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
Méthodologie et résultats issus de 2 projets CHADE Change detection for update of vector database though multilevel region-based classification of VHR data 2006-2009 Post-doc financé par la Politique Scientifique Fédérale belge dans le cadre du programme ORFEO ARMURS Automatic Recognition for Map Update by Remote Sensing 2007-2010 Projet de R&D financé par l IRSIB Partenaires : ULB/IGEAT, ULB/MLG, ULB/LISA, et ERM http://www.armurs.ulb.ac.be
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)
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
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)
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 : 25 000 (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
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
Méthodologie sélectionnée Références Données X X Détection de changement
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
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
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
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
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
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)
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
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