Détection d'objets déplaçables en imagerie SAR et optronique haute résolution

Dimension: px

Commencer à balayer dès la page:

Download "Détection d'objets déplaçables en imagerie SAR et optronique haute résolution"

Pauline Georgette Blanchard
il y a 6 ans
Total affichages :

1 Détection d'objets déplaçables en imagerie SAR et optronique haute résolution GDR ISIS, 7 mai 2010 S. Herbin, F. Janez, J. Israel

2 ONERA/DTIM/IMS onctions visées Reconnaissance de formes (optique et SAR) Reconstruction 3D (optique et SAR) Interactivité (homme dans la boucle de décision) Détection (de cibles, de changements, évaluation de dégâts) Aide au dimensionnement de système Assistance à la sélection de schémas algorithmiques Architectures de fusion Outils mathématiques Analyse statistique Apprentissage statistique Filtrage Modèles déformables Mesures de similarité Graphes Domaines applicatifs Renseignement Indexation multi-media Guidage navigation de missiles Systèmes autonomes Videosurveillance Géographie numérique Dimensionnement de systèmes

3 Contexte Résolution et fréquence d acquisition des images de télédétection augmentent continûment, dans tous les modes Nouvelles fonctionnalités accessibles Reconnaissance d objets Interprétation fine de phénomènes et de changements Nouvelles sources de complexité à maîtriser Sources multiples d image (SAR, optronique, hyperspectral ) Données de grande taille

4 Contexte Objets déplaçables deviennent détectables et caractérisables Véhicules Avions Containers Finalité Renseignement Estimation d activité Détection Permet de localiser les éléments informatifs Automatisation d intérêt opérationnel

5 Principes généraux des approches Traitements «simples» Contrôle de la charge calculatoire Éventuellement parallélisables Facilement contrôlables Accès à plusieurs points de fonctionnement Facilement paramétrables Apprentissage sur cas Traitements adaptatifs Inclus dans une boucle interactive homme/machine Calcul massif = machine / interprétation sémantique = opérateur Traitements sont vus comme des outils d aide à l interprétation

6 Ce qui sera présenté Détection de saillance ou de zones d intérêt Filtrage TFAC Mélange d échelles locales Dénombrement de petits objets Considérations sur l évaluation Perspectives

7 Détection d objets saillants en télédétection Taille apparente des objets d intérêt de 1 à 150 pixels de large Taille des images > 40000x40000 pixels Nature du contraste des objets / fond Quelconque Nombre d hypothèses ou de types d objets 2 à 20 Variabilité des poses et cpdv Données pour la calibration des traitements Niveau de modélisation disponible distance et incidence connues présentation quelconque 10 à 1000 images en conditions opérationnelles modèle d objet 3D, image d objet, caractéristiques capteur ; cartographie Exigence en performances 80 à 99% Temps de calcul admissible Temps court

8 Détection d'objets saillants Objectifs Détection d'une classe d'objets (véhicules, avions) Tailles variées (rapport 1 à 5) Temps de calcul rapide Taux de détection maximal visé Pd = 1 FA triées dans une phase ultérieure (plus calculatoire, exploitant des modèles plus précis ou par opérateur) Deux approches Filtre TFAC Mélange de filtres à échelle d'analyse variable

9 Filtre TFAC : Principe général Principe de base : O.I. = anomalie radiométrique par rapport à son environnement directe Approche : Filtre TFAC (taux de fausse alarme constant) basé sur les techniques de suppression de fond Principe : Modélisation non stationnaire du fond Approche locale pour s adapter aux variations de fond => Balayage de l image avec un double-fenêtrage : une zone Z1 centré sur le pixel sur lequel porte la décision une zone Z2 choisie comme référence pour le fond Modélisation Statistique : loi gamma (pour le SAR) Calcul du critère Utilise le caractère étendu des objets Calcule la vraisemblance statistique du fond à partir des lois Gestion de la combinatoire : Approche multi-échelle «coarse to fine»

10 Etapes principales Image i : Pixel sur lequel porte la décision y i : radiométrie du pixel n i a y i Z2 Z12 Z1 a = taille minimale O.I. b = taille maximale O.I. b ( y) = 1) Estimation par MV p( y / Fond ) i 2) Calcul du critère i Z 1 p( y i / Fond) 3) Décision Fond (y) < > η Objet d intérêt

11 Exemple en image optique

12 Filtres TFAC : Conclusion - Perspectives roposition d une méthode de désignation rapide de zones d intérêt A considérer comme initialisation à la détection Précision de localisation liée à la qualité du MNT Application à divers modes d imagerie xtensions possibles Amélioration de l étape de caractérisation du fond Technique de filtrage (OS-CFAR, prise en compte d une classification de l image, ) Prise en compte d une cartographie : rendre plus contextuelle l opération de désignation

13 Echelle locale pour la détection d objets saillants Principe de l approche Algorithme = combinaison de filtres multi-échelle de détection de contrastes locaux (parallélisable) Saillance = lieu de forte densité de contraste Niveau et échelle des contrastes d intérêt calibrés par apprentissage B. Chalmond, B. Francesconi, S. Herbin: Using hidden scale for salient object detection. IEEE Transactions on Image Processing 15(9): (2006)

