SlideShare une entreprise Scribd logo
1  sur  42
Télécharger pour lire hors ligne
Introduction Modèles Optimisations




           Traitement d’images de télédétection
                               Corrections géométriques


                             jordi.inglada@cesbio.cnes.fr

        C ENTRE D ’É TUDES S PATIALES DE LA B IOSPHÈRE , TOULOUSE , F RANCE




Ce contenu est dérivé de la formation “Pragmatic Remote Sensing” dispensée par J. Inglada et E. Christophe en
     juillet 2010 dans le cadre du colloque IGARSS. Il est mis à disposition selon les termes de la licence :

                 Creative Commons Paternité – Partage à l’Identique 3.0 non transcrit.


                                      AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




Série d’images




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




Série d’images




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




                  Modèle
                  capteur



Série d’images




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




                  Modèle
                  capteur



Série d’images




   MNT




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




                  Modèle
                  capteur



Série d’images




   MNT




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




                  Modèle
                  capteur



Série d’images




   MNT




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction




                  Modèle
                  capteur



Série d’images              Géo-référencement




   MNT




                                        AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle
                  capteur



Série d’images                   Géo-référencement




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle
                  capteur



Série d’images                   Géo-référencement




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage
                  capteur                            fin


Série d’images                   Géo-référencement




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage
                  capteur                            fin


Série d’images                   Géo-référencement




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage
                  capteur                            fin


Série d’images                   Géo-référencement              Série recalée




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage
                  capteur                            fin


Série d’images                   Géo-référencement              Série recalée




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage
                  capteur                            fin


Série d’images                   Géo-référencement              Série recalée




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage                   Projection
                  capteur                            fin                         Carto


Série d’images                   Géo-référencement              Série recalée




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage                   Projection
                  capteur                            fin                         Carto


Série d’images                   Géo-référencement              Série recalée




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


 Introduction


                 Spatio trian-       Points Homo-
                 gulation            logues




                  Modèle                             Recalage                   Projection
                  capteur                            fin                         Carto


Série d’images                   Géo-référencement              Série recalée                Ortho-images




   MNT




                                             AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Définition



    Transformation de coordonnées entre l’image issue du capteur
    (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel :




                                   AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Définition



    Transformation de coordonnées entre l’image issue du capteur
    (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel :

                          Direct
                      X = fx (l, c, h, θ)        Y = fy (l, c, h, θ)




                                   AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Définition



    Transformation de coordonnées entre l’image issue du capteur
    (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel :

                          Direct
                      X = fx (l, c, h, θ)        Y = fy (l, c, h, θ)

                           Inverse
                      l = gl (X , Y , h, θ) c = gc (X , Y , h, θ)




                                   AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Définition



    Transformation de coordonnées entre l’image issue du capteur
    (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel :

                          Direct
                      X = fx (l, c, h, θ)        Y = fy (l, c, h, θ)

                           Inverse
                      l = gl (X , Y , h, θ) c = gc (X , Y , h, θ)

    Où θ est l’ensemble de paramètres décrivant le capteur et la
    géométrie d’acquisition.


                                   AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Définition



    Transformation de coordonnées entre l’image issue du capteur
    (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel :

                          Direct
                      X = fx (l, c, h, θ)        Y = fy (l, c, h, θ)

                           Inverse
                      l = gl (X , Y , h, θ) c = gc (X , Y , h, θ)

    Où θ est l’ensemble de paramètres décrivant le capteur et la
    géométrie d’acquisition.
    L’élévation de chaque point (MNT) doit être connue.

