Regroupement contextuel de cimes dans les images aéroportées Projet de doctorat de Stéphane Poirier sous la direction de Geoffrey Edwards, Chris Gold et Jean-Marie Beaulieu
Structure de l’exposé Contexte (données), problématique et objectifs de recherche Méthodologie (traitement des données) Difficultés versus solutions suggérées Conclusion
Données images en télédétection Industrielle Vision Robotique (haute rés. spatiale, plusieurs images par sec.) Environnementale Contrôle de la Navigation (haute rés., plusieurs images par sec.) Ressources Naturelles sattellitaires (basse et moyenne rés. spatiale) aéroportées (moyenne et haute rés. spatiale) au sol (haute résolution spatiale)
Présentation de données images forestières aéroportées
Objectifs de recherche Problématique Interprétation des images forestières aéroportées Objectifs de recherche Analyser dans quelle mesure la technique d’identification de peuplements forestiers peut être automatisée Faciliter la production et mise à jour des cartes forestières Livrable à l’industrie forestière Outils d’aide à l’interprétation des images forestières hautes résolution spatiale (1 m et moins) Outils d’aide à l’intégration de l’information forestière dans les SIG (à l’échelle du peuplement)
Méthodologie Utilisation d’images forestières artificielles afin de pouvoir comparer avec une vérité terrain Extraction des caractéristiques locales du couvert forestier si la résolution spatiale le permet, identification des cimes individuelles, mesure des dimensions et intensités moyennes Interconnection des objets dans l’espace tessellation Delaunay-Voronoï qui fournit les relations d’adjacence spatiale, donc qui permet de traiter et d’analyser les informations discrètes (ex. vectorielles) en fonction de leur contexte (tout comme il est possible de le faire pour les données continues ou matricielles)
Méthodologie (suite) Caractérisation de la texture du couvert forestier mesure des arrangements locaux des densités, dimensions et intentisés moyennes de cimes Segmentation des vecteurs de texture initialisation, création d’un segment pour chaque vecteurs de texture fusion séquentielle des pairs de segments les plus similaires Sélection de la partition d’intérêt critère d’arrêt de la segmentation (erreur de fusion, nombre de segment ou etc.) ou encore sélection de la meilleure partition par intervention humaine idéalement, la partition d’intérêt contiendrait un polygone pour chaque peuplement forestier)
Couvert forestier artificiel
Caractérisation de la texture forestière
Segmentation de la texture du couvert forestier
Segmentation HSO par rapport aux autres algorithmes classification versus segmentation techniques de segmentation “region growing” (par quelle région débuter?) “k-mean” (intéressant si k, le nombre de segment est connu) par division successive (hierarchique) HSO (hierachique, agglomératif et optimal à chaque fusion, exigeant pour la mémoire)
Difficultés versus Solutions suggérées difficulté d’identification des cimes individuelles Yi Min, fait un doctorat sur ce sujet (réseau de neuronnes, classification) Poirier, se limiter à l’identification de la texture locale Poirier, développer outils d’analyse contextuelle des textures dans l’image difficulté de sélection de la partition finale Poirier, établir un critère d’arrêt contextuel de fusion pour les segments Poirier, visualiser graduellement l’évolution de la segmentation (faire un vidéo avec les partitions et permettre à l’usager d’arrêter la fusion de certains segments) Poirier, développer outils interactifs permettant de poursuivre un ligne séparant deux peuplements préalablement initié par un usager
Conclusion Application à l’imagerie haute résolution: reconnaissance de forme par segmentation de la texture Application aux SIG: segmentation d’objet, généralisation des représentations Technologies logistiques très générales, plusieurs domaines d’applications Interprétation, Mémorisation, Représentation (de données numériques continues ou discrète, visuelle et textuelle) Application d’automatisation et de support à la décision