jianming, Gao Zhenyu. Automatic eddy extraction from sst imagery using artificial neural network. the international archives of the photogrammetry, remote sensing and spatial information sciences. ISPRS Congress Beijing Vol XXXVII. Part B6b. p [Castellini05] Castellani, M. (2005), Automatic detection of Mediterranean water eddies from satellite imagery of the Atlantic Ocean, Proc. of the 1st Virtual International Conference on Intelligent Production Machines and Systems, Pham, D. T., Eldukhri, E. E. and Soroka, A. J. (eds), Elsevier (Oxford), pp [Fernandes06] Armando Fernandes and Susana Nascimento. Automatic Water Eddy Detection in SST Maps Using Random Ellipse Fitting and Vectorial Fields for Image Segmentation. Lecture Notes in Computer Science. Volume 4265/2006. pp [Alexanin00] A. I. Aleksanin and M. G. Aleksanina, Quantitative Analysis of Thermal Sea Surface Structures on NOAA IR-Images, in Proc. of the Int. Symposium CREAMS 2000, Vladivostok, 2000, pp [Peckinpaugh93] Sarah H. Peckinpaugh, Juanita R. Chase, and Ronald J. Holyer. Neural networks for eddy detection in satellite imagery. Proc. SPIE, Vol. 1965, 151 (1993); OI: /

17 Références (2) [Peckinpaugh94] Circle detection for extracting eddy size and position from satellite imagery of the ocean Peckinpaugh, S.H.; Holyer, R.J. Geoscience and Remote Sensing, IEEE Transactions on Volume 32, Issue 2, Mar 1994 Page(s): [Yhia96] H. M. Yahia, I. L. Herlin, L. Vogel. Temporal Tracking of Oceanographic Images by Implicit Functions. Proceedings of the International Conference on Pattern Recognition (ICPR '96) Volume III-Volume Volume 7276 Page: [Thonet95] Thonet, H.; Lemonnier, B.; Delmas. Automatic segmentation of oceanic eddies on AVHRR thermal infrared sea surface images., R. OCEANS apos;95. MTS/IEEE. Challenges of Our Changing Global Environment. Conference Proceedings. Volume 2, Issue, 9-12 Oct 1995 Page(s): vol.2. [Arriaza03] Arriaza, J.A.T.; Rojas, F.G.; Lopez, M.P.; Canton, M. Competitive neuralnet-based system for the automatic detection of oceanic mesoscalar structures on AVHRR scenes. IEEE Transactions on Geoscience and Remote Sensing. Volume 41, Issue 4, April 2003 Page(s):