                                   AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Types de modèles




         Modèles physiques
              Rigoureux, complexes, équations fortement non-linéaires
              Difficiles à inverser
              Les paramètres ont une signification physique
              Spécifiques à chaque capteur
         Modèles analytiques génériques
              Ex : polynomiaux, fractions rationnelles, etc.
              Moins précis
              Faciles à mettre en oeuvre
              Les paramètres peuvent ne pas avoir de signification
              physique



                                  AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
L’approche OTB




         Utilisation de factories : les modèles sont générés
         automatiquement en utilisant les méta-données des
         images
         Modèles disponibles
             Fractions rationnelles : Quickbird, Ikonos, WorldView-2
             Modèles physiques : SPOT5
             Radar : ERS, ASAR, Radarsat, Cosmo Skymed,
             TerraSAR-X, Palsar




                                  AUF - Marrakech 2011
Introduction Modèles Optimisations


La main à la pâte




    1. Monteverdi : Ouvrir une image en géométrie capteur
    2. Afficher l’image
    3. Observer comment les coordonnées géographiques sont
       recalculées quand le curseur se déplace




                                AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Utilisation : ortho-rectification




       1. Lecture des méta-données image et création du modèle
          avec les bons paramètres
       2. Définition de la ROI en coordonnées sol (c’est la matrice
          de pixels de sortie)
       3. Balayer les pixels de coordonnées (X , Y ) :
            3.1 Obtenir h à partir du MNT
            3.2 Calculer (c, l) = G(X , Y , h, θ)
            3.3 Interpoler les valeurs des pixels si (c, l) ne sont pas des
                valeurs entières




                                     AUF - Marrakech 2011
Introduction Modèles Optimisations


La main à la pâte



    1. Monteverdi : Geometry → Orthorectification
    2. Choisir l’image à ortho-rectifier
    3. Choisir les paramètres
    4. Sauvegarder le résultat
    5. Répéter pour la 2ème image
    6. Afficher les 2 images ensemble




                                AUF - Marrakech 2011
Introduction Modèles Optimisations


Modèles de capteur
Limites de l’approche



          Un géo-référencement précis nécessite :
               Un MNT précis
               Des paramètres capteur sans erreur, θ
          Pour les séries multi-temporelles d’images on a besoin de
          recalage fin :
               Précision sous-pixellique
               Pour chaque pixel de la scène
          Les MNT et les méta-données capteur ne fournissent pas
          cette précision.
          Solution : utilisation de l’information redondante entre les
          images de la série.


                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Outline




   Modèles de capteur



   Optimisations
      Spatio-triangulation




                                 AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).                               G1 (Xi ,Yi ,hi ,θ1 )
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).                               G1 (Xi ,Yi ,hi ,θ1 )
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).                               G1 (Xi ,Yi ,hi ,θ1 )
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Position du problème



       La série d’images est
       ortho-rectifiée (avec le
       MNT et les paramètres
       disponibles).                               G1 (Xi ,Yi ,hi ,θ1 )
                                                                          G2 (Xi ,Yi ,hi ,θ2 )
       Supposons que des point
       homologues (PH) peuvent
       être obtenus aisément :
       PHi = (Xi , Yi , hi )
       Pour chaque image et pour
                                                          Tout est connu.
       chaque point nous
       pouvons écrire :
       (lij , cij ) = Gj (Xi , Yi , hi , θj )
                                    AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


Spatio-triangulation
Affinage du modèle




         Si nous définissons θjR = θj + ∆θj comme étant les
         paramètres affinés, ∆θj ce sont les inconnues du problème
         d’affinage.
         Nous avons beaucoup plus d’équations que d’inconnues si
         nous disposons de beaucoup de PH.
         Solution par moindres carrés
             Nous avons besoin des dérivées du modèle de capteur par
             rapport à ses paramètres.




                                  AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


La main à la pâte
Recalage manuel de 2 images
         Monteverdi : Geometry → Homologous points extraction
         Choisir 2 images avec une zone commune
         L’IHM permet de choisir la transformation géométrique
         On peut sélectionner des PH dans la zone de zoom et les
         ajouter à la liste
         Quand on a choisi plusieurs PH, on peut calculer la
         transformation
         On peut ensuite utiliser le bouton guess afin de prédire la
         position des nouveaux points
         L’IHM affiche les paramètres de la transformation estimée,
         l’erreur commise sur chaque point et l’EQM
         On peut éliminer de la liste les points qui ont le plus d’erreur

                                   AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


La main à la pâte
Changement de projection cartographique




         Monteverdi : Geometry → Reproject Image
         Choisir une image ortho-rectifiée
         Choisir la projection de sortie
         Save/Quit




