Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
0 personnes membres du GdR ISIS, et 0 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 0 personnes.
Le GdR ISIS organise avec le soutien du CCT-TSI du CNES (Centre de Compétence Technique - Traitement du Signal et des Images - une journée de l'action "Images et Télédétection" centrée sur "la reconnaissance d'objets".
Une mini-session poster est organisée pendant la pause de l'après-midi, n'hésitez pas a amener un poster à afficher si vous le souhaitez.
De nombreuses applications en vision par ordinateur (télé-détection, reconstruction 3D, calibration de caméra, construction de panorama, segmentation du mouvement, navigation de robots, etc) reposent sur une tâche de détection d'objets. Cette phase préliminaire, qui requiert à la fois la prise de décision quant à la présence ou non de l'objet recherché ainsi que l'estimation de sa pose vis-à-vis de la caméra, nécessite une grande robustesse à un certain nombre de phénomènes inhérents à l'application visée (bruit et distorsion liés à l'acquisition de l'image, changement de pose de l'objet et de son éclairement, ou encore occultation et déformation plastique de l'objet par exemple).
Parmi les approches permettant d'affranchir de ces contraintes, les plus populaires s'appuient sur une représentation locale des images, la texture ou les structures saillantes de ces dernières étant alors typiquement décrites à l'aide de milliers de descripteurs compacts et invariants. Nous reviendrons ainsi brièvement dans la première partie de cet exposé sur les méthodes proposées depuis plus d'une décennie pour représenter de manière rapide, robuste et efficace le contenu d'une image. Nous nous focaliserons en particulier sur les descripteurs SIFT [D.G. Lowe, IJCV 2004] qui sont les descripteurs les plus utilisés en vision par ordinateur (reconnaissance d'objets, indexation et analyse d'images, ...).
Dans une seconde partie, nous présenterons un système complet de reconnaissance d'objets exploitant à la fois la représentation locale des images par des descripteurs de type "SIFT" et la théorie de la décision dite a contrario, proposée par A. Desolneux, L. Moisan et J-M. Morel [IJCV 2000]. La méthodologie proposée permet, sans aucune connaissance requise a priori, d'identifier des correspondances locales fiables, puis, de détecter la présence de plusieurs objets en commun à plusieurs images. Le cas échéant, la pose de chaque objet est alors estimée de manière automatique selon le modèle géométrique le plus adapté.
Dans cet exposé, nous partons du constat que les haute et très haute résolution nécessitent d'inclure des contraintes géometriques pour l'analyse des images. Les limites des modèles de type champ aléatoire sur la trame de l'image trouvent ici leurs limites. Nous montrerons que les processus ponctuels marqués sont alors de bons candidats qui préservent les atouts des approches stochastiques en analyse d'image tout en offrant un cadre naturel pour prendre en compte la géométrie des objets recherchés. Nous formaliserons le problème sous l'angle de la détection d'une configuration d'objets ayant une géométrie similaire. Les différents ingrédients de la modélisation par processus ponctuels marqués seront évoqués. Il s'agit de l'espace des configurations, de la mesure de référence, de la densité et des outils de simulation et d'optimisation. Nous prendrons de nombreux exemples pour illustrer le propos à partir notamment d'images satellitaires et aériennes.
L'ONERA travaille depuis une dizaine d'années sur la problématique de reconnaissance de petits d'objets (véhicule, avions) sur des images SAR et optronique haute à très haute résolution pour des applications de Défense. L'exposé présentera quelques approches algorithmiques dédiées à des fonctionnalités de détection de zones d'intérêt, de dénombrement et de reconnaissance d'objet. Leur conception exploite la présence d'un opérateur capable d'interagir avec les traitements et s'intéresse particulièrement à la facilité de paramétrisation des algorithmes, et au contrôle du temps de traitement. Elles seront illustrées par des résultats sur des images aériennes et satellitaires.
Les futures missions d'exploration de l'espace, en particulier les missions lunaires, nécessiteront une grande autonomie et une grande précision de navigation. Un élément primordial de la chaîne de navigation est l'utilisation d'une caméra optique afin de détecter et identifier des objets connus dans une référence terrain. Pour les applications spatiales et l'atterrissage sur la lune en particulier, les cratères sont des objets d'intérêt . On présente ici une méthode basée sur une segmentation, qui permet de reconnaître automatiquement des cratères dans une image.
