PDF Chapitre Conclusion Annexes et Bibliographie
86
pages
Français
Documents
Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus
Découvre YouScribe et accède à tout notre catalogue !
Découvre YouScribe et accède à tout notre catalogue !
86
pages
Français
Documents
Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus
C H A P I T R E 5 Amélioration de l'extraction de routes par un algorithme contextuel Sommaire 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 5.1.1 Introduction et état de l'art . . . . . . . . . . . . . . . . . . . . . . . 134 5.1.2 Notre approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.2 Contexte des routes . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.2.1 Objets contextuels des routes et organisation d'une scène urbaine . . 136 5.2.2 Apparence des bâtiments en imagerie radar . . . . . . . . . . . . . . 137 5.2.3 Configurations à problème pour un algorithme de suivi . . . . . . . . 139 5.2.4 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 5.3 Détection de structures linéaires brillantes . . . . . . . .
Voir
- résolution
- connaissance exacte
- scène urbaine
- méthodes contextuelles
- algorithme contextuel
- algorithme d'extraction de structures
.
. . . .
.
Sommaire 5.1 Introduction
134
Introduction et état de l’art . . . . . . . . . . . . . . . . . . . . . . .
5.1.1
134
Notre approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2
136
Contexte des routes . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2
136
Objets contextuels des routes et organisation d’une scène urbaine . .
Amélioration de l’extraction de par un algorithme contextuel
. . . . . . . . . . . . . . . . . . . . . . . . .
routes
5.3.2 Une solution au problème de fausses alarmes sur des objets ponctuels 144
141
5.4
Étape de raffinement pour l’extraction de routes . . . . . . . . . 149
5.4.1
Assister l’extraction du réseau routier . . . . . . . . . . . . . . . . . 149
5.4.2
Applications sur des exemples réels . . . . . . . . . . . . . . . . . . . 151
. . . . .
. . . . . . . . . .
. .
. . . . .
. . .
. . . . . . .
153
Conclusion
136
5.2.1
Apparence des bâtiments en imagerie radar . . . . . . . . . . . . . .
137
5.2.2
Configurations à problème pour un algorithme de suivi . . . . . . . .
139
5.2.3
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.4
140
Détection de structures linéaires brillantes . . . . . . . . . . . . .
141
5.3
Une méthode de détection existante : le détecteur rapport de Tupin
5.3.1
Ce chapitre s’organise en quatre parties principales. La première partie est une introduction aux méthodes contextuelles en traitement d’images. Un rapide état de l’art est ainsi proposé, à la suite duquel notre approche est introduite. Nous traitons dans la partie suivante de l’extraction automatique des objets composant le contexte des routes, à savoir les bâtiments et autres objets routiers linéaires (palissades, trottoirs, etc.). Enfin la dernière partie propose un algorithme d’extraction de routes utilisant la localisation de ces objets contextuels pour compléter l’extraction dans les zones de la scène à forte densité en objets brillants.
C H A P I T R E
5.5
De façon générale, les difficultés d’analyse et de traitement d’une image radar HR sont sou-vent liées aux contextes de la scène riches en objets brillants dont les fortes réponses influent sur l’aspect des régions voisines moins rétrodiffusantes. Ainsi la principale limitation de l’algo-rithme présenté au chapitre 4 concerne l’extraction des routes traversant un environnement à forte densité en objets manufacturés brillants. Afin de palier cette limitation, nous souhaitons dans ce dernier chapitre apporter quelques améliorations aux résultats de cet algorithme en exploitant la connaissance d’information sur le contexte des routes.
5
134
5.1
Chapitre 5 - Amélioration de l’extraction de routes par un algorithme contextuel
Introduction
5.1.1 Introduction et état de l’art
L’attrait des méthodes contextuelles est apparu en même temps que les données HR. On ne peut parler d’objets contextuels comme les bâtiments ou les voitures qu’à partir du moment où ces derniers sont visibles sur l’image radar. L’utilisation d’information contextuelle dans un processus d’extraction de structures a déjà montré son potentiel dans divers travaux de la littérature [WH03] [Bon98]. Les méthodes contextuelles peuvent être utilisées dans deux objectifs principaux : – pour valider de façon automatique le résultat d’un algorithme d’extraction de structures ; – pour assister un algorithme d’extraction de structures.