                                   AUF - Marrakech 2011
Introduction Modèles Optimisations   Spatio-triangulation


La main à la pâte
Projection sur une autre image




          Monteverdi : Geometry → Superimpose 2 Images
          Choisir une image quelconque comme image à reprojeter
          Choisir une image ortho-rectifiée comme référence
               S’assurer que les 2 images ont une zone commune !
          Utiliser le même MNT que celui utilisé pour l’image
          ortho-rectifiée
          Save/Quit




                                    AUF - Marrakech 2011

Contenu connexe

En vedette

Cartographie et SIG 2016 - Partie 2
Cartographie et SIG 2016 - Partie 2Cartographie et SIG 2016 - Partie 2
Cartographie et SIG 2016 - Partie 2Ibrahima Sylla
 
Modélisation en hydrogéologie chap 01
Modélisation en hydrogéologie   chap 01Modélisation en hydrogéologie   chap 01
Modélisation en hydrogéologie chap 01azario1983
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Cartographie et SIG 2016 - Partie 3
Cartographie et SIG 2016 - Partie 3Cartographie et SIG 2016 - Partie 3
Cartographie et SIG 2016 - Partie 3Ibrahima Sylla
 
Cartographie et SIG 2016 - Partie 1
Cartographie et SIG 2016 - Partie 1Cartographie et SIG 2016 - Partie 1
Cartographie et SIG 2016 - Partie 1Ibrahima Sylla
 
Cours : Traitement d'images - 7ème de base
Cours : Traitement d'images  - 7ème de baseCours : Traitement d'images  - 7ème de base
Cours : Traitement d'images - 7ème de baseTunisie collège
 
Présentation de Stéphan Gaumont-Guay
Présentation de Stéphan Gaumont-GuayPrésentation de Stéphan Gaumont-Guay
Présentation de Stéphan Gaumont-GuayTIC Cégep Limoilou
 
la tecnologia
la tecnologiala tecnologia
la tecnologiakikucha
 
TXIM : Global brand pages
TXIM : Global brand pagesTXIM : Global brand pages
TXIM : Global brand pagesX-PRIME GROUPE
 
Clasificaciones De Sistemas Operativos
Clasificaciones De Sistemas OperativosClasificaciones De Sistemas Operativos
Clasificaciones De Sistemas Operativoslidiacanche
 
Instrucciones participación foro
Instrucciones participación foroInstrucciones participación foro
Instrucciones participación foroJuan Pablo
 
Tercera Parte Expo
Tercera  Parte  ExpoTercera  Parte  Expo
Tercera Parte Expoguestf1755e
 

En vedette (20)

Cartographie et SIG 2016 - Partie 2
Cartographie et SIG 2016 - Partie 2Cartographie et SIG 2016 - Partie 2
Cartographie et SIG 2016 - Partie 2
 
Modélisation en hydrogéologie chap 01
Modélisation en hydrogéologie   chap 01Modélisation en hydrogéologie   chap 01
Modélisation en hydrogéologie chap 01
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
Cartographie et SIG 2016 - Partie 3
Cartographie et SIG 2016 - Partie 3Cartographie et SIG 2016 - Partie 3
Cartographie et SIG 2016 - Partie 3
 
Cartographie et SIG 2016 - Partie 1
Cartographie et SIG 2016 - Partie 1Cartographie et SIG 2016 - Partie 1
Cartographie et SIG 2016 - Partie 1
 
Cours : Traitement d'images - 7ème de base
Cours : Traitement d'images  - 7ème de baseCours : Traitement d'images  - 7ème de base
Cours : Traitement d'images - 7ème de base
 
Teledetection Sig
Teledetection SigTeledetection Sig
Teledetection Sig
 
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
 
Social Fast Food
Social Fast FoodSocial Fast Food
Social Fast Food
 
Présentation de Stéphan Gaumont-Guay
Présentation de Stéphan Gaumont-GuayPrésentation de Stéphan Gaumont-Guay
Présentation de Stéphan Gaumont-Guay
 
la tecnologia
la tecnologiala tecnologia
la tecnologia
 
TXIM : Global brand pages
TXIM : Global brand pagesTXIM : Global brand pages
TXIM : Global brand pages
 
materias (biologia)
materias (biologia)materias (biologia)
materias (biologia)
 
