Reconnaissance / extraction de bâtiments pour la cartographie rapide

Dimension: px

Commencer à balayer dès la page:

Download "Reconnaissance / extraction de bâtiments pour la cartographie rapide"

Abel Sénéchal
il y a 7 ans
Total affichages :

1 Reconnaissance / extraction de bâtiments pour la cartographie rapide Stéphane MAY stephane.may@cnes.fr 1

2 Extraction de bâtiments pour la cartographie rapide Contexte Exemple : Inondation suite à la tempête Xynthia Février 2010 Détecter les zones urbaines afin d'évaluer la zone d'impact Detection de zones urbaines et bâtiments : Cartographie rapide Gestion du risque Plans d'occupation du sol,... Source : SERTIT 2

3 Extraction de bâtiments pour la cartographie rapide Besoins Extraire rapidement les zones urbaines Extraire / détourer les bâtiments touchés Contexte de situation de crise : Outils robustes Fonctionnent à différentes résolutions : 10m 2.50m 60cm Mise en oeuvre facile et rapide Temps de traitement << Opérations manuelles Peu ou pas de fausses alarmes Les erreurs / oublis de la détection de bâtiments sont tolérés 3

4 Extraction de bâtiments pour la cartographie rapide Difficultés Bâtiments = objets hétérogènes Variabilité de formes, de radiométrie, de type de voisinage spatial Avec la très haute résolution, nouvelles classes d'objets dans l'objet : différentes pentes de toits, fenêtres de toit, cheminées, effets d'ombre, panneaux solaires, etc. 4

5 Extraction de bâtiments pour la cartographie rapide Idées Utilisation d'un masque de focalisation pour accélérer les traitements Focalisation avec densité de contours, filtres de Gabor Urban area extraction using OTB - S. May, J. Inglada - IGARSS 2009 Travailler à une résolution dégradée dès que c'est possible pour réduire le temps de traitement Exploiter une image segmentée : temps de traitement des pixels << temps de traitement des régions Object Based Image Analysis and geo-spatial analysis. J. Michel, J. Inglada S'appuyer sur la radiométrie, la texture (contours), la forme Fusion d'images optique et radar avec théorie Dempster-Shafer - V. Poulain 5

6 Chaîne de traitement (Focalisation) Segmentation Classification des segments Focalisation Radiométrie NDVI NDVI = (NIR-RED) / (NIR+RED) NDWI NDWI = (NIR-MIR) / (NIR + MIR) Elimination rapide des zones non urbaines Texture Filtrage des formes Densité de contours Ajustement du contour Filtres de Gabor (Gabor Texture Index) (*) Filtrage Pan Tex Masque sur zones potentiellement urbaines 6

7 Algorithme densité de contour Calcul d'une densité locale de contours autour d'un pixel Filtre Sobel (detection des contours) Seuillage Calcul de la densité de contours sur un voisinage 1 seul paramètre : rayon du filtre 7

8 Détecteur Pantex Calcul du contraste à partir des descripteurs de Haralick Considérant 8 directions, calcul des matrices de co-occurence Calcul du pas de l'histogramme optimal suivant la formule de Scott Calcul du contraste avec descripteurs de Haralick La valeur de sortie du filtre est la valeur min des contrastes 1 paramètre : rayon du filtre 8

9 Filtres de Gabor Filtre de Gabor : filtre linéaire dont la réponse impulsionnelle est défini par une fonction harmonique multipliée par une fonction Gaussienne A=0.10 B=0.20 =0 f=0.25 A=0.12 B=0.12 =45 f=0.12 Propriétés intéressantes pour détécter des textures et des alignements 9

10 Algorithme de filtrage Gabor Texture Index Algorithme proposé Filtrage de Gabor dans N directions (banque de filtres de Gabor) Calcul de l'écart type des valeurs dans un voisinage du pixel Selection de la valeur médiane des valeurs pour N directions (x M canaux) Seuillage pour construire le masque binaire urbain 10

