Détection dobjets cartographiques dans les images satellites Très Haute Résolution Guray Erus, Nicolas Loménie Université René Descartes – Paris5, Centre de Recherche en Informatique de Paris 5 (CRIP- 5), équipe "Systèmes Intelligents de Perception" (SIP)

1. Contexte du problème et de l'atelier 2. La démarche et les modules 2.1 Apprentissage structurel et Génération de modèles dobjets cartographiques A) sans problème de segmentation / B) avec problème de la segmentation 2.2 Création de modèles structurels interactifs Segmentation/Reconnaissance par la modélisation avec les ARGs Orientés Linéarisés Le problème de la détection on-line dobjets ou de configurations cartographiques Perspectives et questions pour l'atelier Le plan

Base dimages Image satellite de grande taille (24000x24000 pixels) Les objectifs 1. Classification dobjets Pont? 2. Détection dobjets Rond-point? Bâti isolé? Imagettes dobjets de chaque classe (100x100 pixels) 1.Contexte du problème et de l'atelier Rond-point Pont

Projet TECHNOVISION / ROBIN

Projet CNES / ORFEO

2. La démarche et les modules APPROCHE « STATISTIQUE »APPROCHE « STRUCTURELLE » - créer un modèle à partir de 1000 exemples :1 « feature vector » v et apprendre sa distribution dans l'espace des paramètres : p(v,classe) - utilisation de ce modèle pour classifier l'objet dans une classe en calculant une métrique P(classe|v) - problème de la segmentation En RF, - créer un modèle à partir de quelques exemples : 1 « ARG » et apprendre sa distribution dans l'espace des configurations : treillis - utilisation de ce modèle pour classifier l'objet dans une classe en calculant une métrique d(Treillis Modèle, ARG query ) - problème de la segmentation Avantage : plus « facile » de créer un modèle ad hoc

a. La décomposition géométrique 2.1. Test préliminaire n°1: A) Génération de modèles d'objets cartographiques quand Objet bien séparé du fond

b.Transformation des images en ARGs: Les Graphes Relationnels Attribués Définition: Un graphe relationnel attribué (ARG) a 6 éléments: G = (S, A, A s, A a, αS, αA)

c. Génération du modèle Le modèle est le treillis limité par le Sous-graphe Maximal Commun (MaxSgC) et le Sur-graphe Minimal Commun (MinSgC) des prototypes. MaxSgC(A, B): MinSgC(A, B): Calcul de la distance dédition des exemples au modèle

d. Les Modèles obtenus

Segmenter automatiquement les imagettes et isoler la zone de l'objet du fond ? Hybride en deux sens: Images panchromatiques de résolution 2.5 m. - Images multispectrales de résolution 10 m. Segmentation par contour et région 2. 1 Test préliminaire n°2: B) Génération de modèles d'objets cartographiques en situation plus réelle

Fusion des bandes spectrales de limage multispectrale Segmentation par seuillage avec hysteresis Localisation du masque par recouvrement de contours a. Multicanal :Images panchromatiques - Images multispectrales Obtention d'un masque de recouvrement

b. Segmentation par Contour et Région Segmentation de limage panchromatique par watershed Watershed avec marqueurs autour des contours

c.Extraction de la zone de l'objet On attend des images Pléiades sub-métriques où la géométrie est plus prépondérante...

d. Extraction des primitives géométriques dans les imagettes originales Les contours... après la fusion les parallèlesles rectanglesles cercles les arcs

2.2 Création de modèles interactive (Fouille de donnée) Modélisation linguistique Definition des Noeuds_Rond-point: No=1 Type=Circle Radius=20 PosX=150 PosY=150 No=2 Type=Rect Length=1.Radius*3 Width=10 No=3 Type=Rect Length=1.Radius*3 Width=5 No=4 Type=Rect Length=1.Radius*2 Width=5 Definition des Relations Rond-point: NoTo=2 NoFrom=1 CenterDist=1.Radius+2.Length/2 Angle=0 NoTo=3 NoFrom=1 CenterDist=1.Radius+3.Length/2 Angle=0 NoTo=3 NoFrom=2 Angle=120 … Modélisation graphique ARG Orienté Linéarisé Validation (convergence) par : L'utilisateur, ou d(ARG généré, ARG appris avec peu d'exemples)

Générateur d'objets Lire la définition du modèle Générer aléatoirement des formes primitives et accepter celles qui sont conformes au modèle Les rond-points générés

les primitives 2.3 Utilisation de ce modèle ad hoc ou presque (quelques exemples) pour la segmentation/reconnaissance

le(s) rond(s)-point(s) détecté(s) Via l'ARGOL ! Choisir un point de référencement pour que le raisonnement spatial soit possible : en tout cas notre solution

2.4. Détection dans une image 24000x24000 ? (*) En coopération avec Image Processing and Pattern Recognition Laboratory, Dep. of Computer Engineering, METU, Ankara, Turquie) Obtenir des points d'ancrage ?

Expérience interne sur les modèles structurels Orientation forte vers l'interaction entre ces modèles structurels et les utilisateurs (esprit de la Fouille de données) Nécessité de valider quantitativement les résultats de la détection pilotée par le modèle; néanmoins les premiers résultats sont satisfaisants 3.1 Conclusion 3.2 Perspectives Enrichir la définition du modèle: les attributs et relations flous les autres catégories du raisonnement spatial (topologie, inclusion, orientation) -> Besoin d'une ontologie spatiale / norme aussi nécessaire que les outils algorithmiques (voir norme MPEG) Développer une méthode de création de modèleS stucturelS pour l'image (interactive, à partir de peu d'exemples, et multiple) Intégrer la détection par modèle dans le logiciel de classification semi- automatique