Clasificaciones De Sistemas Operativos
Clasificaciones De Sistemas OperativosClasificaciones De Sistemas Operativos
Clasificaciones De Sistemas Operativos
 
Paris unite 1
Paris unite 1Paris unite 1
Paris unite 1
 
Instrucciones participación foro
Instrucciones participación foroInstrucciones participación foro
Instrucciones participación foro
 
Recepta
ReceptaRecepta
Recepta
 
Tercera Parte Expo
Tercera  Parte  ExpoTercera  Parte  Expo
Tercera Parte Expo
 
Clase3 Lfm
Clase3 LfmClase3 Lfm
Clase3 Lfm
 
Softools E[1]
Softools E[1]Softools E[1]
Softools E[1]
 

Plus de otb

General presentation of OTB
General presentation of OTBGeneral presentation of OTB
General presentation of OTBotb
 
Orfeo ToolBox workshop at FOSS4G Europe 2015
Orfeo ToolBox workshop at FOSS4G Europe 2015Orfeo ToolBox workshop at FOSS4G Europe 2015
Orfeo ToolBox workshop at FOSS4G Europe 2015otb
 
Ice: lightweight, efficient rendering for remote sensing images
Ice: lightweight, efficient rendering for remote sensing imagesIce: lightweight, efficient rendering for remote sensing images
Ice: lightweight, efficient rendering for remote sensing imagesotb
 
Développement des chaînes de traitement d'images GEOSUD
Développement des chaînes de traitement d'images GEOSUDDéveloppement des chaînes de traitement d'images GEOSUD
Développement des chaînes de traitement d'images GEOSUDotb
 
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPS
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPSONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPS
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPSotb
 
Build OTB with the SuperBuild
Build OTB with the SuperBuildBuild OTB with the SuperBuild
Build OTB with the SuperBuildotb
 
ORFEO ToolBox Project Steering committee
ORFEO ToolBox Project Steering committeeORFEO ToolBox Project Steering committee
ORFEO ToolBox Project Steering committeeotb
 
OTB modular architecture
OTB modular architectureOTB modular architecture
OTB modular architectureotb
 
0 intro
0 intro0 intro
0 introotb
 
ORFEO ToolBox at CS-SI From research to operational applications
ORFEO ToolBox at CS-SI From research to operational applicationsORFEO ToolBox at CS-SI From research to operational applications
ORFEO ToolBox at CS-SI From research to operational applicationsotb
 
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015Usages of OTB at SERTIT OTB Users meeting and hackfest 2015
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015otb
 
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENT
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENTUSING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENT
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENTotb
 
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...otb
 
Monitoring tropical forest cover Activities of ONFI in remote sensing
Monitoring tropical forest cover Activities of ONFI in remote sensingMonitoring tropical forest cover Activities of ONFI in remote sensing
Monitoring tropical forest cover Activities of ONFI in remote sensingotb
 
Présentation générale de l'Orfeo ToolBox (12.2014)
Présentation générale de l'Orfeo ToolBox (12.2014)Présentation générale de l'Orfeo ToolBox (12.2014)
Présentation générale de l'Orfeo ToolBox (12.2014)otb
 
Monteverdi 2.0 - Remote sensing software for Pleiades images analysis
Monteverdi 2.0 - Remote sensing software for Pleiades images analysisMonteverdi 2.0 - Remote sensing software for Pleiades images analysis
Monteverdi 2.0 - Remote sensing software for Pleiades images analysisotb
 
Présentation de l'ORFEO ToolBox au FROG2013
Présentation de l'ORFEO ToolBox au FROG2013Présentation de l'ORFEO ToolBox au FROG2013
Présentation de l'ORFEO ToolBox au FROG2013otb
 
Pragmatic remote sensing handout
Pragmatic remote sensing handoutPragmatic remote sensing handout
Pragmatic remote sensing handoutotb
 
Madagascar2011 - 09 OTB Change detection framework
Madagascar2011 - 09 OTB Change detection frameworkMadagascar2011 - 09 OTB Change detection framework
Madagascar2011 - 09 OTB Change detection frameworkotb
 