Les ontologies sont des outils de représentation des connaissances, exploités dans le cadre du web sémantique en général, et parfois pour l'annotation d'images. Au cours de cette présentation, nous exposerons cet outil et l'intérêt qu'il peut avoir dans le cadre de l'imagerie satellitaire. Nous exploitons cet outil dans le cadre du projet ANR DAFOE, avec l'aide de l'entreprise Mondeca et notre objectif est de démontrer l'intérêt qu'il y a à combiner l'information extraite automatiquement des images avec des connaissances sur la scène imagée.
L'extraction automatique ou semi-automatique de bâtiments est un besoin fort dans le contexte de cartographie rapide pour la gestion de crise suite à une catastrophe naturelle. L'extraction de bâtiments se heurte à différentes difficultés : radiométries variées selon les types d'imageries et zones observées, formes de bâtiments de complexité variables, apparition de composants "parasites" avec la très haute résolution (textures des tuiles, cheminées, etc.). De plus, le contexte de gestion de crise nécessite l'exploitation de méthodes rapides pour l'extraction des ces informations. L'objectif de ces travaux est de s'appuyer sur la segmentation d'une image et ensuite exploiter les primitives liées à la radiométrie et à la texture. La présentation montrera comment extraire le bâti en combinant les différentes approches : radiométrie, texture, et analyse de contours.
Il existe de nombreuses techniques visant à analyser des zones urbaines à partir de données SAR monopolarisées, utilisant les propriétés statistiques de la réflectivité de ce milieu complexe ainsi que ses variations spatiales, la texture. La résolution spatiale réduite des données SAR acquises par la plupart des capteurs satellitaires constitue un important facteur limitant. Dans ce cas, la diversité de polarisation offre un mode alternatif pour la détection et la caractérisation de zones urbaines. La méthode proposée se base sur trois approches polarimétriques complémentaires utilisant:
Cette approche est appliquée sur des données acquises par les capteurs ALOS/PALSAR en bande L et RADARSAT 2 en bande C.
Nous proposons une chaîne de traitement générique pour la mise à jour de bases de données cartographiques grâce à des images satellites haute résolution optique et/ou radar en milieu urbain. Différents scénarios sont envisagés selon les données disponibles. Les objets d'intérêt considérés sont les bâtiments et les routes. Dans une première étape nous vérifions si les éléments de la base de données sont toujours présents dans les images. La seconde étape est la recherche d'objets d'intérêt en dehors de la base de données. La méthode utilisée consiste à extraire dans les images des primitives caractéristiques des objets d'intérêt, puis de les fusionner dans le cadre de la théorie de Demspter-Shafer, afin d'associer un score à chaque objet.
In the literature, the problem of object detection in hyperspectral remote sensing images is usually addressed within the frame of one specific application, leading to application dependent methodologies. However, when a large variety of objects is to be detected, there is a need for a generic segmentation tool. In this context, we present a new region-based hierarchical hyperspectral image representation. The proposed representation provides a set of partitions representing the image at various resolution levels which reduces the number of elementary primitives and thus allows a more robust filtering, segmentation, classification or information retrieval. Binary Partition Trees (BPTs) have proved their ability to provide such a representation. They can be interpreted as a set of hierarchical regions stored in a graph structure. Given their structure, a specific algorithm can select the most meaningful region(s), addressing a wide range of potential applications. The selected region(s) may directly represent the object to be detected or a good object estimation.
The extension of BPTs to hyperspectral images requires new developments in order to take the high dimensionality of the data into account. We propose to discuss these issues, both for the constrtuction of the BPT and for its analysis, i.e. the pruning step. The construction of the BPT is often based on an iterative region merging algorithm. Therefore, a good similarity metric is needed to establish the merging order between regions. Working with hyperspectral data, the definition of a spectral similarity distance is not straightforward. We introduce some similarity metrics to construct a robust hyperspectral BPT in such a way that the most interesting or useful regions are represented as nodes within the tree. The most meaningful nodes are then to be identified in order to provide an accurate segmentation of the objects of interest. Experimental results shows that BPT nodes provide with good approximations of the objects in the scene.
