La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 les problèmes de traitement dimages en télédétection DR. NICHOLAS M. SHORT REMOTE SENSING is.

Présentations similaires


Présentation au sujet: "1 les problèmes de traitement dimages en télédétection DR. NICHOLAS M. SHORT REMOTE SENSING is."— Transcription de la présentation:

1 1 les problèmes de traitement dimages en télédétection DR. NICHOLAS M. SHORT REMOTE SENSING is the BACKBONE of the SPACE PROGRAM

2 2 remote sensing télédétection

3 3

4 4 utilisation des informations dans différentes bandes de fréquences

5 5

6 6

7 views of the nearby Crab Nebula, which is now in a state of chaotic expansion after a supernova explosion first sighted in 1054 A.D. by Chinese astronomers). high energy x-ray region visual image long wavelength radio telescope image infrared region

8 8 Gaspard-Félix Tournachon, dit Nadar, le précurseur de la photo aérienne...

9 9

10 10

11 11

12 12

13 13

14 14

15 15

16 16 signaux aléatoires bidimensionnels les définitions et les propriétés fondamentales sont des extensions directes de celles qui sont données en traitement du signal monodimensionnel moyenne, variance corrélation, densité spectrale bruit blanc stationnarité (locale) filtrage des signaux aléatoires

17 17 signaux aléatoires bidimensionnels moyenne variance, écart type dispersion autour de la moyenne corrélation densité spectrale m = E(x) E(x-m) 2 histogramme, densité de probabilité extensions des notions 1D histogramme image histogramme de la dérivée de limage

18 18 La fonction dautocorrélation Filtrage linéaire des signaux aléatoires bidimensionnels f(x,y) h(x,y) g(x,y) a pour transformée de Fourier la densité spectrale Bruit blanc 2D r(m,n)= 2 (m,n) (Impulsion à lorigine) Densité spectrale constante 2 autocorrélation

19 19 Bruit blanc r(m,n)= 2 (m,n) (Impulsion à lorigine) Densité spectrale constante 2 autocorrélation Ici une seule réalisation : Fluctuations autour De la valeur moyenne

20 20 analyse spectrale des différentes régions (importance relative des hautes et des basses fréquences, direction privilégiée, est ce que le spectre dun nouveau médaillon ressemble plus à lun des différents spectres « appris » pour chaque région ? plus de basses fréquences plus de hautes fréquences est ce que le spectre du nouveau médaillon ressemble au spectre des médaillons voisins ?

21 21 classification grâce à une analyse spectrale plus fine est ce quon trouve des pics significatifs dans la transformée de Fourier de limage ? Indication de directions privilégiées et de fluctuations assez périodiques dans ces directions privilégiées (interprétation de la transformée de Fourier en termes de sinusoïdes)

22 22 analyse fréquentielle bidimensionnelle les composantes fréquentielles les plus énergétiques

23 23 un des problèmes couramment rencontrés : décomposer limage en régions assez homogènes séparées par des contours

24 24 télédétection caractériser les régions séparer limage en régions champs routes batiments

25 25 nearest neighbour maximum likelyhood (gaussian)

26 26 in some sense, nearly all of the high-dimensional space is "far away" from the centre, or, to put it another way, the high-dimensional unit space can be said to consist almost entirely of the "corners" of the hypercube, with almost no "middle". (This is an important intuition for understanding the chi-squared distribution.)chi-squared distribution Hughes phenomenon

27 27 How different the results from different classifiers can be? Maximum likelihood Artificial Neural Networks Decision tree

28 28 mise en œuvre élémentaire des champs de markov (ici pour décomposer une image en régions) Rôle des champs de Markov pour régulariser une classification par k-means Martin DE LA GORCE - Mohamed TRIGUI Décembre 2004 principe : (issu des simulations en physique) laffectation dun pixel à une région est influencée par laffectation des pixels voisins une approche fondée sur les probabilités (recherche au hasard, avec des itérations

29 29 affecter un numéro de classe i à chaque échantillon au hasard calculer la moyenne sur les valeurs des échantillons (centre c i ) de chacune des classes chaque échantillon ( x, y ) a une valeur f ( x, y ) pour chaque échantillon, affecter maintenant le numéro de la classe dont le centre c i est le plus proche de cet échantillon ; réitérer ce processus jusquà stabilisation initialisation première classification par les k-means boucle test darrêt la distance de chaque échantillon à chacun des centres de classe c i est calculée d ( x, y, c i )

30 30 il faut essayer daméliorer ce résultat qui ne tient pas compte du fait quun pixel doit appartenir à la même classe que ses voisins

31 31 chaque pixel a une probabilité dappartenir à une classe on commence par assigner aléatoirement la classe à laquelle appartient le pixel en fonction de cette probabilité 1/6 1/3 1/2 génération dune valeur aléatoire équirépartie 123 proba dappartenance classe 0 1 1/6 1/3+1/6=1/2 1/2+1/2=1 assignation à une classe en fonction du résultat du tirage champs de markov au départ, cette probabilité est fonction de la distance au centre de la classe (la somme sur lindice i des probabilités doit valoir 1)

32 Champs de Markov (plus élaboré et plus souple que la morphologie mathématique mais sur des bases similaires : on souhaite quun pixel ait la plupart du temps les mêmes caractéristiques que ses voisins …) 1. initialisation

33 33 2. Modification de la probabilité dappartenance (ou plutôt du degré de sûreté ou de confiance) x Si le pixel dintensité x est bleu et la majorité de ses voisins aussi, la probabilité dappartenance à la classe « bleu » est augmentée (et par conséquent les autres sont diminuées 3. Processus itératif : augmentation du facteur de correction (inverse de la « température ») de sorte que les probabilités se rapprochent de zéro ou de un Analogue à un lissage (filtrage passe bas) suivi dune décision de classement

34 34 on modifie la probabilité dappartenance du pixel à chacune des classes : si un des voisins appartient à la classe i les voisins (cas le plus simple) ( x-1, y )( x+1, y ) ( x, y+1 ) ( x, y-1 ) (x,y)(x,y) distance de lintensité du pixel au centre de la clase facteur de pondération positif décroissant vers zéro en fonction du numéro ditération (« température ») termes de pénalisation liés à lappartenance des voisins signe négatif facteur de normalisation daprès la théorie il faut que les probabilités soient de la forme g.exp (u)

35 35 effectuer à nouveau un tirage aléatoire en réduisant légèrement la « température » T une fois que les probabilités ont été calculées (à un coefficient g près), il faut les normaliser (somme des probabilités égale à 1) quand la température est très basse : une seule des probabilités se rapproche de 1, car les autres probabilités samenuisent (après la normalisation décroissance de T les probabilités décroissent sauf la plus grande

36 36 rôle du coefficient choix des voisins 4 8

37 37 réglage de la sensibilité

38 38 fonction Gibbs : calcule une réalisation de la loi de Gibbs U(c) = energie_cliques pour chaque classe c pour chaque pixel calcul de U(c) et de exp(-U(c)/T (proba de chacune des classes) choix aléatoire dune classe en fonction de ces probabilités distance du pixel à la classe c rajout de 1 à 4 termes beta si Energy : calcul de lénergie totale SA : itérations température décroissante nouvelle réalisation aléatoire Gibbs évaluation de lénergie totale (vérification)

39 39 première approche commencer par analyser lhistogramme de limage qui peut donner de bonnes indications sur le nombre de classes, les seuils pertinents etc... évaluer si les méthodes sophistiquées proposées par les chercheurs améliorent nettement les résultats dans le cas du problème étudié...

