Journées d Animation Scientifique (JAS09) de l AUF Alger Novembre 2009

Transcription

1 Conception d un système d information géographique pour la gestion du réseau routier urbain M. Bendouda 1 et N.E. Berrached 1, 1 Laboratoire de Recherche en Systèmes Intelligents, Dép. Electronique, Fac. Génie Electrique,USTO, Oran, Algérie VRF06BM@gmail.com, nasr1berrached@yahoo.fr Résumé Nous proposons un SIG pour la gestion du réseau routier principalement urbain. Le SIG est constitué de trois modules principaux : 1. UREDIT : ce module concerne la collecte d informations, Il inclus l extraction du réseau routier urbain à partir des images satellites. Son but est de construire la base de données géographiques et d assurer sa mise à jour. 2. URAMER : ce module consiste en la mise à jour de la base de données par le biais d un processus de recalage entre le réseau routier extrait de l image satellite et celui extrait de la carte. 3. URASK : l interrogation de la base de données géographique est rendue possible par les différentes requêtes implémentées dans ce dernier module. Afin de valider cette étude, nous avons appliqué le SIG au réseau routier urbain de la ville d Oran, en construisant la base de données géographiques de ce réseau routier. Mots clefs SIG, extraction du réseau routier urbain, image satellite, recalage. I. INTRODUCTION Le réseau routier est un élément clef pour le développement de la ville. Dans ce travail, nous avons réalisé un Système d Information Géographique pour mieux prendre en charge ce réseau routier ainsi que son évolution. Ce système offre aux experts, un moyen robuste de prise de décisions, dans divers domaines tels que, la protection civile, les interventions militaires, la gestion du trafique routier ainsi que le développement économique. Au sein du laboratoire LARESI, existe un projet de réalisation d un système d informations géographiques afin de gérer les données spatiales, vu leurs importance dans la gestion et le développement du territoire, dans ce cadre, nous avons réalisé notre système UREGIS (Urban Road Extraction Geographical Information System). UREGIS est un ensemble de modules, dédié à la gestion du réseau routier urbain. Il a pour objectifs d assurer la création de la base de données géographiques urbaines, la mise à jour, l analyse et la visualisation de cette base, de façon à faciliter la gestion et le contrôle du réseau routier urbain. II. ETAT DE L ART SUR L EXTRACTION DU RESEAU ROUTIER Nous utilisons les images de télédétection dans le but d'extraire le réseau routier urbain. L extraction de ce réseau dans le milieu urbain est une tâche très ardue à cause de la complexité de ce milieu, tels que la présence des voitures, des arbres et des ombres portées des bâtiments [03], [05]. De ce fait, un grand nombre de travaux de recherche a été publié à la fois dans le domaine géospatial et le domaine de la vision par ordinateur ; et surtout avec l'arrivée des images de télédétection de haute résolution la mise à jour des cartes routières à grande échelle est devenue abordable. Wang et son équipe ont appliqué des masques directionnels sur des images de télédétection à 10 m de résolution spatiale, afin de détecter et d extraire les rues représentées par des lignes minces ou épaisses [03]. Haverkamp propose une méthode pour extraire de manière semi automatique des réseaux en grille à partir des images du satellite IKONOS. Il utilise à la fois l information contenue dans l image multispectrale et dans l image panchromatique [03]. Les algorithmes de recherche d itinéraire optimal ont été largement employés pour l extraction des routes dont l'optimisation peut être réalisée soit par la programmation dynamique [06,02], soit par les contours actifs [03,09] ou par le filtrage de Kalman [04]. D autres travaux se dirigent vers les techniques de fusion d images provenant de plusieurs capteurs telles que la fusion satellite/radar [01], ou l injection de l information d une image multispectrale basse résolution dans une image panchromatique haute résolution, comme Y. Zhang [07]. Lee Sung Yiau utilise des images multispectrales MSI, afin de bien mettre en évidence le réseau routier urbain, en considèrant la couleur comme la primitive discriminante pour son système de reconnaissance de forme [08]. Pour alimenter la base de données routière, nous avons implémenté plusieurs algorithmes d extraction du réseau routier urbain à partir des images satellites, et cela à cause de la complexité du milieu urbain et à la multiplicité de la résolution des images satellites utilisées. III. DESCRIPTION DU SYSTEME Le noyau de notre système d information géographique est la partie «extraction du réseau routier urbain à partir des images satellites». Nous avons dû implémenter pour cela plusieurs algorithmes du fait de la complexité du problème d extraction du réseau routier urbain à partir des images satellites, comme le montre le schéma synoptique Fig 1. Ce module intègre trois méthodes d'extraction du réseau routier urbain qui sont - Algorithme F* - Contours actifs géométriques - Extraction multispectrale. Nous décrivons sommairement ces algorithmes dans ce qui suit.

