Problèmes inverses en observation de la Terre et cartographie

Présentation au sujet: "Problèmes inverses en observation de la Terre et cartographie"— Transcription de la présentation:

1 Problèmes inverses en observation de la Terre et cartographie
ARIANA Josiane Zerubia

2 Projet de recherche commun CNRS/INRIA/UNSA créé en 1998
Responsable scientifique : Josiane Zerubia Membres : 3 INRIA, 1 CNRS, 10 doctorants, 5 stagiaires, 3 post-doctorants, 1 assistante INRIA (50%), 1 assistante CNRS (10%).

3 Contexte applicatif (1)
A partir d’images satellitaires ou aériennes : Les défis : • tenir compte de la physique des capteurs : visible, infra-rouge, radar… • extraire des informations pertinentes pour l’interprétation • reconstruire des données 3D (relief au sol) à partir d’images 2D • mettre à jour des cartes

4 Contexte applicatif (2)
Les enjeux : • enjeux économiques (radio-mobiles en Télécom, agriculture de précision…) • attributs de souveraineté nationale (renseignement, préparation de mission, analyse post-mission…) • services d’intérêt général (aménagement du territoire, environnement…)

5 Contexte méthodologique (1) Modèles probabilistes
• champs de Markov [J. Stat. Phys. 03] • champs de Markov hiérarchiques [IEEE GRS 05] • distributions a-stables [Patt. Recog. Let. 03, IEEE IP 04, IEEE GRS 06, IEEE IP 06] • processus ponctuels objets : axe de recherche novateur [SFPT 03, IJCV 04, IEEE PAMI 05, IJCV 06]

6 Contexte méthodologique (2) Méthodes variationnelles et EDP
• gamma-convergence [SIAM Num. Anal. 04, Nonlin. Anal. 06] • décomposition d’image [JMIV 05, IJCV 05, App. Math. and Optim. 05 ] • régions et contours actifs [IEEE IP 03] • contours actifs d’ordre supérieur [IJCV 06]

7 Contexte méthodologique (3) optimisation et estimation de paramètres
• Méthodes MCMC (Metropolis-Hastings-Green) [IEEE MI 04, Springer-Verlag 05] • Nouvelles dynamiques de naissance et mort [Pbs of Inf. Trans. 04]

8 Résultat de l’extraction du réseau routier
Réseau linéique Image aérienne ( IGN). Réseau linéique extrait. Résultat de l’extraction du réseau routier sur une image aérienne.

9 Reconstruction en 3D de bâtiments à partir d'images satellitaires (CNES/IGN)
résultat 3D simulation PLEIADES – Amiens CNES carte d'erreurs

10 Détection d’arbres par processus ponctuels marqués
Exemples d’extraction de houppiers en imagerie IR couleur IFN Collaboration ECP, IFN, LIAMA (Pékin).

11 Détection d’arbres par contours actifs d’ordre supérieur
© IFN © IFN Collaboration Université de Szeged, Hongrie.

12 Détection des départs de feux (Alcatel Alenia Space Cannes )
Vérité terrain  Alcatel Alenia Space 12 départs de feux détectés sur 14 0 fausse alarme.

13 Evaluation des dégâts après un feu de forêt (Silogic Toulouse)
Image SPOT 5 SVM  CNES-SPOT Image K-NN

14 Collaborations nationales
Industrielles : CNES, IGN, BRGM, CEMAGREF, IFN, DGA, Alcatel Alenia Space, Astrium/EADS, Sagem, Silogic. Action PNTS : BRGM. Action PNTS : ENST. Math/STIC du CNRS : ENS Cachan, Paris XIII. Math/STIC (2) du CNRS : Laboratoire de mathématiques de l’UNSA. ACI Masse de données : Télécom Paris, Imedia. ACI NIM : Paris V et VI, Ecole Polytechnique, Université Marne La Vallée, Observatoire Midi Pyrénées, UNSA. ARC Mode de vie: Centrale Paris, Cirad, Greenlab (INRIA et LIAMA). ANR blanche Detecfine : Institut Pasteur, Sagem DS, UNSA. ANR blanche Microréseaux : IMFT, CRCC, ESRF.

