Identification automatisée d’espèces d’arbres dans des scans lasers 3D De l'Acquisition à la Compression des objets 3D (AC3D) Porquerolles 2013 OTHMANI Ahlem 2013

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 01

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Gestion des forêts Surface boisée en France métropolitaine 161 000 Km2 29,5 % du territoire Office National des forêts Gère 25% des forêts française (forêts publiques) 45 % du volume Inventaire annuel 02 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Inventaire forestier Evaluer la ressource d’une forêt à un moment donné Espèce et diamètre Hauteur de peuplement Inventaire manuel 03 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Inventaire forestier amélioré OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Inventaire forestier amélioré Plus précis, plus détaillé, plus rapide Meilleure connaissance de la ressource Utilisation de scans laser Lidar Terrestre ou Aérien 04 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Inventaire forestier à l’ONF Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Introduction Approches Résultats et perspectives Inventaire forestier à l’ONF Campagne d’acquisition terrain 1 Nuage de points 3D : de l’ordre de 40 millions de points par nuage. 2 Traitement des nuages de points avec le logiciel Computree développé par l’ONF 3 05 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Déterminer L’espèce OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Déterminer L’espèce Dans le cadre de cette thèse, on ne s’intéresse que à l’identification de l’espèce d’arbre. les bourgeons La forme des cimes (le houppier) Les feuilles Les feuilles Les fruits 06 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives l’inventaire forestier est réalisé pendant l’hiver ( hors de période de croissance des arbres ) Les feuilles Les bourgeons Les fruits la cime des essences, tout seul, n’est pas suffisant pour la discrimination Il y a beaucoup d’effet de flou ( chevauchement des branches, ..) le nombre de point de scans diminuent avec l’hauteur C’est très difficile de décrire le houppier et la branchaison La forme des cimes L’écorce des troncs d’arbres 07 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Charme (cannelure) Hêtre (lisse) Chêne (lanières verticales) Pin (crevasses) Epicéa (cicatrices circulaires ) Merisier ( lanières horizontales) 08 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Analyse de texture 4 Images 2,5D a: hêtre b: épicéa c: pin d: chêne e: charme Technique de segmentation ou d’analyse d’images Image segmentée Vecteur caractéristiques Classification 5 Image segmentée Extraction des caractéristiques Classifieur Nuage de points 3D Patch 3D Maillage 3D Filtrage Triangulation Pré-traitement Extraction des morceaux de troncs 1 Carte de hauteur ou profondeur Maillage 3D Lissage [ … ] Information De profondeur 2 Extraction image de profondeur 2,5D Information De profondeur Depliage Image de Profondeur 2,5 D 3 09 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Texture Géométrique Les textures géométriques est l’ensemble de détails géométriques 3D du maillage original surfacique texturé Mo par rapport à la version lissée Ms du maillage. Les détails géométriques 3D sont représenté par la déviation géométrique entre le maillage original Mo et sa version lissée Ms. 10 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Maillage original Maillage lisse 5 Itérations 70 Itérations 20 Itérations 40 Itérations Itérer l’algorithme de lissage jusqu’au avoir un maillage suffisamment lisse 11 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives L’algorithme de lissage λ/μ de Taubin : résout le problème de rétrécissement de certains algorithmes de lissage. 2 étapes de lissage laplacien avec différents facteurs d’échelles λ et μ. une première étape avec λ>0 (shrinkage step) une deuxième étape avec μ<-λ<0 (unshrinkage step) La nouvelle position v'i du i ème vertex L’opérateur laplacien λ = 0.6307 et μ = −0.6732 ( valeurs suggérées par Taubin) 12 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Texture Géométrique Il faut itérer l’algorithme de lissage jusqu’à ce que le maillage devient suffisamment lisse.  supprimer tous les détails géométriques 3D. Etude de l’évolution de courbures minimales et maximales en fonction du nombre d’itération de lissage. La pente de la tangente <=-0.01 Figure : Le médian des courbures maximales en fonction du nombre d’itération de lissage 13 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Réduction de Dimension Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Réduction de Dimension ISOMAP (Tenenbaum, et al, 00) LLE (Roweis, Saul, 00) Laplacian Eigenmaps (Belkin, Niyogi, 01) Local Tangent Space Alignement (Zhang, Zha, 02) Hessian Eigenmaps (Donoho, Grimes, 02) Diffusion Maps ( Coifman, Lafon, et al, 04) Kernal PCA (Schoelkopf, et al, 98) Maximum Variance Unfolding (Weinberger & Saul. 04) Geodesic nullspace analysis (Brand. 04) Conformal eigenmaps (Sha & Saul. 05) 14 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Linear versus non linear Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Linear versus non linear 15 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives PCA et MDS peuvent s’appliquer seulement sur des projections linéaires. Nous avons besoin d’une extension non linéaire . ISOMAP Idée clé: Préserver les distances géodésiques mesurée le long du submanifold. Algorithme : Construire le graphe d’adjacence (k-nearest neighbors) estimer la distance géodésique par chemin le plus court ( l'algorithme de Djikstra) Utiliser les distances géodesiques pour calculer matrice de Gram dans MDS Les points de faiblesse : Très lent pour calculer les distances géodésiques et diagonaliser la matrice de Gram. A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 16