Ces deux approches sont détaillées dans les deux paragraphes suivants.
♦Validation
Il s’agit ici d’utiliser la connaissance d’objets contextuels pour valider et qualifier le résul-tat d’un algorithme d’extraction de structures (dans notre cas les routes). Le résultat de cette approche se présente généralement sous la forme de coefficients de certitude accordés à chaque élément issu du processus d’extraction. Pour une structure extraite donnée, la valeur du coefficient de certitude est fonction de la nature des objets de son contexte. Par exemple dans le cas du réseau routier, si des voitures ou des bâtiments sont détectés à proxi-mité d’une route extraite, nous pouvons considérer avec un coefficient de confiance élevé qu’il s’agit bien d’une route. Inversement si aucun élément du contexte des routes n’est détecté, peu de confiance sera accordé au résultat de l’extraction.
Cette approche a ainsi été envisagée par Hinz dans [Hin04]. L’information sur les objets contex-tuels de la scène est ici utilisée pour permettre l’auto-évaluation d’un algorithme d’extraction du réseau routier de scènes urbaines optiques HR. Dans ces travaux, l’algorithme d’extraction est couplé au résultat d’une classification de l’image en trois classes principales : les régions urbaines, les régions forestières et les régions rurales. Cette segmentation de la scène permet l’utilisation d’information contextuelle adaptée au type de scène : les objets du contexte d’une route ne sont pas les mêmes en milieu urbain qu’en milieu rural.
♦Assistance
La connaissance d’objets contextuels est ici envisagée pour assister un algorithme d’ex-traction de structures. Dans l’exemple des routes, la connaissance des lignes de véhicules et de l’orientation des bâtiments dans une région de l’image apporte de l’information intéressante sur la position et l’orientation des routes dans cette même région.
Cette approche est généralement d’une grande aide pour extraire les structures délicates de la scène, c’est à dire celles noyées dans un environnement riche et complexe à analyser pour un algorithme d’extraction classique. Nous avons en effet vu dans les chapitres précédents que l’amélioration des résolutions des données de télédétection s’accompagne d’une difficulté croissante de modéliser de façon générique les diverses structures de la scène. Le contexte des routes, visible avec de plus en plus de précision, prend une importance non négligeable.
5.1 : Introduction
135
Les échecs des méthodes d’extraction sont souvent dus aux écarts des configurations réelles rencontrées sur les données de télédétection par rapport aux modèles théoriques. Ainsi les mé-thodes contextuelles proposent d’utiliser des modèles intégrant de plus en plus d’information sur les routes elle-même ainsi que sur les objets de leurs environnements afin de réduire cet écart modèle-données et d’obtenir un résultat d’extraction le plus complet possible.
L’étude de la littérature a permis de dégager deux approches : –Les techniques multi-résolutionstravaillent en deux temps. Dans un premier temps, le réseau routier est extrait à partir d’une image dégradée en résolution. L’information contextuelle, déduite de l’image HR, est ensuite utilisée dans une phase d’identification. L’objectif de cette phase est d’isoler, en se basant sur l’information contextuel, les élé-ments extraits précédemment et correspondant effectivement au type de structures que nous cherchons à extraire.
–
Cette approche de détection-identification a été adoptée par Bonnefon [Bon98]. L’auteur propose dans ses travaux d’extraire le réseau routier de scènes urbaines, à partir de données optiques HR (résolution Ikonos) : Idans un premier temps, le tracé du réseau routier est extrait par un algorithme de programmation dynamique sur une image dégradée en résolution ; Idans la phase d’identification, les axes routiers sont distingués des lignes de che-mins de fer par prise en compte des alignements de voitures et du marquage routier.
