Détection Multirésolution des Changements par Analyse Spectrale Locale de Walsh-Hadamard

Olivier Desprez

Description

Publication GRETSI'97

Sujets

• Change detection
• Image processing
• Multiresolution analysis

Informations

• Publié par: ODesprez
• Publié le: 06 décembre 2012
• Nombre de lectures: 97
• Langue: Français

Extrait

Détection multirésolution des changements par
analyse spectrale locale de Walsh-Hadamard


Olivier Desprez Eric Petit

Laboratoire d’Etudes et de Recherches en Instrumentation Signaux et Systèmes (L.E.R.I.S.S.)
Université Paris XII Val de Marne, Avenue du Général de Gaulle, 94010 Créteil, France
RESUME ABSTRACT

Cet article traite du problème de la détection automatique des This paper deals with the problem of automatic temporal change
changements sur un couple d’images multitemporelles en imagerie detection on a pair of images of a scene. Because of the limitations
dite de surveillance. Les limites des approches classiques nous ont of classical approaches, we developed a new operator based on a
conduit à développer un nouvel opérateur, fondé sur l’analyse en principal component analysis of spatio-frequential attributes ex-
composantes principales d’attributs spatio-fréquentiels extraits de tracted from Walsh-Hadamard local 2-dimensional spectra of
spectres bidimensionnels locaux de Walsh-Hadamard à échelles decreasing dyadic scales. The operator is used within the framework
dyadiques décroissantes. L’opérateur est utilisé dans le cadre d’une of a multiresolution strategy. This allows to significantly reduce the
stratégie d’analyse multirésolution, ce qui permet de détecter des problem of regional occlusion without loss of spatial resolution. The
changements d’ordre textural tout en réduisant de façon significative method we propose provides a hierarchic description of the scene
le problème d’occlusion régionale sans perte de résolution spatiale. changes. It can benefit of a time processing improvement thanks to a
La méthode proposée fournit une description hiérarchique des low-pass pyramidal decomposition of the original pair of images.
changements de la scène et peut en outre bénéficier d’une optimisa-
tion calculatoire par décomposition du couple d’images en pyrami-
des passe-bas.

intensité) caractérisant la dissemblance du paysage urbain
d’une scène photographique aérienne. 1 Introduction

