Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région

Dimension: px

Commencer à balayer dès la page:

Download "Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région"

Gisèle Martineau
il y a 8 ans
Total affichages :

1 Détection de changements pour la mise à jour de BD géographiques vectorielles par classification par région de données satellitaires à THR Eléonore Wolff Analyse Géospatiale Institut de Gestion de l Environnement et d Aménagement du Territoire Université Libre de Bruxelles

à THR Eléonore Wolff Analyse Géospatiale Institut de Gestion de l

2 Méthodologie et résultats issus de 2 projets CHADE Change detection for update of vector database though multilevel region-based classification of VHR data Post-doc financé par la Politique Scientifique Fédérale belge dans le cadre du programme ORFEO ARMURS Automatic Recognition for Map Update by Remote Sensing Projet de R&D financé par l IRSIB Partenaires : ULB/IGEAT, ULB/MLG, ULB/LISA, et ERM

Fédérale belge dans le cadre du programme ORFEO ARMURS Automatic Recognition for Map Update by Remote Sensing

3 Besoins pour la mise à jour Etude des méthodes et besoins de mises à jour dans différentes organisations produisant des bases de données topographiques Belges Internationales Institut Géographique National Centre Informatique de la Région Bruxelles-Capitale Ministère de l Equipement et des Transports, Région Wallonne Agentschap voor Geografische Informatie Vlaanderen Institut Géographique National (Fr) Ordnance Survey (UK) Bundesamt fur Kartografie und Geodäsie (D)

Région Bruxelles-Capitale Ministère de l Equipement et des Transports, Région Wallonne Agentschap voor Geografische

4 Besoins pour la mise à jour Intervalle trop long entre les mises à jour Tendance à mettre en place une mise à jour en continu Mais Travail de récolte des données de changement fastidieux Malgré le concours des utilisateurs (signalement des changements) Besoin d outil de planification de la mise à jour, de détection et d identification du changement A la recherche d une méthode de détection des changements à partir de BD géographiques vectorielles et d images à THRS

des changements) Besoin d outil de planification de la mise à jour, de détection et d identification du changement A

5 Etat de la question (I) Besoin de méthodes pour détecter et identifier les changements (Baltsavias, 2004; Bouziani et al., 2010) Bâti et routes = objets + importants, à mettre à jour + fréquemment (Knudsen et al., 2003; Baltsavias, 2004; Zhang et al., 2004; Unsalan et al., 2005; Bouziani et al., 2010) Méthodes de détection de changement «image-image» (Knudsen et al., 2003) ou «BD-image» (Walter, 2004) 3 étapes : détection, identification et saisie des changements dans la BD Détection = phase la + difficile (Walter, 2004)

, 2004; Unsalan et al., 2005; Bouziani et al., 2010) Méthodes de détection de changement «image-image» (Knudsen et al.

6 Etat de la question (II) Utilisation de connaissances à priori très importante : Grâce à des règles, modèles ou utilisation du contexte (Baltsavias, 2004) Pour définir les zones d entraînement (Petzold et al., 1999; Notarnicola et al., 2009) Après 5 ans, 7% des bords des objets changent en Europe de l Ouest pour BD au 1 : (Walter, 2004) Même si peut être problématique en raison d un manque d exactitude ou de complétude (Baltsavias, 2004) Problème de correspondance entre les changements détectés et les objets de la BD Regroupement de cartes = création d une BD sur base de 2 BD (Zhang et al., 2004) Résultats de l enquête sur les besoins convergent avec l état de la question

, 2009) Après 5 ans, 7% des bords des objets changent en Europe de l Ouest pour BD au 1 : 25 000 (Walter, 2004) Même si peut être problématique en raison d un manque d

7 Méthodes de détection des changements Détection des changements = 3 groupes de méthodes : Change enhancement Post-classification (rouge) BD-classification (bleu) Par classification orientée objet (segmentation préalable) Avantages Pallier haute variabilité spectrale locale Pallier pauvreté spectrale de la THRS par de texture ou de forme Diminuer le nombre d objets à classer

orientée objet (segmentation préalable) Avantages Pallier haute variabilité spectrale locale