Les techniques mono-résolutiontravaillent à partir d’un modèle complexe intégrant de l’information fournie sur les structures d’intérêt et leur contexte. Les modèles n’in-cluent plus seulement des descriptifs radiométriques ou géométriques des routes, mais également des propriétés relatives aux objets de leur environnement : à proximité d’une route, se trouvent des voitures et des bâtiments.
Cette seconde approche est celle préférée par Wessel [WW04] [WH03] qui utilise l’infor-mation contextuelle, citée ci-dessous, pour assister un algorithme d’extraction de route par reconnection de graphes appliqué dans un contexte radar HR. Les objets contextuels exploités sont : I ;Les bâtiments Iles véhicules de la scène : il s’agit ici des véhicules mobiles qui se présentent sous la forme de lignes floues dans la direction azimutale (voir chapitre 2) ; I ;les ponts et barrières de sécurité Iles intersections du réseau routier ; Iles panneaux de signalisation.
♦Difficultés d’une approche contextuelle
La principale difficulté des méthodes contextuelles est de détecter les objets contextuels en question. Il existe deux manières de localiser ces objets : – automatiquement, – manuellement. Dans l’approche automatique, la localisation de ces objets est donnée par des algorithmes de détection et d’extraction appropriés (bâtiments, alignement de voitures, etc.). C’est l’approche envisagée par Bonnefon [Bon98] qui recherche les lignes de véhicules et les marquages linéaires
136
Chapitre 5 - Amélioration de l’extraction de routes par un algorithme contextuel
Fig.5.1 -Exemple d’échec de l’extraction des routes en environnement complexe
routiers au sol (qui sont des éléments non visibles en radar) sur des images optiques à l’aide d’algorithmes appropriés de traitement de l’image.
Il n’est pas toujours évident de détecter et différencier, de façon fiable, ces différents objets à partir d’une seule image radar. C’est pourquoi l’approche manuelle est souvent envisagée. Ainsi dans le cadre de ces travaux Wessel [WW04] a préféré l’expertise d’un opérateur.
5.1.2 Notre approche
Dans le cadre de nos travaux, nous souhaitons utiliser la connaissance des objets du contexte des routes pour assister l’algorithme de suivi dans les zones à forte densité en objets brillants.
Avant de développer un algorithme contextuel, il est important de bien analyser le problème afin d’identifier l’information contextuelle utile, et de mettre en place la stratégie d’extraction. Ceci est l’objectif du paragraphe suivant.
5.2
Contexte des routes
Dans cette section, nous analysons le problème lié au contexte des routes sur des exemples concrets. Nous commençons par énumérer les objets contextuels des routes visibles sur nos scénarii radar et formulons quelques remarques importantes sur leur apparence dans les images ainsi que la disposition mutuelle de tous ces objets dans une scène urbaine. Dans une dernière partie, la méthode contextuelle envisagée dans ces travaux dans le contexte de l’extraction de routes est introduite.
5.2.1 Objets contextuels des routes et organisation d’une scène urbaine
L’observation de diverses scènes radars a permis d’établir la liste non exhaustive suivante des objets manufacturés du contexte des routes pouvant influer sur leur aspect radiométrique : – Les bâtiments dont l’aspect visuel sera discuté en détail dans une section ultérieure. Nous retiendrons pour le moment la présence d’une forme linéaire brillante correspondant à la réponse du coin réflecteur mur-sol face au capteur (figure 5.2),
–
–
5.2 : Contexte des routes
137
les trottoirs, murs et barrières qui apparaissent sous forme de structures linéaires brillantes de quelques pixels de large (figure 5.2), les petits objets manufacturés comme les véhicules non signalisation (figure 5.2).