15 Principales collaborations bilatérales
• USA/INRIA initiative : Université Wisconsin-Madison, Université Duke. • Russie/OTAN: Académie des sciences de Russie et Université de Caroline du Nord. • Econet: Russie. • Chine : LIAMA/INRIA. • PAI Balaton : Université de Szeged, Hongrie. • PAI Galilée : Université de la Sapienza Rome et IRIT Toulouse. • CONACYT : UNAM de Mexico. • INRIA STIC-Tunisie : Imedia, Sup’Com Tunis.

16 Principales collaborations Internationales
Projets européens : • MOUMIR (TCD, Université Cambridge, INESC, Université Thessalonique, BGU) • IMAVIS (Epidaure, Odyssée) • MUSCLE réseau d’excellence 42 partenaires

17 Transferts dans d’autres domaines
Astrophysique : détection de filaments de galaxies. COLORS avec OCA. Imagerie Biologique : restauration d’image biologique 3D par microscopie confocale. ARC puis P2R avec l’Institut Pasteur (Paris), Institut Weizmann, Technion (Israël).

18 Publications Année Edition de livres ou participation à des ouvrages de synthèse Publication dans des revues internationales Communications dans des conférences avec actes thèses ou HDR 2003 1 7 20 3 2004 10 18 4 2005 9 13 2 2006 14 TOTAL 36 65

19 Devenir des doctorants
Année Prénom Nom Devenir 2003 Karen Brady Post-doc Marie Curie ans Univ. de Queensland., Brisbane, Australie an Trinity College Dublin Caroline Lacombe Consultante pour CCI Nice Sophia Antipolis Oscar Viveros Cancino Assistant Professor, Univ. de Veracruz, Mexique 2004 Jean-François Aujol CR2 CNRS, CMLA ENS Cachan Caroline Lacoste Ingénieur R&D, Amadeus, Sophia Antipolis Mathias Ortner Ingénieur R&D, Astrium/EADS, Toulouse 2005 Marie Rochery Emmanuel Villeger Professeur agrégé (ENS) au lycée Amiral de Grasse 2006 Guillaume Perrin Ingénieur R&D, Alcatel Space, Cannes

20 Perspectives à 4 ans Approche variationnelle Approche stochastique
modèles multi-échelles pour les contours actifs d’ordre supérieur. énergie de Ginzburg-Landau pour la détection de filaments. Approche stochastique analyse de scène via des processus multi-objets. développement de nouvelles dynamiques d’optimisation. Applications déconvolution : travaux sur l’échantillonnage irrégulier et la super –résolution pour l’imagerie satellitaire. déconvolution aveugle pour l’imagerie biologique. extraction de linéique sur des images HR et IRT. environnement : population nicheuse d’oiseaux.

21 Décomposition d’image
f est une image, que nous voulons décomposer en deux parties : Géométrie Oscillations [Yves Meyer: Oscillating patterns in image processing and in some nonlinear evolution equations, 2001]. ➔ Application pour l’analyse, la restauration, le remplissage, la compression…

22 Modèle ROF [Rudin Osher Fatemi 1992]
Modèle de restauration d’image Modèle équivalent v = f - u devrait contenir les textures et le bruit.

23 Exemple 2D (variables discrètes)
Images TV l2 G texturée 9500 360 géométrique 64 600 9500 2000 La norme l2 pour v ne permet pas de capturer les oscillations dans le processus de minimisation.

24 Modèle d’Yves Meyer Yves Meyer définit un nouvel espace G et une nouvelle norme ║.║G tels que les fonctions dans G peuvent être très oscillantes et avoir une petite norme G.

