Raisonnement Spatial pour l Analyse d Images HR

Dimension: px

Commencer à balayer dès la page:

Download "Raisonnement Spatial pour l Analyse d Images HR"

Matthieu Ratté
il y a 7 ans
Total affichages :

1 Raisonnement Spatial pour l Analyse d Images HR ORFEO - Volet Méthodologique Julien Michel, Jordi Inglada CENTRE NATIONAL D ÉTUDES SPATIALES 17 Janvier

2 Introduction Introduction Évolution des problématiques de télédétection Augmentation de la résolution et de la taille des données Insuffisance des approches bas-niveaux Besoin de manipuler l information spatiale Objectifs Évaluation du système de raisonnement spatial RCC8 Dans le cadre du programme ORFEO et de l OTB 2

3 Introduction Plan de la présentation Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 3

4 Décomposition par la pyramide morphologique Plan Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 4

5 Décomposition par la pyramide morphologique Principe de la décomposition Une analyse multi-échelle Les bases de la pyramide Fonctionnement Algorithmes pyramidaux Morphologie mathématique Filtres non-linéaires non respect de Shannon Sous-échantillonnage prudent 5

6 Décomposition par la pyramide morphologique Exemple (I) Image analysée Image QuickBird panchromatique de la région Parisienne (résolution 60 cm) 6

7 Raisonnement Spatial pour l Analyse d Images HR Décomposition par la pyramide morphologique Exemple (II) Détails du filtrage Étage 1 Étage 2 Dsup,filtre,n Dinf,filtre,n 7 Étage 3 Étage 4

8 Raisonnement Spatial pour l Analyse d Images HR Décomposition par la pyramide morphologique Exemple (III) Détails de la décimation Étage 1 Étage 2 Dsup,deci,n Dinf,deci,n 8 Étage 3 Étage 4

9 Décomposition par la pyramide morphologique Reconstruction des détails du filtrage Vers une représentation à pleine résolution Reconstruction Sur-échantillonnage Ajout détails de décimation? Exemple : détails niveau 6 Amélioration de la précision Pertes dues à la décimation Utilisation de l image d origine Reconstruction Amélioration 9

10 Segmentation des résultats Plan Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 10

11 Segmentation des résultats Segmentation par croissance de région Méthode retenue : segmentation par seuillage connexe Principe Segmentation par croissance de région Critère d acceptation : seuil bas et seuil haut Seuils et graines déterminés par des quantiles Avantages Simplicité de fonctionnement Robustesse Seuils et graines peu sensibles à la diversité des images 11

12 Raisonnement Spatial pour l Analyse d Images HR Segmentation des résultats Exemple (I) Détails clairs niveau 1 niveau 2 niveau 3 niveau 4 niveau 5 12 niveau 6

13 Raisonnement Spatial pour l Analyse d Images HR Segmentation des résultats Exemple (II) Détails sombres niveau 1 niveau 2 niveau 3 niveau 4 niveau 5 13 niveau 6

14 Définition et calcul du RCC8 Plan Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 14

15 Définition et calcul du RCC8 Le système RCC8 pour Region Connection Calculus Définition 8 relations Entre 2 régions de l espace Propriétés Binaires Exclusives Exhaustives 4 relations symétriques 4 relations anti-symétriques 15

Définition et calcul du RCC8 Calcul élémentaire du RCC8 Déterminer la relation entre 2 régions de l espace Principe Matrice des 9-intersections

16 Définition et calcul du RCC8 Calcul élémentaire du RCC8 Déterminer la relation entre 2 régions de l espace Principe Matrice des 9-intersections Arbre de décision Calculs paresseux Optimisation pour DC Arbre de décision Matrice des 9-intersections 0 Ă B Ă Ḃ Ă B Ȧ B Ȧ Ḃ Ȧ B A Ā B Ā Ḃ Ā B 16

17 Définition et calcul du RCC8 Calcul sur un ensemble de régions Régions provenant de la segmentation multi-échelle Principe Déterminer la relation liant chaque couple de régions extraites Connaissance à priori : relation DC pour une même image Table de composition : information à priori Boite englobante contenant les deux régions Résultats Complexité : taille de l image, taille des régions retenues Optimisations : gain de 30% en moyenne 17

18 Représentation sous forme de graphe Plan Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 18

19 Représentation sous forme de graphe Les graphes RCC8 Représentation et visualisation Graphes Sommets : régions Arêtes : Relations Relation DC non représentée Visualisation En 3 dimensions Analogie avec une représentation pyramidale 19

20 Application à la détection d objets Plan Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 20

21 Application à la détection d objets Classification par les SVMs Évaluation de la pertinence des graphes RCC8 Données Imagettes Spot 5 Base de données Robin Descripteurs Statistiques RCC8 Occurences de structures Résultats Interprétation CH ZP CH ZP Résulats encourageants, mais données inadaptées 21

22 Application à la détection d objets Mesure de similitude de graphe Un problème NP-Complet Solution retenue Recherche guidée par une fonction de score Utilisation des heuristiques gloutonne et taboue Construction de l espace de recherche 22

23 Application à la détection d objets Algorithme de détection d objets Peut on retrouver un objet dans une scène à partir de leurs graphes respectifs? Principe de l algorithme Limitation de la fonction de score au graphe recherché Élaboration d une liste d appariements "prometteurs" Pour chacun, application la recherche d appariement Sélection par la similitude obtenue Appariements prometteurs : Appariements de bas-niveau 23

24 Application à la détection d objets Résultats (I) : Recherche exacte Recherche de l objet "avion" dans une scène d aéroport 24

25 Application à la détection d objets Résultats (II) : Recherche similaire Recherche des objets de type "pontons" dans une scène portuaire 25

26 Application à la détection d objets Amélioration de l algorithme Intégration d un descripteur géométrique : la compacité Définition et Calcul C(R) = 4Π S avec S la surface et P le périmètre P 2 Théorème de Green-Ostrogradski Couplé à un algorithme de suivi de contour Intégration Pondération de la fonction de score par min(comp(r 1),Comp(R 2 )) max(comp(r 1 ),Comp(R 2 )) Choix des appariements "prometteurs" selon cette métrique 26

27 Application à la détection d objets Résultats : Recherche similaire Recherche d avions dans une scène des usines Airbus Meilleure robustesse, valeurs de similitude plus faibles 27

28 Conclusion Progression Décomposition par la pyramide morphologique Segmentation des résultats Définition et calcul du RCC8 Représentation sous forme de graphe Application à la détection d objets Conclusion 28

29 Conclusion Conclusion Bilan et remarques Bilan : un travail préliminaire Technique de segmentation multi-échelle Outils pour calculer, représenter et manipuler le RCC8 Intérêt du RCC8 pour l analyse automatique de scènes Remarques pour la suite Qualité de la segmentation préalable à l utilisation du RCC8 Améliorations : fonction de score, coût de l extraction Besoin de tests sur une base plus large 29

30 Conclusion A suivre... R&T 2007 Intégration dans l OTB en cours 30

Documents pareils

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.