Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle

Dimension: px

Commencer à balayer dès la page:

Download "Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle"

Sarah Desroches
il y a 7 ans
Total affichages :

1 Vectorisation automatique des forêts dans les minutes d Etat Major du XIXème siècle P.-A. Herrault 1,2, D. Sheeren 1, M. Fauvel 1, M. Paegelow 2 1 DYNAFOR Lab. UMR 1201 INP-ENSAT / INRA University of Toulouse 2 GEODE Lab. UMR 5602 UTM / CNRS University of Toulouse

2 Les cartes historiques contiennent des informations privilégiées (monuments historiques, occupation du sol passée, anciens réseaux routiers..) Intéressantes pour de nombreuses études: changements paysagers sur le long terme, l évolution de la tâche urbaine ou l évolution du trait de côte.. Depuis quelques années, disponibilité accrue grâce à une mise à disposition de la part des archives nationales

3 Approche traditionnelle pour extraire les objets basée sur l intervention de l utilisateur (digitalisation) Consommatrice en terme de temps, subjectives et difficilement reproductible sur de larges étendues Besoin majeur de développer des approches automatiques

4 Nombreux problèmes pour capturer automatiquement les entités sur les cartes historiques Superposition d éléments planimétriques Qualité entachée via le processus de scannage Cartes en Noir et Blanc

5 Nombreux auteurs ont déjà proposé des approches automatiques pour extraire les objets géographiques (Ansoult et al.1990; Li et al.1999; Leyk 2006) Deux étapes majeurs identifiées dans ces procédures d extraction Extraction au sens stricte (Classification/Segmentation) Etape de nettoyage(«clean-up process», avant et/ou après la phase d extraction)

6 Les cartes historiques contiennent différentes sortes de «bruit» Superposition d éléments planimétriques Effet d ombrage liés au processus de scannage Méthodes basées sur des techniques de filtrage Filtre de convolution Filtres morphologiques

7 Principe du filtrage? Assigner une nouvelle valeur à chaque pixel en considérant les valeurs des pixels dans son voisinage grâce à une fenêtre de convolution grâce à un élément structurant Ex : Filtre médian (convolution) 3, 3, 3, 4, 4, 5, 5, 5, 10

8 Méthodes existantes peuvent porter sur différents types d objets Texte (Cao and al.2002; Centeno 1998) Regions (Shaw and al.2011; Chiang 2009) Symboles (Gamba and Mecocci 1999; Boesch 1996) Lignes (Kaneko,1992; Mariani and al.1997)

9 Développer une méthode d extraction automatique des forêts sur les minutes d Etat Major (~ 1850) Reproductible sur de larges étendues Intervention de l utilisateur limitée Suffisamment générique pour la tester sur d autres objets d étude ou d autres cartes scannées

11 Trois extraits de 1500*1500 pixels Différences de surcharges liées au contexte de la zone Différences de représentations de l entité «forêt»

14 Carte originale(s) Dilatation Filtre Médian Filtre passe-bas Carte filtrée(s)

15 Carte originale(s) Dilatation Filtre médian Filtre passe-bas Carte filtrée(s) Dilatation (carré de 5*5 pixels) Remplir les trous crées par les lignes d élévation, le texte ou les symboles superposés

16 Carte originale(s) Dilatation Filtre médian Filtre passe-bas Carte filtrée(s) Filtre médian(fenêtre de 5*5 pixels) Continuer à réduire les lignes d élévations persistantes en préservant les contours d objets et la couleur

17 Carte originale(s) Dilatation Filtre médian Filtre passe-bas Carte filtrée(s) Filtre passe-bas (fenêtre of 5*5 pixels) Supprimer le bruit de fond sans flouter l image