Le problème de la détection des changements intervient
dans le traitement des images acquises par des capteurs
observant la même scène de façon répétitive. Dans un
contexte de réactualisation de scène, le but est d’effectuer une
comparaison non dirigée entre deux images acquises par le
même capteur à des instants différents. Les changements
fig.1 : Un couple d’images multitemporelles (256x256 pixels) détectés entre les images doivent être significatifs de
L’image des différences (à droite) souligne les risques d’erreurs de l’apparition ou de la disparition d’objets dans la scène qui
détection : ombres portées à l’arrière-plan, bruits de contours, oc-
peut alors être mise à jour en fonction de son évolution clusion partielle du piéton, variations locales non significatives.
temporelle. En imagerie dite de surveillance l’intervalle de
L’attribut de changement le plus utilisé est la variation locale temps séparant l’acquisition des deux images est faible, tout
des luminances obtenue par simple soustraction d’images. Il en restant supérieur à la cadence vidéo. La réactualisation
caractérise les changements de réflectance des structures de la s’effectue alors dynamiquement par scrutations périodiques
scène à l’échelle du pixel ou d’une cellule. Un seuillage de la scène (capteur en « état de veille »).
permet alors d’exhiber les zones de changement au sens de la En réactualisation de scène, les méthodes fondées sur une
luminance. Le bruit et les faibles contrastes régionaux entre approche iconique sont les plus classiques. Elles sont basées
les deux instants d’observation rendent le choix du seuil sur la représentation des images au niveau du pixel et suppo-
délicat (fig.1). Une solution consiste à considérer que le bruit sent la quasi-invariance de la scène en dehors des zones de
est non corrélé spatialement, et à ne conserver comme perti-changement. Il faut donc mettre les deux images en parfaite
nentes que les zones de l’image possédant un nombre mini-correspondance spatiale et radiométrique, puis les comparer
mum de pixels connexes au-dessus du seuil. Néanmoins cette au moyen d’attributs de changement extraits sur la scène. La
méthode s’avère inefficace dans le cas où une région chan-mise en correspondance s’effectue par application de
geante présente une texture à hautes fréquences spatiales, ou l’opérateur d’intercorrélation bidimensionnelle ou par le
lorsque le changement provient d’un léger déplacement d’une calcul des coefficients d’un polynôme (d’ordre > 2), à partir
entité faiblement contrastée. Une solution alternative revient à du découpage de la scène en quadrilles appelées cellules [1-
considérer la dissemblance entre les distributions statistiques 3]. Sur ces cellules Kawamura [3] extrait trois attributs
des luminances plutôt que la variation des luminances. Sur ce(coefficient de corrélation, entropie et probabilité de hauteprincipe, Eghbali [4] utilise le test de Kolmogorov-Smirnov On obtient ainsi les blocs transformés B(k,l) exprimés comme
pour détecter les changements entre deux images multibandes suit :
N −1 N −1du satellite LANDSAT. Hsu et col. [5] détectent les change- 1
Bk(,l) = bm( ,n)W (k,m)W (l,n) ∑ ∑ N N2ments entre deux images consécutives d’une séquence, à N m=0 n=0
partir de la modélisation locale des images par un polynôme Le spectre énergétique associé S(k,l) = |B(k,l)|² est calculé
N−1 N−1fonction des coordonnées des pixels, et du rapport de vrai-
ainsi que l’énergie totale du blocES= (,kl) . semblance introduit par Yakimovsky. ∑∑
k=0 l=0 Une autre approche dite symbolique est fondée sur une
La dissemblance entre un bloc b(m,n,t ) et son correspon-1représentation sémantique des images. Le principe consiste à
dant b(m,n,t ) est évaluée au moyen de trois attributs notés 2mettre en correspondance des attributs extraits sur les entités
EQMI, DET et DAS. détectés dans la scène par segmentation spatiale. Dès la fin
L’Ecart Quadratique Moyen des Intensités (EQMI) : des années 1970, Price [6] propose une méthode de détection
N −1 N −11 2au niveau symbolique, arguant son potentiel d’adaptation à EQMI(,l c)=− bm(,n,t) bm(,n,t) []∑∑bb 12une plus grande classe d’images. Les changements sont N² m= 0 n = 0
détectés après appariement régional à partir d’un ensemble (où l et c sont les indices spatiaux du bloc dans la scène) b b
d’attributs (luminance moyenne, taille en pixels, compacité, Cet attribut est préféré à la Différence des Intensités Moyen-
etc.), extraits après segmentation de type division de région. nes (DIM(l ,c ) = |B(0,0,t ) - B(0,0,t )|) car il est plus sensible b b 1 2
D’autres méthodes plus récentes sont issues de l’analyse du aux fortes variations locales d’intensité.
mouvement par segmentation spatio-temporelle. Kottke [7] La Différence d’Ecart-Type (DET) traduit la variation
propose une mise en correspondance de régions segmentées d’homogénéité statistique entre les deux blocs et s’exprime
par un algorithme dérivé des K-means. Benois [8] s’affranchit comme suit :
du problème d’appariement en fusionnant des régions spatia-
DET(l,)c=−E S(00,, t)− E− S(0,0, t) bb 11 2 2les temporellement homogènes. Les méthodes symboliques
a b c(ordre de séquence horizontale)permettent de prendre en compte le contexte spatial des pixels
0 1 23 4
B(k,l) 3π/4A012 3456 7et limitent ainsi le risque d’occlusion des régions changeantes H0 0 k
y1détectées. Néanmoins elles posent le problème du choix pc1
2θ2 A xd’une méthode de segmentation suffisamment stable pour que H x3 pπ/2 D2 Vla description symbolique de chaque image soit indépendante 4
5 Vdes fluctuations naturelles de la scène. Au risque d’erreur 3
6
dans la comparaison (variabilité des attributs), s’ajoute le y4 7 D π/4
0(a)risque d’erreur dans la représentation. l

fig.2 : Création de filtres directionnels et calcul de l’orientation principale

Nous proposons dans cet article un nouvel opérateur pour Le troisième attribut est prélevé dans l’espace