Fig.5.2 -Exemple d’objets contextuels des routes
mobiles1
et
les panneaux de
Tous ces objets ne sont généralement pas disposés au hasard sur une scène urbaine. Plusieurs règles d’organisation et de disposition relative d’un objet par rapport aux autres peuvent être dégagées : – les bâtiments d’une ville sont, dans la majeure partie des cas, alignés le long des routes et orientés dans la même direction que ces dernières, – les voitures stationnées sont également alignées dans la même direction que les routes, – de même les murettes et trottoirs sont souvent alignés avec les routes. En résumé, toute l’organisation interne d’une ville semble construite et orientée autour des routes.
5.2.2 Apparence des bâtiments en imagerie radar
Nous détaillons ici plus précisément l’aspect des bâtiments en imagerie RSO.
5.2.2.1
Aspect général des bâtiments
Grâce aux images produites par certains capteurs aéroportés (e.g. le capteur français RAMSES ou encore le capteur allemand PAMIR2), les bâtiments, non discernables jusqu’à présent sur des images de télédétection, sont maintenant visibles. En particulier, certaines structures des bâtiments comme les cheminées ou les arêtes de toits sont visibles sur les images pour des résolutions de l’ordre du décimètre [STB04] [CDFD05]. L’analyse complète de la réponse d’un bâtiment est une chose compliquée ne pouvant généra-lement pas être faite sans la connaissance exacte d’une vérité terrain.
A 50 cm de résolution, les différentes structures des bâtiments précédentes sont souvent visibles mais difficilement différentiables les unes des autres par rapport à des scénarios décimétriques.
1les objets mobiles bien que source d’information intéressante n’ont pas été traités dans ces travaux 2capteur du FGAN qui est capable d’atteindre des résolutions en dessous du décimètre
138
Chapitre 5 - Amélioration de l’extraction de routes par un algorithme contextuel
(a)
Fig.5.3 -Réponses de bâtiments en imagerie radar
(b)
Une modélisation simple de la réponse d’un bâtiment est souvent admise afin de permettre la mise au point des méthodes d’extraction.
Les images de la figure 5.3 présentent la réponse de bâtiments en imagerie RSO. L’image (a) représente un grand bâtiment industriel. Remarquons la présence de nombreuses petites structures du toit. Mis à part ces structures, il est intéressant de remarquer que la réponse d’un bâtiment peut être décomposée en quatre régions principales : – La zone de repliement, correspondant à la réponse du dièdre mur-sol face au capteur. Cette zone est de radiométrie assez élevée sur l’image radar. – La réponse du coin réflecteur, qui se situe à l’intérieur de la zone de repliement, se présente sous la forme d’un ligne très brillante de plusieurs pixels de large. Cette zone marque généralement le début de la zone de repliement. – La réponse du toit du bâtiment est souvent de radiométrie faible mise à part dans certaines configurations de toit pentu dont la normale est proche de l’angle d’incidence (voir chapitre 2). Dans ce cas la réponse du toit peut être importante. – L’ombre du bâtiment, de radiométrie foncée, correspondant à la zone de la scène non visible du capteur à cause de l’altitude du bâtiment. La figure 5.4 schématise ce modèle de bâtiments.
5.2.2.2 Limitations du modèle de bâtiments
Le modèle précédent bien qu’étant le plus couramment rencontré n’est pas pour autant générique. En effet comme vu au chapitre 1, les réponses enregistrées sur les images radar dépendent de la scène (nature, géométrie, etc.) mais aussi des paramètres capteurs (longueurs d’onde). Ainsi en bande S (grande longueur d’onde) la zone d’ombre est souvent confondue avec la réponse du sol au comportement spéculaire par rapport à la longueur d’onde incidente. En bande Ku par contre, la différence radiométrique entre les ombres et la réponse du sol en-vironnant est beaucoup plus marquée.
De même pour la zone de repliement. Suivant la nature des matériaux composant les murs des bâtiments, l’onde est plus ou moins absorbée, et la zone de repliement plus ou moins visible sur l’image radar. Ainsi certains bâtiments peuvent ne pas présenter de zone de repliement.