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 17

La ligne de partage des eaux : Watershed Segmentation Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives La ligne de partage des eaux : Watershed Segmentation Segmentation fondée sur les régions ( A region-based segmentation approach ) : considère l’image comme un relief topologique si l’on associe le niveau de gris de chaque point à une altitude. Trois éléments dans une image : les minima régionaux les bassins versants ( catchement bassin) les lignes de partage des eaux (watershed lines) A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 18 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Algorithme a) Percer des trous dans chaque minimum régional b) La topographie 3D est inondé par le bas progressivement c) Lorsque la montée des eaux dans les bassins versants distincts est sur ​​le point de fusionner, on construit un barrage pour empêcher la fusion. d) Les barrages correspondent aux lignes de partage des eaux qui doivent être extraites par notre algorithme de segmentation. A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 19 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Fonction de segmentation la plus utilisée le module du gradient morphologique D : Dilatation E : Erosion les lignes de partage des eaux se placent de façon privilégiée sur les lignes de gradient élevé (contours). Détecteur de contours Approche filtrage les marqueurs Approche hiérarchique Une grande sensibilité au bruit Fonction de segmentation : Top hat Transformation : Détecteur de crêtes Mettre en évidence les taches les plus saillantes A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 20 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

HYBRID SEGMENTATION USING A WATERSHED AND REGION MERGING BASED METHOD Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives HYBRID SEGMENTATION USING A WATERSHED AND REGION MERGING BASED METHOD Median Filtering Contrast Adjustement Top hat transformation Remove small objects from the image Fill small holes Initial segmentation with watersheds Fast Nearest Region Merging Based on weak boundaries A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 21 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Les résultats de la segmentation initiale de la ligne de partage des eaux sur- segmentation Fusion de régions ?? Measure de Dissimilarité ?? Homogénéité des régions Faiblesse des contours (Boundaries weakness) A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 22 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Map des contours (Map Edge) Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Map des contours (Map Edge) On fusionne deux régions adjacentes si le coût affecté à ce contour Ei,j est inférieur à un seuil ( fixé à 0.5)    n est le nombre de pixels d’un contour commun à deux régions adjacentes n1 est le nombre de pixels du contour considérés comme du noir(grayscale < 0.8) n2 est le nombre de pixels du contour considérés comme du blanc (grayscale > 0.8)  = 0.75 et = 0.25 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 23 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Images de profondeur Segmentation Initiale Après Fusion A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 24 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Features : Une région est caractérisée par un ensemble de caractéristiques Caractéristiques de géométrie et de forme : Longueur de l'axe majeur et mineur Aire et périmètre Circularité Convexité Orientation Compacité Sphéricité Concavité et convexité Exentricité Caractéristiques d’intensité : Maximum Intensity Minimum Intensity Mean Intensity A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 25 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Diamètre standard du tronc Distance standard au scanner Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Résultats Diamètre standard du tronc Distance standard au scanner 2 data sets Patchs de Différents arbres 30 cm 6 m D1: 16 patches/espèce D2 : 30 patches/espèce 46 par espèce test 1 : 10 cross-validation on D1 test 2 : 10 cross-validation on D2 test 3 : Training on D1 and testing on D2 test 4 : Training on D2 and testing on D1 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 26 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Le scanner laser FARO 120 Portée : 60 cm à 120 m Champs de scan : 360°(H) x 320°(V) Précision :  2 mm à 25 m Résol. 1/4 Résolution : 41M de points Distance entre 2 points à 10 m : 6,3 mm N.B. : Résolution maximale possible : 1,6 mm à 10 m (1h30) A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 27

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives accuracy = 95% precision = 89% accuracy = 97% precision = 92% A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 28 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Conclusion Les lignes des partages des eaux est l’approche la plus adaptée pour l’étude de surface cette approche est trop sensible au bruit nos images de profondeur sont fortement bruitées à cause de l’interpolation = les contours ne sont pas bien dessiné Fallait il vraiment faire le passage vers la 2D ?? A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 29 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Burst Wind Segmentation Identification automatisée d’espèces d’arbres dans des scans lasers 3D Introduction Approches Résultats et perspectives Burst Wind Segmentation (othmani et al. 2013) l’information de profondeur présente le relief topologique . les minima régionaux à l’aide l’information de courbure . simuler un vent fort A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 30 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon

Merci de votre attention OTHMANI Ahlem 2013