8 Méthodologie sélectionnée Références Données X X Détection de changement

9 Méthodologie (I) Ortho-rectification des images avec MNT le + précis possible Très important pour minimiser les décalages entre image et BD Segmentation Segmentation multi-résolution dans ecognition fusionne pixels ou régions existantes en minimisant l hétérogénéité moyenne et en maximisant leur homogénéité respective (selon caractéristiques spectrales et de forme) En fixant un paramètre d échelle (taille des objets) +sieurs niveaux de segmentation emboîtés : hiérarchie des objets (sous-objet et super-objet) 1 er niveau = BD à mettre à jour 2 ème niveau = segmentation sur l image P 3 ème niveau = segmentation sur les images P et XS

respective (selon caractéristiques spectrales et de forme) En fixant un paramètre d échelle (taille des objets) +sieurs niveaux de segmentation emboîtés :

10 Méthodologie (II) Légende hiérarchique Calcul d attributs spectraux, texturaux et morphologiques Réduction/sélection du nombre d attributs Selon paramètres d interprétation visuelle utilisés et formalisés dans une clef Entraînement et validation Interprétation visuelle des changements % BD Entraînement : Échantillon aléatoire de points sélection au prorata des % des types d occupation du sol Validation avec BD mise à jour

formalisés dans une clef Entraînement et validation Interprétation visuelle des changements % BD

11 Méthodologie (III) Classification dans ecognition par Seuillage et Plus proche voisin Seuillage pour les classes les plus faciles à identifier sur certains attributs définis par l utilisateur en fonction des critères d interprétation visuelle Plus proche voisin pour les autres classes Détection des changements Comparaison pour tous les objets entre La classe identifiée sur l image La classe reclassée au départ de la base de données

critères d interprétation visuelle Plus proche voisin pour les autres classes Détection des changements

12 Applications Projets Zones d étude BD Images CHADE Arlon PICC LPIS Top10V-GIS QUICKBIRD Toulouse BD Topo Pays Simulations PLEIAIDES et COSMOS Modèle numérique de surface ARMURS Bruxelles UrbIS Top10V-GIS GEOEYE-1 Jodoigne PICC Top10V-GIS IKONOS

Simulations PLEIAIDES et COSMOS Modèle numérique de surface

13 Résultats sur Jodoigne Alors que la classification semble bonne, évaluation des résultats peu concluante: Kappa: 0.41 et Exactitude globale: 0.71 Problèmes Terres agricoles labourées mais non couverte de végétation Classée en sol nu sur l image Reclassée en végétation à partir de la base de données Occlusions causées par la végétation sur les routes et plans d eau Hétérogénéité de la classe jardin dans Top10V-GIS: Classé en constructions, végétation, dans l image classée Reclassée en végétation à partir de la base de données

71 Problèmes Terres agricoles labourées mais non couverte de végétation Classée en sol nu sur l image Reclassée en végétation à

14 Résultats sur Toulouse Détection des changements Interprétation de référence white: no change; red: construction of building; dark blue: construction of road; orange: destruction of building; light blue: destruction of road; light green: destruction of vegetation; black: occlusion Evaluation visuelle révèle une bonne classification de la nature des changements. Changements principaux Construction de routes (bleu foncé) Construction de bâtiments (rouge) Destruction de bâtiments (orange)

destruction of vegetation; black: occlusion Evaluation visuelle révèle une bonne classification de la nature des

15 Résultats sur Toulouse Matrice de confusion Surestimation de constructions de bâtiments causée par : l utilisation de la présence d ombre utilisée comme attribut dans la classification La présence de grandes ombres autour des bâtiments élevés Surestimation de constructions de route s expliquant par Non détection de segments de routes longs et étroits Mauvaise détection le long des bords Exactitude de la détection des changements = 78% (75% sans MNS) Trop de changements classés en non-changement

Surestimation de constructions de route s expliquant par Non détection de segments de routes longs et étroits Mauvaise

16 Avantage de la méthode : Conclusions Permet de détecter les changements et leur nature Utilisation de la BD comme 1 er niveau de segmentation résout le problème de l «object matching» Classification par région permet d utiliser des attributs spectraux, texturaux, morphologiques et de contexte Permet d inclure dans le processus de classification des données exogènes (Modèle Numérique de Surface, ) Cependant, Non-changement à identifier de façon plus fiable avant toute application + opérationnelle

spectraux, texturaux, morphologiques et de contexte Permet d inclure dans le processus de classification des données

Documents pareils

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /