Thème de recherche :
La segmentation-classification d’images de télédétection est un des grands défis en analyse et compréhension d’image. Je m’intéresse dans mon travail de recherche à la modélisation de la forme des objets en adoptant une approche variationnelle fondée sur les modèles des «contours actifs d'ordre supérieur» (CAOS) et les modèles de champs de phase pour l’extraction de linéiques (routes, rivières, …) présents dans des images de télédétection à très haute résolution.
Résumé de la thèse :
Les images issues des satellites optiques haute résolution (HR) permettent d'obtenir une quantité d'information jamais attente par le passé. Cette information peut être utilisée dans un but de sauvegarde de l'environnement, mais également pour d'autres objectifs si l'on est capable de l'extraire efficacement à partir des données. Grâce aux nombreux satellites haute résolution actuellement en orbite, ou à venir, la recherche d'algorithmes capable d'extraire une telle information est devenue une priorité pour les agences spatiales française, européenne et dans le reste du monde. Le but de cette thèse est de développer des méthodes afin d'extraire les réseaux routiers et fluviaux contenus dans de telles images et, en particulier, d'identifier la région dans l'image contenant de tels réseaux.
Les réseaux dans les images HR occupent des régions en dimension 2 qui présentent des caractéristiques morphologiques spécifiques (par exemple, elles sont composées de bras qui se rejoignent à des jonctions), mais qui ont des topologies presque sans contraintes. Afin de modéliser de telles régions, il est nécessaire de mettre au point des approches sophistiquées incorporant beaucoup de connaissances a priori relativement à la morphologie de la région. Les contours actifs d'ordre supérieur (CAOS) sont une solution pour construire de tels modèles. Cette nouvelle génération de contours actifs permet de modéliser différentes morphologies de régions via l'inclusion d'interactions à longue portée entre points situés sur le bord d'une région. Un modelé favorisant les régions en forme de réseaux a été utilisé avec succès pour extraire des réseaux routiers à partir d'images moyenne résolution. Une reformulation récente des CAOS comme champs de phase non-locaux apporte plusieurs avantages qui fait de cette nouvelle formulation la modélisation qui sera utilisée dans des travaux de recherche à venir.
Mots clefs : Champ de phase, trasition de phase, contours actifs d'ordre supérieur, a priori géométrique, forme, extraction de linéiques, routes, rivières,, images satellitaires et aériennes haute résolution.
Diagramme de phase d'un modèle des contours actifs d’ordre supérieur
Résumé : Ce travail aborde le problème de la stabilité du modèle des CAOS qui introduit une connaissance a priori sur la géométrie de l'objet à détecter dans le cadre général de la reconnaissance de forme dans une image. Ce modèle définit une énergie d'interaction longue portée. Cette nouvelle génération des contours actifs a été utilisée pour l'extraction des réseaux routiers et des arbres en choisissant les bonnes valeurs des paramètres du modèle des CAOS.
Figure: Evolutions géométriques d'une énergie de type CAOS en utilisant l'algorithme de descente de
gradient pour différentes valeurs des paramètres.
Nous avons réalisé, dans un premier temps, l'analyse de stabilité du modèle de « gaz de cercles » pour l'extraction des arbres (ou des structures circulaires) en déterminant le diagramme de phase d'un cercle définissant les gammes des valeurs des paramètres du modèle des CAOS donnant un cercle stable. En vue de l'extraction des réseaux linéiques tels que les routes, nous avons effectué, dans un second temps, l'analyse de stabilité du modèle d'une « barre longue » en déterminant le diagramme de phase définissant les gammes des valeurs des paramètres du modèle des CAOS permettant d'avoir une portion stable d'une barre de longueur infinie. L'analyse de stabilité des deux modèles (cercle et barre) est fondée sur le développement de l'énergie géométrique du contour en série de Taylor jusqu'au second ordre; la dérivée première et la dérivée seconde de l'énergie nous permettent de contraindre les paramètres du modèle des CAOS.
Figure: Diagramme de phase d'un modèle de type CAOS. Les lettres B, C et U signifient Barre, Cercle et Instable respectivement. Les symboles + et - correspondent à des énergies positives et négatives respectivement.
Le diagramme de phase nous permet de bien choisir les valeurs des paramètres du modèle des CAOS aussi bien pour l'extraction des objets circulaires que inéiques. Nous montrons ici un exemple d'application de la modélisation des structures linéiques : extraction de réseaux routiers à partir d'images de télédétection THR.
Figure : Extraction de réseau routier à partir d'une image de télédétection THR.
Mots clefs : Contours actifs d'ordre supérieur, a priori géométrique, forme, extraction de linéiques, détection des arbres, images satellitaires et aériennes haute résolution.
Pour plus de détails, vous pouvez consultez ce manuscrit (.pdf) ou ces transparents (.pdf).
Dépendance de la résolution de modèles des paquets d'ondelettes adaptatifs pour la classification d’images de télédétection
Résumé : Dans ce travail, je me suis intéressé à la description de la texture en utilisant les paquets d'ondelettes adaptatifs. De récents travaux ont montré que les histogrammes des coefficients d'ondelettes standard ont une forme d’une gaussienne généralisée alors que ce n'est pas le cas pour les paquets d'ondelettes adaptés à chaque texture. Dans ce cas, on a observé trois types de formes d'histogramme: gaussienne, gaussienne généralisée et mélange de gaussiennes avec contraintes, et pour estimer les paramètres de chaque modèle, on adopte une approche probabiliste adaptative fondée sur la théorie bayésienne.
Les sous-bandes multimodales observées peuvent jouer un rôle important pour la discrimination de textures résentes dans des images naturelles ou satellitaires. Un des grands problèmes en télédétection est que les images sont formées par plusieurs capteurs et que chacun de ses derniers possède une fonction de modulation optique propre. Notre but est donc d'étudier la dépendance de la résolution des modèles de paquets d'ondelettes adaptatifs pour les images de télédétection.
Mots clefs : Analyse multi-résolution, paquets d'ondelettes adaptatifs, approche probabiliste, texture, estimation MAP, segmentation d'images, indexation d'images.
Pour plus de détails, vous pouvez consultez ce manuscrit ( .pdf) et ces transparents (.ppt).