Reconnaissance de vestiges archéologiques dans des images LiDAR Stagiaire : Bechir BEN RHIMA Encadrement : Xavier Rodier - Jean-Yves Ramel Clément Laplaige EA 6300 - Laboratoire Informatique de Tours - RFAI UMR 7324 - CITERES-LAT
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
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 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
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
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
Du LIDAR aux couches recherchées Choix du mode et de l échelle d analyse 8
Du LIDAR aux couches recherchées Caractérisation des linéaments 4 catégories retenues : Talus Ornières Talus-fossé Fossés bordiers 9
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
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 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
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
Vectorisation et étiquetage Vectorisation Approximation polygonale des squelettes ou contours Quelle méthode? récursive, itérative VectoGraph [Ramel2000] Résultats : Vecteurs + Quadrilatères + Graphe 14
Vectorisation et étiquetage (couche 1) Fossés 15
Vectorisation et étiquetage (couche 2) Reste du travail 16
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
Merci Questions? 18