19 Pourquoi s intéresser à l espace colorimétrique? Couleur rarement homogène dans les cartes historiques Intensité varie + ou - fortement suivant le lieu Rendre plus robuste une reconnaissance automatique basée sur la couleur Modèle additif Vs Modèle cylindrique Modèle additif tel que le RVB manque d uniformité en présence d une luminosité variable Modèles cylindriques tel que le CIElab permettent d isoler la luminosité lorsque celle-ci n est pas uniforme

20 Les spécificités clarté de la couleur est reportée sur l axe L perpendiculaire aux plan «ab» a = gamme de couleurs du rouge au vert b = gamme de couleur du jaune au bleu un plan «ab» pour chaque valeur de L Possibilité de gérer les différences de clarté pour une même couleur en recherchant les partition de cette couleur pour chaque valeur de L

22 Algorithme de détection non supervisée issue des méthodes d apprentissage à noyau Adaptée aux problèmes de classification d une seule classe d intérêt Possibilité d apprendre le modèle avec les seuls échantillons de la classe d intérêt (les éléments positifs) mais pas que Pas de connaissances à priori nécessaires sur la distribution des classes étudiées

23 Objectif: trouver le rayon d une hyper-sphère minimale englobant les échantillons de la classe d intérêt en excluant les autres: problème d optimisation R a Introduction d un paramètre C qui va pénaliser les erreurs durant le problème d optimisation Éléments positifs Éléments négatifs

24 Éléments positifs Éléments négatifs Aucun éléments négatifs acceptés dans l hyper-sphère Nuage d éléments positifs parfaitement ajusté Paramètre C = 1 Risques de sur-apprentissage

25 Éléments positifs Éléments négatifs Grand nombre d éléments négatifs acceptés dans l hyper-sphère Risques de confusions trop importants Paramètre C = 0.1

26 Éléments positifs Éléments négatifs Quelques éléments négatifs acceptés dans l hypersphère Compromis intéressant pour classer les données réelles Paramètre C = 0.5

28 Objectifs? corriger la non-prise en compte de certains éléments en amont en raison d un paramétrage standard des propriétés de filtrage

29 Objectifs? corriger la non-prise en compte de certains éléments en amont en raison d un paramétrage standard des propriétés de filtrage Ouverture (Opérateur morphologique) supprimer les pixels isolés ne faisant pas partie des forêts Règles contextuelles remplir les trous encore présents à l intérieur des objets forêts

31 Carte originale Dilatation Filtre médian Carte filtrée Filtre passe-bas

32 Carte originale Dilatation Filtre médian Carte filtrée Map Carte Originale Filtre passe-bas Carte Filtrée

33 Classification dans l espace RGB Carte Filtrée Classification dans l espace L*a*b

34 Classification dans l espace RGB Carte Filtrée Classification dans l espace L*a*b

35 Carte originale Pré-traitements+classification Forêt extraite non corrigée Post-traitements Forêt extraite reconstruite Reconstruction Forêt extraite corrigée (binaire)

36 Extrait 1 Extrait 2 Précision globale importante Tendance à légèrement sous-détecter les forêts Extrait 3 Carte originale Couche d extraction binaire Couche d extraction reconstruite

37 Un outil performant pour les travaux incluant une dimension historique Possible délai dans le temps de réponse des éspèces aux modifications de leur habitat: notion de dette d extinction (Krauss et al,2010)

38 31 Des valeurs de métriques proches entre les deux méthodes Extrait 1 Attention aux valeurs de périmètre!! intégration d un lissage des contours d objet dans la phase de post-traitements Extrait 2

39 Certaine robustesse de la méthode proposée Espace L*a*b bien adapté pour accroitre l uniformité dans les cartes de faible qualité Détecteur SVDD efficace lorsqu il s agit d identifier une seule classe d intérêt tout en prenant en compte la diversité des représentations

40 Améliorer la phase de post-traitement Recherche approfondie du paramètre C pour la méthode de classification SVDD Tester la méthode sur d autres objets ou d autres cartes scannées

41 MERCI DE VOTRE ATTENTION!

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.