40 40 quelques problèmes de télédétection comptage

41 41 exemple élémentaire de télédétection

42 42 observation renseignement

43 43 De limportance du contexte dans linterprétation dune image

44 44 analyse de lextension dun feu de forêt projet ariana inria

45 45 Introduction à la Télédétection Michaël TONON IGN France International paramètres de surface Utilisation du sol, végétation, état de surface... structures linéaires visibles sur limage infrastructures, réseau hydrographique... Les images de télédétection sont une source importante de données pour la mise à jour de données géographiques

46 46 Rouge (R) Proche Infra-Rouge (PIR) nécessité de traiter un pixel comme un vecteur (chaque composante est lintensité dans une bande de fréquence, p.ex. image couleur RVB)

47 47 Principal Components Analysis

48 48 Compensation de la distorsion pour la mise en correspondance limage satellite est vue sous un angle variable il y a déformation

49 49 (recherche de points caractéristiques) mise en correspondance dimages (voir aussi stéréo vision)

50 50

51 51 - Recherche des coordonnées de points caractéristiques (angles) - Appariement de ces points sur les deux images modèle (carte) et photo - Identification des paramètres de la transformation (par exemple déformation quadratiques)

52 52 Régénérer une image : ré-échantillonnage ; interpolation

53 53 détection de batiments réalisation dune représentation tridimensionnelle (abscisse, ordonnée et altitude) interprétation de léclairage et des ombres (voir les cours de synthèse dimages) si possible stéréovision

54 54 recherche de lignes p ex routes transformée de Hough + variations rapides cf détection de contours + tenir compte dinformations connues a priori

55 55 SUIVI DIACHRONIQUE PAR TÉLÉDÉTECTION SPATIALE DE LA COUVERTURE LIGNEUSE EN MILIEU DE SAVANE SOUDANIENNE EN CÔTE DIVOIRE Moussa KONÉ, Angora AMAN, Constant Yves ADOU YAO, Lacina COULIBALY et Kouakou Édouard NGUESSAN Résumé La région de Korhogo, au nord de la Côte dIvoire est caractérisée par une végétation savanicole de type soudanien. La forêt classée du mont Korhogo, située à proximité de la ville de Korhogo, est soumise à une forte pression anthropique. Dans cette étude, on vise à déterminer limpact des actions de lhumain sur la transformation de la couverture ligneuse naturelle et cultivée entre 1986 et La méthode de classification dirigée à laide de lalgorithme du maximum de vraisemblance a permis de réaliser les cartes de la végétation à partir dimages TM (1986) et ETM+ (2000) de Landsat avec un taux de classification global respectif de 97 % et 98 %. De ces cartes, est extraite la couverture ligneuse. Ainsi, au niveau du site de la forêt classée du mont Korhogo, la couverture ligneuse a augmenté de près de 19 %. La couverture ligneuse dans les sites autour de la forêt classée sest également accrue. Le plus fort taux (38 %), celui de la zone périurbaine, est dû aux cultures de lanacarde, du manguier et du teck. Lintroduction de la culture de ligneux dans la zone autour de la forêt classée a permis de la préserver des actions anthropiques néfastes. Ceci pourrait à long terme contribuer à la stabilisation du climat local. Mots-clés : déforestation, télédétection, couverture ligneuse, savane.

56 56 Carte de la végétation a) En 2000 b) En 1986

57 57 Taches forestières numérisées à partir des cartes de la végétation de 1986 et de 2000

58 58 Philippe Mayaux, Valéry, Michel Massart, Michelle Pain-Orcet, Frédéric Achard Évolution du couvert forestier du bassin du Congo mesurée par télédétection spatiale BOIS ET FORÊTS DES TROPIQUES, 2003, N° 277 Exemple de déforestation observée dans la région de Géména (RD Congo), entre 1986 et 1994

59 59 Le traitement de limage, réalisé par le Cirad-forêt et le laboratoire Geotrop du Ciradamis, permet de visualiser le tracé des pistes dexploitation, en fonction de leur ancienneté

60 60 navigation dun robot importance des connaissances « a priori » sur lenvironnement ! très difficile de se baser uniquement sur la vision

61 61 Attention aux fausses interprétations ! (the face on mars)


Télécharger ppt "1 les problèmes de traitement dimages en télédétection DR. NICHOLAS M. SHORT REMOTE SENSING is."

Présentations similaires


Annonces Google