Détection de zones de densité de contrastes

de Gabor orienté (à 0 ) Contours orientés

14 Détection de zones de densité de contrastes Résultat de la détection Avions : structure particulière de contrates locaux Invariance par rotation recherchée Réponses d un filtre de Gabor orienté (à 0 ) Contours orientés dilatés Somme des contours orientés dilatés Seuillage

15 Influence de l échelle d analyse 30 pixels 2 images avec des cibles de tailles différentes Contours (contrastes locaux) L échelle de détection est adaptée aux petits avions L échelle de détection est adaptée aux gros avions 80 pixels L information d échelle est cruciale pour la détection!

16 Modèle de mélange : contraste + échelle Carte de saillance : Un indice A s (1 pour saillant, 0 pour non-saillant ) est attribué à chaque pixel s s e [ A ( e ] P[ e H ] P( A ) = P D ) s s s Variable cachée d échelle locale Caractéristiques de contraste à échelle locale e donnée Quantité sensible à l échelle locale (scale-space, Kadir-Brady ) Lois de probabilités paramétriques (fonctions logistiques) Apprentissage par EM.

17 Chaîne de traitement Image Test Pyramide multi-échelle Cartes de saillance multirésolution P( As = 1 Ys ), s pixelde l'imag Détection des maxima locaux et seuillage Lissage Combinaison : MAX à la résolution d origine

18 Exemples de résultats de détection

19 Résultats Expérimentaux : Performances globales Base d images test : Surface d image équivalente : pixels Résolution 0,5 m/pixel Contient 75 avions : 9 sur le taxiways 26 proches de hangars 40 proches de terminaux Rapport de 5 entre la taille du plus gros et du plus petit avion Recall Courbes Rappel précision Radius 15 Radius 20 Radius 25 Radius 30 Radius Seuil T 0,7 0,8 0,9 0,95 FP np TP Rappel 100,0% 97,7% 84,0% 57,3% Précision 15,8% 19,1% 27,0% 34,4% Precision

20 Dénombrement d objets Configurations Objets contrastés et isolés Objets faiblement résolus (Objets périodiques) Approche interactive Définition séquentielle de paramètres intermédiaires de la chaîne

énombrement d objets isolés Traitement L utilisateur IHM Validation de la situation entoure N cibles et un fond Détermination automatique des paramètres Top hat

21 énombrement d objets isolés Traitement L utilisateur IHM Validation de la situation entoure N cibles et un fond Détermination automatique des paramètres Top hat généralisé Seuillage de l image filtrée sélectionne la cible la plus faible Ouverture surfacique Enregistrement des paramètres liés à cette situation valide la détection finale

morphologiques Leisure boats activity Ships in Pescara

22 énombrement d objets isolés Caractéristiques : objets contrastés et isolés Approche : Combinaison d opérateurs morphologiques Leisure boats activity Ships in Pescara marina Human activity indices Vehicles in a Houston Parking

23 énombrement d objets isolés Caractéristiques : objets contrastés et isolés Approche : Combinaison d opérateurs morphologiques Leisure boats activity Ships in Pescara marina Human activity indices Vehicles in a Houston Parking

cibles Détermination automatique des paramètres Détection régions

24 énombrement d objets faiblement résolus Traitement L utilisateur IHM Validation de la situation entoure une zone et indique le nombre de cibles Détermination automatique des paramètres Détection régions Détection contours choisit un seuil Détection des zones cibles valide la détection finale

25 Dénombrement d objets faiblement résolus Choix d une région de référence

26 Segmentation Dénombrement d objets faiblement résolus

segmentation level set Surveillance de foule

27 énombrement d objets faiblement résolus Caractéristiques image : motifs texturés répétés Approche : Arbre de Markov Cachés + décomposition en ondelettes multi-échelle + segmentation level set Surveillance de foule Activité portuaire Manifestation àtoulouse Containers dans le Port de Hambourg

énombrement d objets faiblement résolus Caractéristiques image : motifs texturés répétés Approche : Arbre de Markov Cachés + décomposition en

28 énombrement d objets faiblement résolus Caractéristiques image : motifs texturés répétés Approche : Arbre de Markov Cachés + décomposition en ondelettes multi-échelle + segmentation level set Surveillance de foule Activité portuaire Manifestation àtoulouse Containers dans le Port de Hambourg

29 Evaluation : quelques considérations Point de fonctionnement En contexte opérationnel, on vise le point «Rappel = 1» S assurer que le traitement peut l atteindre? Remarque : la plupart des approches de détection d objet contemporaine ne l atteignent pas Traitements interactifs Comment mesurer le gain offert par les traitements? Passer de précision/rappel à erreur/coût?

30 Conclusion Présentation de quelques traitements de détection d objets variés sur images de télédétection Dimension interactive permet De produire des résultats de qualité dans un temps acceptable Des contextes d emploi variés Il manque une démarche systématique de conception incluant un opérateur

31 Questions?

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.