25 Norme (en variable discrètes)
Problème du calcul de la norme infinie (non différentiable) ➔ [Vese, Osher… 2003-] [Darbon, Sigelle 2005] [Goldfarb, Yin 2005]

26 Méthode et algorithme ➔ par dualité, on montre qu’on peut se ramener à des projections sur des ensembles convexes. On montre que le problème de Meyer est équivalent à la minimisation du critère quand l0 Algorithme itératif u0=v0=0 [JMIV 05] et prix de thèse du Club EEA de J-F Aujol en 2005

27 Décomposition de Barbara
composante u ➔ avec la norme G avec la norme l2 composante v ➔

28 Restauration d’image RSO
=0.1, =30 =0.1, =40 Image RSO CNES-CESBIO

29 Suite et futur Etude d’une fonctionnelle générale de minimisation sous contrainte en norme l Inclut les problèmes BV- l2, BV- l1, décomposition, problème en bruit borné Algorithme numérique convergent de minimisation Passage au multi-canal.

30 Processus ponctuels objet : Pourquoi ?
Approches Bayesiennes : Robustesse au bruit Modélisation d’information A Priori Cadre traditionnel : Champs de Markov Modélisation de l’information contextuelle

31 Processus ponctuels objet : Pourquoi ?
Information contextuelle sur la solution :

32 Processus ponctuels objet : Pourquoi ?
Information contextuelle sur les données :

33 Processus ponctuels objet : Pourquoi ?
Modélisation de la géométrie sur la solution ?

34 Processus ponctuels objet : Pourquoi ?
Modélisation de la géométrie des données ?

35 Processus ponctuels objet : Comment ?
Cahier des charges : Modélisation objet Nombre d’objet inconnu Contraintes sur la géométrie des objets Contraintes sur la répartition des objets Prise en compte des données à un niveau macroscopique

36 Processus ponctuels objet : Comment ?
Configurations : ens. de points marqués Points : définissent le nombre et la localisation des objets Marques : définissent la géométrie des objets Définition d’une mesure de référence Définition d’une densité (a priori + données) Optimisation de la densité

37 Processus ponctuels objet : Comment ?
Exemple : détection de houppiers

38 Processus ponctuels objet : Comment ?
Choix des objets : ellipses

39 Processus ponctuels objet : Comment ?
Choix d’une mesure de référence : Impose la dynamique à haute température N’influe pas sur la configuration finale. Choix d’une intensité correspondant au nombre d’objets que l’on pense trouver : Générer plus de points dans les zones les plus probables :

40 Processus ponctuels objet : Comment ?
Choix d’une densité : Ellipses alongées : détection de deux arbres pour un objet Donc on favorise les ellipses proches d’un disque

41 Processus ponctuels objet : Comment ?
Gestion des superpositions Mauvaise Superposition Surdétection Superposition acceptable

42 Processus ponctuels objet : Comment ?
Interaction entre paires d’objets u~rv si et seulement u et v s’intersectent Terme hard-core (processus stable)

43 Processus ponctuels objet : Comment ?
Modélisation des agrégats Définition : on appelle r-objet d’un objet u=(p,m) avec m = (a,b,q), l’ellipse de centre p et de marque (a+r,b+r,t). On favorise les paires d’ellipses d’une distance inférieure à r :

44 Processus ponctuels objet : Comment ?
Modélisation des données : Objets attractifs ou répulsifs suivant le signe de Ud

45 Processus ponctuels objet : Comment ?
Optimisation : Algorithme RJMCMC Choisir un noyau de proposition Qm(x,.) avec la probabilité pm(x), ou bien laisser l’ état inchangé avec une probabilité 1-Smpm(x). Simuler y suivant le noyau de proposition choisi. Calculer le rapport de Green : Avec une probabilité a = min(1,Rm) accepter la proposition xt+1 = y, sinon rejeter la proposition : xt+1 = x.

46 Processus ponctuels objet : Résultats ?

47 Processus ponctuels objet : Et après ?
Modèle générique : multi-objets Algorithme non-supervisé : estimation Optimisation plus efficace : Parallélisme Nouvelles dynamiques