11 Chaîne de traitement Focalisation (Focalisation) Segmentation Texture Densité de contours : 1 seul paramètre. Méthode robuste et très rapide. Filtrage des formes Filtres de Gabor (Gabor Texture Index) : meilleures performances (détection d'alignements, mais temps de traitement plus long que la densité de contours. Ajustement du contour Filtrage Pan Tex : détecte les zones urbaines, mais pénalisé par un long temps de traitement Classification des segments Texture + Radiométrie à résolution 10 ou 20 m 11

12 Focalisation & OTB Masque avec densité de contour + NDVI disponible dans une application OTB otburbanareaextractionapplication 12

13 Chaîne de traitement (Focalisation) Segmentation Permet de grouper les régions homogènes Filtrage des formes Facilite la classification et accélère les traitements en avals (traitement des segments) Sur-segmentation préférée : respecte la forme des objets recherchés Segmentation : algorithme Mean-shift, Ligne de Partage des Eaux (Watershed), etc. Ajustement du contour Optionnel : pré-filtrage de l'image avec filtre Median, filtre de Lee (respect des contours) Segmentation Classification des segments 13

14 Résultats de segmentation Segmentation avec Mean-shift Rayon spectral 5 Rayon spatial 10 Taille min segment 4 14

15 Chaîne de traitement (Focalisation) Classification supervisée des segments Calcul de primitives pour les segments Segmentation Classification des segments Filtrage des formes Moyenne des variances locales Teinte, Saturation, Valeur Etc. Calcul d'une distance à l'objet d'après l'histogramme des distances aux segments (*) Classification SVM Ajustement du contour 15

16 Distance à l'objet d'après l'histogramme des distances aux segments Image Masques décrivant les classes d'objet Exploitation de plusieurs segments pour un même objet : prise en compte des éléments hétérogènes constituant l'objet Pondération avec Nk, Pré-traitements Filtrage médian Segmentation Primitives nombre de pixels du segment du dictionnaire Pour chaque classe, création d'un dictionnaire des segments représentatifs {Sk} { {Mj}k, Nk } k : [1..nb_segs_dico] j : [1..nb_cans] Pour chaque segment de l'image, calcul de la distance aux segments du dictionnaire d'une classe objet => Histogramme des distances Distance : norme L2, angle spectrale, etc. p =Pr(D<d) d : Distance à la classe objet 16

17 Distance à l'objet d'après l'histogramme des distances aux segments Distance à la classe «bâtiments à toits bruns». Probas = 2%, 5%, 10% Distance à la classe «ombre» Probas = 2%, 5%, 10% Distance à la classe «NON bâtiment NON ombre». Probas = 2%, 5%, 10% 17

18 Résultats de classification supervisée Classif. avec distances aux histos. Gain qualitatif pour l'extraction des bâtiments en exploitant la distance aux histogrammes. Classif. SVM 2 classes (radiométrie seule) Classif. SVM 2 classes (radiométrie seule + distances aux histos) 18

19 Extraction de primitives avec OTB - Monteverdi 19

20 Classification SVM avec OTB - Monteverdi 20

21 Chaîne de traitement (Focalisation) Filtrage de formes Polygonisation du contour du masque Segmentation Classification des segments Filtrage des formes Calcul de primitives de formes Périmètre Surface Compacité Filtrage des formes selon des intervalles de valeurs sur ces critères Ajustement du contour 21

22 Filtrage des formes Contours imparfaits pour les objets à fort contraste 22

23 Chaîne de traitement (Focalisation) Segmentation Ajustement du contour Tentative pour ajuster le contour de la forme détectée au mieux par rapport à l'image Contraintes sur les contours Classification des segments Filtrage des formes Ajustement du contour Contraintes sur la radiométrie Objectif : utiliser des algorithmes de type Contours actifs (snakes) Objectif : export vers des bases SIG type PostGIS 23

24 Conclusion Nécessité de prendre en compte les contraintes de temps de traitement pour l'extraction des objets en cartographie rapide Intérêt de la segmentation pour l'extraction des objets (OBIA) Intérêt de l'utilisation de l'histogramme des distances pour la classification objet 24

25 Extraction de bâtiments pour la cartographie rapide Merci pour votre attention 25

Documents pareils

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,