Xialong Dai, Siamak Khorram A Feature Based Registration Algorithm Using Improved Chain-Code Representation Combined with Invariant Moments Xialong Dai, Siamak Khorram Septembre 1999 présenté par Segovia Benjamin

Recalage d'images satellite Deux grandes classes de méthodes Introduction Recalage d'images satellite Deux grandes classes de méthodes Avec des points de contrôle manuels: fastidieux et pas toujours valables Automatiques Area-base techniques Feature (formes) techniques

Introduction (2) Cadre de l'article Méthode de détection de formes 4 étapes Détection des bords fermés via laplacien de gaussien Calculs de points caractéristiques (centres de gravité de formes), et des caractéristiques de formes: moments invariants et chain-codes améliorés Calculs de similarité des formes Recalage

Plan de l'exposé Présentation de la méthode de détection de bords Présentation du calcul des points de contrôle et des matrices de similarités Présentation globale du moteur de recalage Analyses et critiques

Détection de Formes Caractéristiques Détection de bords via une convolution par filtre laplacien de gaussien Floute l'image puis trouve les bords en un seul calcul Matrice de convolution

Détection de Formes Caractéristiques (2) Contours détectés par zero-crossing Verticalement et horizontalement Problème: algorithme pas assez robuste et Etat de l'Art non satisfaisant Problème des « weak edges » et « thick edges » Améliorer l'algorithme: « thin and robust zero-crossing »

Détection de Formes Caractéristiques (3) Un pixel appartient à un bord ssi: Le pixel est zero-crossing Il est sur le gradient le plus fort parmi ses 8 voisins (gradient sur la convolée) Entre les deux points du gradient (forcément un positif et un négatif), il est le plus petit en valeur absolue

Détection de Formes Caractéristiques (4) Résultats obtenus bruités fortement On seuille ! Beaucoup de Bruit...

Détection de Formes Caractéristiques (5) On garde seulement les contours qui ont un gradient assez grand On définit le « steepest gradient » pour chaque point Deux seuils T2>T1 T1 pour tout le contour T2 pour un point du contour On garde les zones fermées

Détection de Formes Caractéristiques (6) Résultats obtenus

Calcul des Invariants de Formes Détection des zones fermées faites On cherche à caractériser ses zones Critères Invariants par translations Invariants par rotations Invariants par changements d 'échelle

Représentation des régions par les moments Calcul des Invariants de formes – Représentation des zones par les moments Représentation des régions par les moments On définit alors et

De 1 à 6: invariants par symétrie Calcul des Invariants de formes – Représentation des zones par les moments (2) On définit alors 7 invariants par translations, rotations, changements d'échelle De 1 à 6: invariants par symétrie

Chain-Codes standards de la forme {ai avec ai dans {0..7} } Calcul des Invariants de formes – Représentation par Chain-Codes améliorées Chain-Codes standards de la forme {ai avec ai dans {0..7} } Améliorations Retire le Wraparound (ex: {707070} ) en minimisant la différence entre deux termes consécutifs (ici, 78787878) Smoothing operation par filtre gaussien {0.1 0.2 0.4 0.2 0.1} Invariance par rotations en soustrayant la moyenne Invariance de scaling par longueur fixée de la chaîne

Calcul des Correspondances de Formes Deux images – Calculs des contours fermés pour chaque image n contours pour image 1 ---- m contours pour image 2 Calculs des invariants Deux matrices de similarité

Matrice de Similarité avec les Chain-Codes améliorés Matrice n x m Alors pour tout ( i,j ) dans ( Nn,Nm ) Mesure la distance entre les contours respectifs de chaque image et fixe leur similarité

Matrice de Similarité avec les Moments Invariants Matrice n x m Alors pour tout ( i,j ) dans ( Nn,Nm ) Mesure la distance entre les contours respectifs de chaque image et fixe leur similarité

L'Algorithme de Recalage d'Images Calculs des contours fermés de deux images Calculs des deux matrices de similarités et des matrices 2 x n et 2 x m des centres de gravité de ces contours Deux seuils Tc et Td donnent ensemble C des correspondances dans les deux matrices

L'algorithme de Recalage d'Images (2) Trois meilleures correspondances sont prises et donnent une première estimation des paramètres de recalage Six paramètres de transformation Analyses des autres points de correspondances Autre seuil Er élimine les points mal recalés

L'algorithme de Recalage d'Images (3) Calcul final des paramètres par la méthode des moindres carrés sur C\(points mal recalés)

Deux images prises par LandSat TM --- Caroline du Nord Résultats Deux images prises par LandSat TM --- Caroline du Nord 1988 1994

Similarité: 21 régions détectées Résultats (2) Segmentation Image 1988: 22 régions Image 1994: 29 régions Similarité: 21 régions détectées Après premier recalage, reste 7 points de contrôle Recalage avec ces 7 points Et.....

Résultats en Image

Méthode rapide a priori Conclusion Méthode rapide a priori Pas de temps de calculs donné Mais, recalage fait sur très peu de points! Robuste a priori sur des photos aériennes Segmentation rapide et fiable Deux méthodes de similarité utilisées Mais, médical: problèmes des contours peut être plus difficile Segmentation peut-être à revoir