Object based and geo-spatial analysis are efficient techniques in the field of object recognition in high resolution remote sensing images. By working at a higher level of abstraction, the first allows to capture structures and features that would not be handled properly by low-level pixel-based or neighbourhood-based methods. Because of the intrinsic geo-spatial nature of remote sensing data, it looks straightforward to benefit from the flexible tools provided by the latter, such as GIS systems and databases. Yet extracting pertinent information from raw products and exporting it to a GIS database is a challenging task, because of the variability and volume of the data to process. A single standard very high resolution product contains billions of pixels with features that can not be easily extracted and generalized. We propose a semi-automatic system to perform this task, by incrementally extracting information from the raw data using well-known performing techniques from the literature : P+XS fusion, segmentation, object-based features extraction, vectorization and SVM training with active learning, and final massive export to a GIS database in which geo-spatial requests can easily be performed. Our system is in a pre-operational state, since it is able to process full Quickbird products automatically apart from the learning step, which could be done only one for a representative set of scenes. As such, it could very well be plugged to the output of a ground segment and automatically produce value-added products. Finally, it is also highly flexible, because each step can be extended and tuned to specific user needs. The talk will focus on two points of view, one describing the whole approach in terms of image processing chain, the other highlighting the software architecture. Results from each step will be given, from segmentation to geo-spatial requests.
La détection d'objets dans les images HR est un problème difficile à traiter tant les caractéristiques des objets sont variables inter et intra-classe. La méthode des Bag Of Words, qui consiste à construire un dictionnaire de mots, a prouvé son efficacité dans le domaine de la reconnaissance de textes. Cette technique a été adaptée pour l'imagerie satellite en utilisant le détecteur de points d'intérêts SIFT (Scale Invariant Feature Transform). L'apprentissage du dictionnaire est donc réalisé sur les descripteurs associés à chaque point d'intérêt, la classification étant effectuée à l'aide des SVM (Support Vector Machine).
La nouvelle génération de capteurs satellitaires optiques et radar, fournissant des données à résolution métrique, offre de grands challenges dans le domaine de l'extraction et de la reconstruction 3D des bâtiments en milieu urbain. Nous nous plaçons dans le cadre où les données d'entrée se composent d'une image optique et d'une image radar et nous cherchons à fusionner les informations complémentaires extraites des deux images en vue d'une reconstruction des bâtiments de la scène. Nous décrivons une chaîne complète de traitements semi-automatiques, capable de fournir une reconstruction 3D simple des bâtis à partir du couple optique-radar à résolution métrique. Nous modélisons chaque bâtiment par un parallèlépipède 3D et nous supposons que l'image optique a été acquise avec une visée quasi verticale, afin de faciliter la détection des bâtis. La chaîne proposée se décompose en différentes étapes : extraction des emprises au sol des bâtis potentiels en monoscopie optique, projection et recalage fin de celles-ci dans l'image radar,estimation des hauteurs et validation de la présence des bâtis à partir des données radar. Chacun des procédés mis en jeu est décrit de façon méthodologique. La séquence de traitement est ensuite appliquée sur une scène d'étude Quickbird-TerraSAR-X, dans la région de Marseille (France). L'analyse des résultats, comparés avec une vérité terrain, nous permet de tirer quelques conclusions quant aux performances globales atteintes : détection précise des emprises, estimation pertinente des hauteurs, reconstruction 3D satisfaisante.
Les images de très haute résolution permettent la discrimination des différents objets dans l'image. Pour donner une interprétation de ces images il est nécessaire de prendre en compte l'agencement spatial des objets, car il apporte des informations structurelles sur la scène. Dans cette poster nous présentons la modélisation des relations spatiales, comme l'alignement entre objets, qui pourront être utiliser pour l'interprétation des images.
Date : 2010-05-07
Lieu : Télécom ParisTech - matin : Amphi Emeraude, après midi : E200
Thèmes scientifiques :
B - Image et Vision
Inscriptions closes à cette réunion.
(c) GdR IASIS - CNRS - 2024.