Reconnaissance de vestiges archéologiques dans des images LiDAR

Dimension: px

Commencer à balayer dès la page:

Download "Reconnaissance de vestiges archéologiques dans des images LiDAR"

Sylvaine Dussault
il y a 8 ans
Total affichages :

Rodier - Jean-Yves Ramel Clément Laplaige EA 6300 -

1 Reconnaissance de vestiges archéologiques dans des images LiDAR Stagiaire : Bechir BEN RHIMA Encadrement : Xavier Rodier - Jean-Yves Ramel Clément Laplaige EA Laboratoire Informatique de Tours - RFAI UMR CITERES-LAT

2 Plan Introdcution Contexte : Projet SOLIDAR Collaboration archéologues / informaticiens Architecture prévue Des données LIDAR aux couches recherchées Caractérisation des éléments d intérêt Approche par traitement d images décision binaire Approche par classification Cartes de probabilités Vectorisation et étiquetage Technique de vectorisation des couches Post-traitements Conclusion et perspectives 2

3 Introduction Projet SOLIDAR Projet régional Forêts de Chambord, Boulogne, Russy et Blois Données LIDAR Données LIDAR = Nuage de points XYZ Classification des données Modèles Numériques de Terrain Quantités de données, précision, 3

Introduction Analyse des linéaments Des milliers de kilomètres dans l emprise du projet SOLiDAR Analyse visuelle et vectorisation manuelle très fastidieuse Quels types d

4 Introduction Analyse des linéaments Des milliers de kilomètres dans l emprise du projet SOLiDAR Analyse visuelle et vectorisation manuelle très fastidieuse Quels types d images raster dérivées de LIDAR utilisés? Adéquation avec l analyse des linéaments Modèle d ombrage? Pente/Gradient? Local Relief Model? Analyse multi-sources possible? 4

5 5

6 Architectures prévues Introduction Données LIDAR Reonstruc- -tion Image SVF (pixels) Image HS (pixels) Filtrage, analyse, seuillage Couche i - 1 Couche i d information (image binaire) Vectorisation et caractérisation Données vectorielles étiquetées (SVG++) ImageMNT Couche i + 1 Travail prévu (stage) Etude des méthodes actuelles de détection d objets dans les images naturelles ou LIDAR Etude et prise en main des librairies utilisables (computer vision, machine learning) Mise au point d une nouvelle méthode de détection et extraction d éléments archéologiques d intérêt : linéaments Mise en place de méthodes de localisation / classification des différentes catégories (couches) de linéaments présentes dans les images Mise en place d une méthode de vectorisation des différentes catégories (couches) de linéaments présentes dans les images Réalisation d expérimentations sur les données LiDAR de Chambord et analyse des résultats obtenus 6

7 Architectures prévues Introduction Données LIDAR Reonstruc- -tion Image SVF (pixels) Image HS (pixels) Caractérisation Classification Couche i - 1 Couche i d information (carte de proba.) Vectorisation et caractérisation Données vectorielles étiquetées (SVG++) ImageMNT Couche i + 1 Base d apprentissage Travail prévu (stage) Etude des méthodes actuelles de détection d objets dans les images naturelles ou LIDAR Etude et prise en main des librairies à utiliser Mise au point d une nouvelle méthode de détection et extraction d éléments archéologiques d intérêt : linéaments Mise en place de méthodes de localisation / classification des différentes catégories (couches) de linéaments présentes dans les images Mise en place d une méthode de vectorisation des différentes catégories (couches) de linéaments présentes dans les images Réalisation d expérimentations sur les données LiDAR de Chambord et analyse des résultats obtenus 7

8 Du LIDAR aux couches recherchées Choix du mode et de l échelle d analyse 8

9 Du LIDAR aux couches recherchées Caractérisation des linéaments 4 catégories retenues : Talus Ornières Talus-fossé Fossés bordiers 9

10 Du LIDAR aux couches recherchées Approche par traitement d images (en cours) Objectif : Séparation des images en couches d information Résultats : 1 couche = 1 Image binaire Traitements à appliquer Filtrage médian /gaussien Seuillages multiples pour extraction des couches Morphologie mathématique Analyse des composantes connexes Opérations arithmétiques entre couches 10

11 Du LIDAR aux couches recherchées Résultats : 1 couche = 1 image binaire Couche fossés Couche Talus + fossés + 11

Du LIDAR aux couches recherchées Approche par apprentissage / classification (prévue) Objectif : Extraction de couches d information Résultats : 1 couche = 1 carte de probabilités Tâches à réaliser

12 Du LIDAR aux couches recherchées Approche par apprentissage / classification (prévue) Objectif : Extraction de couches d information Résultats : 1 couche = 1 carte de probabilités Tâches à réaliser Définition des caractéristiques de description des pixels Construction de bases d apprentissage Définition des classificateurs (modèles) Fusion combinaison des résultats de classification Analyse des cartes de probabilités 1 pixel = listes de descripteurs Classification [Lidar, gradient, intensité, texture, ] Fossé = 0,9 Talus = 0,3 Ornières = 0,1 12

13 Du LIDAR aux couches recherchées Résultats : 1 couche = 1 carte de probabilités 1 pixel = n probabilités d appartenance aux n classes Visualisation : 1 valeur de probabilité = 1 couleur 13

14 Vectorisation et étiquetage Vectorisation Approximation polygonale des squelettes ou contours Quelle méthode? récursive, itérative VectoGraph [Ramel2000] Résultats : Vecteurs + Quadrilatères + Graphe 14

15 Vectorisation et étiquetage (couche 1) Fossés 15

16 Vectorisation et étiquetage (couche 2) Reste du travail 16

17 Situation actuelle Conclusion et perspectives Compréhension des données et de la terminologie Etat de l art sur l analyse d images dérivées de LIDAR Etat de l art sur la vectorisation Approche Traitement d images bien entamées Perspectives Poursuite approche Traitement d images Codage de la vectorisation Expérimentations Approche classification Expérimentations et comparaison des approches 17

18 Merci Questions? 18

Documents pareils

Franck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER

Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,