2 Urban Road Extraction Geographical Information System URASK - Analyse de données. - Interrogation de la BDD routière. UREDIT L'algorithme F* Les contours actifs géométriques Extraction multispectrale URAMER -Géo referencement des cartes et des images. - Mosaicage d'images. Fig.1 Synoptique général de notre SIG. A. L'algorithme F* La complexité des scènes pré-urbaines et urbaines (présence d arbres aux bords de la route, l'ombre porté des bâtiments et des arbres ) rend la tâche d extraction du réseau routier très difficile. Une extraction globale dans toute l image n est pas préférable car le résultat peut être complètement incohérent, aussi avons-nous appliqué une méthode d extraction locale afin de faire face à ce problème. En plus de leurs robustesses, les méthodes de suivi de route ou «Road tracking», telles que les algorithmes de programmation dynamique permettent d extraire localement des segments appartenant à la route. L'algorithme F* est un algorithme de programmation dynamique. Son principe est qu à partir d'une amorce, il détecte les segments qui appartiennent à la route en optimisant certains critères. Vue la complexité du milieu urbain nous avons amélioré l algorithme F* classique, afin de pouvoir détecter les routes dans chaque direction dans la fenêtre de recherche, comme l'illustre la figure suivante : L algorithme F* recherche un chemin optimal entre un point de départ et un point d arrivée en optimisant une fonction coût [02]. Dans notre cas, la sélection du point de départ est automatique. Nous avons implémenté un processus qui recherche et valide par la suite les amorces trouvées. Le point d arrivée est choisi parmi les différents points candidats en sélectionnant le chemin optimal parmi l ensemble des chemins trouvés. Les différentes étapes de l'algorithme F* sont décrites par l'organigramme suivant: 1. Sélection automatique d'une amorce route. 2. Construction de la fenêtre de recherche. 3. Calcul des tableaux C des coûts et P des poids. 4. Calcul de tous les chemins allant des points candidats (qui se trouvent sur la dernière colonne de la fenêtre de recherche) jusqu'au point de départ, et ce dans les trois parties de la fenêtre de recherche. 5. Évaluation des deux notes relatives aux deux critères d'optimisation. 5.1 N1 évalue le critère de l'homogénéité de radiométrie. 5.2 N2 évalue le critère du profil transversal. 5.3 N et la moyenne des notes N1 et N2. 6. Sélection du chemin optimal, celui qui possède une note N élevée. 7. Définir le nouveau point de départ le long du chemin optimal sélectionné. 8. Refaire les étapes de 2 à 7 jusqu'à ce qu'il ne reste plus de place pour dessiner la fenêtre de recherche. Nous avons appliqué l'algorithme F* sur des images satellites de basse résolution. Nous avons réussi à extraire jusqu'à 85,58% des routes principales (autoroute, route nationales) vu leur visibilité, et nous avons eu un taux de 40,08% pour les routes secondaire. Ceci confirme que les images de basse résolution ne permettent pas d'extraire la structure fine du réseau routier urbain, d'où la nécessité de travailler avec les images satellites de haute résolution. Partie horizontale supérieure Point de depart Chemins trouvés Partie horizontale inférieure Fig.2 Principe de recherche dans la fenêtre de recherche de l algorithme F*. Partie verticale Points candidats (a) (b) Fig.3 (a) Image originale résolution de 10m, (b) Réseau routier extrait. B. Les contours actifs géométriques (GAC) Les modèles classiques des contours actifs 'snake' se concentrent sur l extraction d objets aux formes particulièrement remarquables. De ce fait les contours actifs géométriques ont été introduits, afin de permettre : 1. L incorporation d une information géométrique dans la fonction d énergie du snake, 2. Utilisation des courbes de niveaux afin d assurer le changement de topologie (détection de plusieurs objets à la fois) [09].

