Détection de changements structuraux ISSN avant et après une catastrophe École de technologie supérieure, Montréal, Québec, Canada
Plan Introduction Détection de changements Différence Ratio de pixels Détection des éléments linéaires Gradient simple : Sobel Canny-Deriche Laplacien de gaussienne Plateforme ORFEO
Introduction Mise en contexte Activation de la Charte internationale Espace et catastrophes majeures Activation Acquisition des images satellites images archivées images de crise Production des cartes de dommages Traitement automatique des images Assistance au photo-interprète
Activation de la Charte
Activation de la Charte: Tsunami Indonésie déc. 2004
Activation de la Charte: images satellites Archives
Prétraitement et vue pleine résolution Image avant Image après
Zones de dommages
Cartes de dommages image avant cartographie des zones sinistrées image après
Aide à la construction des cartes de dommages Détection et classification des bâtiments Comptage Fusion Détection des structures linéaires (routes, lignes,...) Zones sinistrées Détection de changements Qualification des dommages Archives Fusion OTB
Détection de changements Images satellitaires pour détecter les changements Analyse d images de télédétection multitemporelles captées de la même zone géographique afin d identifier les changements apparus entre les dates d acquisition. Méthodes pour détecter le changement soustraction ratio Difficultés conditions d éclairage, capteurs, époque de saisie, orbite
Détection des éléments linéaires Gradient simple : Sobel Canny Laplacien de gaussienne
Gradient simple : Sobel G = G 2 x + G2 y Gx Gy G = tan 1 G y G x
Détecteur de Canny Principe : Critères détection optimale d arêtes bruitées Bonne détection Minimiser probabilité de faux positifs Minimiser probabilité de ne pas détecter une vraie arête Bonne localisation Contrainte de réponse unique Minimiser le nombre de maxima locaux autour de la vraie arête Opérateur optimal Filtre RIF complexe, approximé par : dérivée première de gaussienne
Algorithme 1. Filtrer l image par une gaussienne 2. Dérivée première de l image filtrée 3. Amplitude et direction du gradient 4. Maximum local dans la direction du gradient Algorithme: amincissement des arêtes 5. Seuillage avec hystérésis
1- Filtrer l image par une gaussienne J = I G σ 2- Dérivée première de l image filtrée J = (J x,j y )=G(x, y) J x : -1 1 ou -1 0 1 J y : -1 1 ou -1 0 1 3- Amplitude et direction du gradient G = J 2 x + J 2 y J = G(x, y) G = tan 1 J y J x
1 2 3 - Méthode alternative: gradient de gaussienne (G σ I) = G σ I 4- Maximum local dans la direction du gradient Algorithme: amincissement des arêtes 5- Seuillage avec hystérésis G( x, y) > τ h arête gardée ( ) < τ l arête rejetée ( ) τ h gardée si dans direction G x, y τ l G x, y des gradients voisins
Laplacien de gaussienne Principe: appelé aussi: Opérateur de Marr-Hildreth Différence de Gaussiennes Chapeau mexicain Les variations d éclairement sont détectées à plusieurs échelles spatiales Il n existe pas d opérateur à taille fixe qui est effectif à toutes ces échelles Détection optimale opérateur de taille variable avec un filtre gaussien
Algorithme 1.Choix de l échelle σ de la gaussienne 2. Laplacien de l image filtrée 3. Détection des passages par zéro G σ I 2 (G σ I) =( 2 G σ ) I 2 G σ (x, y) = 1 πσ 4 [ 1 (x2 + y 2 ] ) 2σ 2 e [ ] (x 2 +y 2 ) 2σ 2
Opérateur chapeau mexicain 2 G σ (x, y) = 1 πσ 4 [ 1 (x2 + y 2 ] ) 2σ 2 e [ ] (x 2 +y 2 ) 2σ 2 que l on peut approximer par une différence de gaussienne 2 G σ (x, y) =LoG = DoG(σ e,σ i ) DoG = (x 1 2 +y 2 ) 2σ e e 2 1 (x 2 +y 2 ) 2σ e i 2 2πσe 2πσi avec σ i σ e =1, 6 W =2 2σ
2 G σ (x, y) =LoG = DoG(σ e,σ i ) DoG = (x 1 2 +y 2 ) 2σ e e 2 1 (x 2 +y 2 ) 2σ e i 2 2πσe 2πσi avec σ i σ e =1, 6 W =2 2σ
Exemples de masques de LoG
Chapeau mexicain (LoG) σ 2 =2
Quelques exemples Mission de Santa Fe chapeau mexicain 13x13
Chapeau mexicain 13x13 Seuil positif Seuil négatif Passages par zéro
Chapeau mexicain 17x17 Seuil positif Seuil négatif Passages par zéro