5.2 : Contexte des routes
Fig.5.4 -Réponse d’un bâtiment en imagerie RSO
5.2.2.3 Détection de bâtiments en imagerie radar
139
Les bâtiments d’une scène urbaine sont généralement détectés et extraits à partir de leurs ombres et de la réponse linéaire de leur coin réflecteur. Ainsi deux approches différentes pour la détection de bâtiments sont à distinguer : –La détection des bâtiments par les ombresconsiste à rechercher les objets les plus sombres de l’image. Cette opération peut reposer sur le résultat d’une classification de la scène suivi d’un filtrage par opérateur morphologique comme dans [TTM04]. –La détection des bâtiments par détection du coin réflecteurest souvent rame-née, dans la littérature, au problème de détection de structures linéaires brillantes de quelques pixels d’épaisseur. Nous reprendrons ce problème dans la section suivante.
Dans le contexte de ces travaux, seule la détection des coins réflecteurs est considérée. Notre objectif n’est pas de détecter tous les bâtiments d’une scène. Nous cherchons juste à extraire les structures linéaires brillantes des coins réflecteurs et à estimer leur direction pour les inté-grer dans le processus d’extraction de routes.
5.2.3
Configurations à problème pour un algorithme de suivi
5.2.3.1 Objets contextuels contraignants
Dans cette sous section, nous observons plus en détail les configurations de la scène ou l’extraction de routes est très difficile.
Les objets qui influent principalement sur l’aspect radiométrique d’une route et peuvent mettre en difficulté un algorithme d’extraction de route, ne sont pas les petits objets localisés comme les véhicules stationnés ou encore les panneaux de signalisation. L’algorithme de suivi déve-loppé au chapitre 4 s’est montré robuste face aux obstacles et occlusions localisés. Les principaux éléments perturbateurs sont les bâtiments, trottoirs et murs dont les réponses linéaires brillantes s’étendent sur une grande distance au bord des routes. Si cette distance
140
Chapitre 5 - Amélioration de l’extraction de routes par un algorithme contextuel
devient trop grande, l’algorithme de suivi se retrouve incapable de poursuivre l’extraction de façon fiable et le processus d’extraction s’arrête.
5.2.3.2 Influence de l’orientation relative capteur-route
L’orientation relative capteur-route joue un rôle important dans les échecs observés de l’algorithme de suivi développé au chapitre 4. En effet, l’observation de plusieurs données et résultats d’extraction indiquent que les échecs de l’algorithme de suivi concernent générale-ment les routes parallèles à la trajectoire du capteur. Dans ce cas particulier, les réponses des coins réflecteurs de bâtiments ainsi que celles des trottoirs et murs sont orientées dans le même direction que la route et peuvent s’étendre, selon la densité d’objets de la scène, sur une grande distance le long de cette route. Dans le cas des routes orientées perpendiculairement à la trajectoire du porteur, la réponse des coins réflecteurs des bâtiments n’est plus parallèle à la route mais perpendiculaire à cette dernière. Ainsi si perturbation il y a, elle est très petite (figure 5.5) et ne gène pas l’algorithme de suivi.
Fig.5.5 -Influence du contexte en fonction de l’orientation relative capteur-route
5.2.4 Résumé
L’analyse précédente a permis de mettre en évidence trois remarques importantes : – Les éléments perturbateurs pour notre algorithme d’extraction de routes sont les objets aux réponses brillantes et étendues comme les bâtiments et les murs. – La plupart de ces structures se présente sous la forme de structures linéaires brillantes. – L’organisation générale d’une ville montre que ces principaux objets perturbateurs sont regroupés de part et d’autres des routes et sont souvent orientés dans la même direction que ces dernières.
La méthode contextuelle proposée dans ce chapitre est fondée sur ces trois observations. Si un algorithme d’extraction éprouve des difficultés à localiser et extraire une route, la localisation
et l’orientation des objets linéaires brillants à proximité de la route à extraire peut être une alternative pour effectuer l’extraction.