3 Soit la fonction d énergie à minimiser : ( ) = α ( ) + β ( ) λ ( ( )) E C C p dp C p dp I C p dp (01) telle que : C : le contour initial, P : point de ce contour, α : facteur d'élasticité, λ: une constante réelle, dont le signe permet de créer localement un mouvement de contraction ou de dilatation. Début Image originale Segmentation de l image Elimination de la végétation Le principe des GAC est le suivant : 1. Annuler le facteur de rigidité ( β=0), 2. Remplacer le détecteur de contour I par une fonction g plus générale dépendant du gradient de I [09]. Alors la fonction d énergie à minimiser devient : 1 1 ( ) ( ) = α ( ) + λ ( ( )) E C C p dp g I C p dp (02) 0 0 Pour minimiser l équation précédente, nous devons chercher dans la direction du gradient le chemin qui minimise C [10]. L évolution de la courbe est donnée par : C r r r = g( I) κ N ( g. N ) N (03) t Le changement de topologie est rendu possible par le biais de l'utilisation des courbes de niveaux levelset de Osher et Sethian. C'est ce qui fait l'intérêt de ce modèle par rapport aux contours actifs classiques. En changeant la représentation de la courbe paramétrée C implicitement avec une courbe de niveau ψ [10], qui est une fonction distance signée, on obtient l'équation suivante : ψ = g( I ) ψ κ + g ( I ). ψ (04) t Extraction couleur Image binaire Image contour Segmentation basée contour Segmentation basée forme Réseau routier final Fig.5 Organigramme général. Fig.6 Extraction du réseau routier urbain de la ville de Paris. Fig.4 Application des contours actifs géométriques sur une image satellite haute et basse résolution. C. L extraction multispectrale Avec l émergence des images satellites à haute résolution l extraction surfacique du réseau routier devient abordable. Cette méthode s inscrit dans les techniques de classification. Son but est de classer la scène imagée en deux classes principales, la première est la classe de l objet d intérêt à savoir les routes et la seconde est celle des objets non route [08]. Son principe est schématisé par l organigramme suivant : Nous avons calculé quatre facteurs afin de déterminer l'exactitude de l'extraction [11] : 1. Correctness : est le ratio entre la longueur d extraction correcte du réseau routier extrait et la longueur totale du réseau routier extrait. La valeur optimale est également à Completeness : cette mesure nous donne la précision de l extraction, elle représente le ratio de la longueur correcte du réseau routier extrait avec la longueur totale du réseau routier dans l image de référence. La valeur maximale est également à Omission : le taux des pixels omis, qui représente les pixels appartenant à la route que nous n avons pas pu extraire, 4. Commission : le taux des pixels commis, qui représente les pixels n appartenant pas à la route que nous avons extrait comme lui appartenant. Ces quatre paramètres sont calculés respectivement par les formules suivantes :

4 Completness = Nb _ correct / Nb _ ref (05) Correctness = Nb _ correct / Nb _ extract (06) Omission = Nb _ VN / Nb _ ref (07) Commission = Nb _ FP / Nb _ ref (08) Le tableau suivant contient les résultats de l évaluation de l algorithme de l extraction multispectrale de la route. Nous avons obtenu un taux moyen d extraction allant jusqu à 84,216% pour les scènes semi urbaines et jusqu à 66,275% pour les scènes urbaines. Image Completness Correctness Omission Commission Image1 66,05 61,05 5,06 7,47 Image2 94,84 53,12 7,14 10,36 Image3 84,11 50,56 4,75 14,69 Image4 90,1 22,19 8,55 33,55 Image5 85,98 85,5 4,76 2,59 Image6 61,19 17,42 8,32 32,46 Image7 57,32 33,88 5,31 19 Image8 52,15 36, Image9 94,44 46,65 2,62 31,84 Moyenne 76,242 45,188 5,834 18,44 Fig.7 Evaluation des résultats de l extraction multispectrale. IV. MODELISATION DU SYSTEME Après l extraction du réseau routier nous avons conçu la base de données routières. Une base de données est l'association entre une schématisation de la réalité et les objets décrivant cette réalité. Afin de réaliser cette schématisation, nous avons utilisé la méthode de conception MODUL_R basée sur la démarche Merise qui est bien adaptée à la conception des SIG [12], dont la principale caractéristique est la modélisation relationnelle de la réalité, permettant ainsi de représenter les objets et leurs comportements ou leurs relations dans le monde réel. La figure suivante illustre le modèle conceptuel de données, qui est constitué de neuf entités, tel que route, tronçon et intersection qui représentent A. Le module URAMER Afin de mettre à jour la base de données routière, nous avons implémenté un processus de recalage pour mettre en correspondance le réseau routier extrait de l image satellite avec celui extrait de la carte routière. Détection des points d intérêts. Appariement des points d intérêts. Calculs des coefficients translation, rotation et homothétie. Recalage des réseaux et fusion des images. Extraction des primitives Mises en correspondance Estimation du modèle de de transformation Transformation des images Fig.9 Schéma descriptif de l approche de recalage proposée. Nous utilisons le détecteur de coin Harris afin de détecter les points d intérêt dans les deux images. Son principe est décrit par l organigramme suivant [13] : Lisser l image Calculer le gradient de l image Calculer la matrice M de Harris Calculer la réponse R R>0 Mettre à jour la liste des coins Affichage des coins Fig.10 Principe du détecteur de coins Harris. La matrice M et la réponse R sont calculées par les formules suivantes : 2 Ix IxI y M = 2 IxI y Iy (09) R = D et( M ) ktrace( M ) 2 (1 0 ) Tel que : 2 ( ) ( ) ( ) Det M = I I I I et Trace M = I + I x y x y x y le réseau routier urbain. Fig.8 Modèle conceptuel de donnée MCD. Afin de correspondre l ensemble des points d intérêts dans les deux images, nous avons utilisé la corrélation comme mesure de similarité. Le principe de la mise en correspondance est le suivant :

5 - Dessiner une fenêtre de corrélation centrée en un point d intérêt P1 dans l image 1. - Dessiner une fenêtre de corrélation centrée en chaque point d intérêt de l image 2 susceptible de lui correspondre. - Calculer le score de corrélation entre ces fenêtres. - Choisir le correspondant de P1 le point P2 qui possède un score élevé. quelques critères, comme l illustre la figure suivante. Raccourcis des modules d UREGIS A barre d outils L échelle de la base Zone d analyse de la BDD (a) (b) Zone de zoom Espace de visualisation La barre d état Fig.13 Interface d interrogation de la base de données géographiques. V. CONCLUSION (c) Fig.11 (a) : réseau extrait de la carte, (b) : réseau extrait de l image satellite, (c) : résultat de la mise en correspondance des deux réseaux. Mais avant d appliquer ce processus de recalage, l image satellite et la carte routière doivent être géor eferencées, afin de permettre de faire des opérations de calcul d itinéraire et de surface. Le même principe du recalage est appliqué, sauf que les points d intérêts proviennent soit de la carte soit en utilisant un GPS. Nous avons mis en œuvre UREGIS, un SIG pour la gestion et la manipulation de base de données du réseau routier. Ce SIG contient plusieurs modules allant du module d acquisition de données jusqu'au module de création de carte, passant par d autres modules intermédiaires. L étape clé de tout système d informations, est l acquisition et la collecte d informations. Dans notre SIG, le module d acquisition s appuie sur l extraction du réseau routier à partir des images satellite. Cette extraction a fait l objet d une étude approfondie, qui a exigé d appliquer plusieurs méthodes et cela du fait de la complexité de la tâche à réaliser, qui est en fait liée à la structure complexe du milieu urbain. VI. REFERENCES Les points d amers nécessaires pour le calage de la carte Coordonnées réelles Fig.12 Interface de géoreferencement. B. Le module URASK Le rôle de ce module et d interroger la base de données routière, où nous avons programmé un ensemble de requêtes permettant ainsi l affichage de la BDD selon [01] Y. Hu, Automated extraction of digital terrain models, roads and buildings using airborne lidar data, PhD dissertation, Department of Geomatics Engineering, University of Calgary, [02] R. Bonnefon & P. Dhérété, J. Desachy, Automatic tracking of linear features on SPOT images using dynamic programming, Proc. Image and Signal Processing for Remote Sensing V, Italie, [03] R.Péteri, Extraction de réseaux de rues en milieu urbain à partir d'images satellites à très haute résolution spatiale, Ecole des Mines de Paris, [04] R.Ruskoné, Extraction automatique du réseau routier par interprétation locale du contexte : application à la production de données cartographiques, Université de Marne-La-Vallée, [05] C. Lacoste, Extraction de réseaux linéiques à partir d'images satellitaires et aériennes par processus ponctuels marqués, INRIA Sophia Antipolis, [06] R. Bonnefon, P. Dhérété & J. Desachy, Automatic tracking of linear features on SPOT images using dynamic programming, Proc. Image and Signal Processing for Remote Sensing V, 1999.

6 [07] Y. Zhang & R. Wang, Multi-resolution and multi-spectral image fusion for urban object extraction, Department of Geodesy and Geomatics Engineering, University of New Brunswick, 2003 [08] L.S Yiau, Extracting Road Networks from High-Resolution Satellite Images, School of Computer Engineering, Nanyang technological university, 2003/04. [09] M.Rochery, Contours actifs d ordre supérieur et leur application à la détection de linéiques dans des images de télédétection, Université de Nice - Sophia Antipolis, [10] F. Barbaresco, S. Bonney, J. Lambert & B. Monnier, Contours actifs geodesiques et a modeles contraints pour le suivi des orages dans un contexte multisenseur : radar, interferometre VHF, satellite IR, Seizième colloque GRETSI, [11] C. Heipke, H. Mayer & C. Wiedemann, Evaluation of automatic road extraction, Technische Universit at Munchen [12] F.Pinet, A.Lbath, F.Vigier & M.Schneider, Conception de Systèmes d Information à Référence Spatiale (SIRS) communicants pour les agrosystèmes, Académie d Agriculture de France, [13] N. Bruce & P. Kornprobst, Harris Corners in the Real World: A principled selection criterion for interest points based on ecological statistics, Institut National de Recherche en Informatique et en Automatique INRIA, 2008.