Madagascar2011 - 08 - OTB segmentation and classification
Madagascar2011 - 08 - OTB segmentation and classificationMadagascar2011 - 08 - OTB segmentation and classification
Madagascar2011 - 08 - OTB segmentation and classificationotb
 

Plus de otb (20)

General presentation of OTB
General presentation of OTBGeneral presentation of OTB
General presentation of OTB
 
Orfeo ToolBox workshop at FOSS4G Europe 2015
Orfeo ToolBox workshop at FOSS4G Europe 2015Orfeo ToolBox workshop at FOSS4G Europe 2015
Orfeo ToolBox workshop at FOSS4G Europe 2015
 
Ice: lightweight, efficient rendering for remote sensing images
Ice: lightweight, efficient rendering for remote sensing imagesIce: lightweight, efficient rendering for remote sensing images
Ice: lightweight, efficient rendering for remote sensing images
 
Développement des chaînes de traitement d'images GEOSUD
Développement des chaînes de traitement d'images GEOSUDDéveloppement des chaînes de traitement d'images GEOSUD
Développement des chaînes de traitement d'images GEOSUD
 
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPS
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPSONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPS
ONLINE IMAGE PROCESSING WITH ORFEOTOOLBOX WPS
 
Build OTB with the SuperBuild
Build OTB with the SuperBuildBuild OTB with the SuperBuild
Build OTB with the SuperBuild
 
ORFEO ToolBox Project Steering committee
ORFEO ToolBox Project Steering committeeORFEO ToolBox Project Steering committee
ORFEO ToolBox Project Steering committee
 
OTB modular architecture
OTB modular architectureOTB modular architecture
OTB modular architecture
 
0 intro
0 intro0 intro
0 intro
 
ORFEO ToolBox at CS-SI From research to operational applications
ORFEO ToolBox at CS-SI From research to operational applicationsORFEO ToolBox at CS-SI From research to operational applications
ORFEO ToolBox at CS-SI From research to operational applications
 
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015Usages of OTB at SERTIT OTB Users meeting and hackfest 2015
Usages of OTB at SERTIT OTB Users meeting and hackfest 2015
 
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENT
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENTUSING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENT
USING ORFEO TOOLBOX A GROWING COMPETENCE IN A COLLABORATIVE ENVIRONMENT
 
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...
Teaching Remote Sensing with OTB Applications & Monterverdi (and a little of ...
 
Monitoring tropical forest cover Activities of ONFI in remote sensing
Monitoring tropical forest cover Activities of ONFI in remote sensingMonitoring tropical forest cover Activities of ONFI in remote sensing
Monitoring tropical forest cover Activities of ONFI in remote sensing
 
Présentation générale de l'Orfeo ToolBox (12.2014)
Présentation générale de l'Orfeo ToolBox (12.2014)Présentation générale de l'Orfeo ToolBox (12.2014)
Présentation générale de l'Orfeo ToolBox (12.2014)
 
Monteverdi 2.0 - Remote sensing software for Pleiades images analysis
Monteverdi 2.0 - Remote sensing software for Pleiades images analysisMonteverdi 2.0 - Remote sensing software for Pleiades images analysis
Monteverdi 2.0 - Remote sensing software for Pleiades images analysis
 
Présentation de l'ORFEO ToolBox au FROG2013
Présentation de l'ORFEO ToolBox au FROG2013Présentation de l'ORFEO ToolBox au FROG2013
Présentation de l'ORFEO ToolBox au FROG2013
 
Pragmatic remote sensing handout
Pragmatic remote sensing handoutPragmatic remote sensing handout
Pragmatic remote sensing handout
 
Madagascar2011 - 09 OTB Change detection framework
Madagascar2011 - 09 OTB Change detection frameworkMadagascar2011 - 09 OTB Change detection framework
Madagascar2011 - 09 OTB Change detection framework
 
Madagascar2011 - 08 - OTB segmentation and classification
Madagascar2011 - 08 - OTB segmentation and classificationMadagascar2011 - 08 - OTB segmentation and classification
Madagascar2011 - 08 - OTB segmentation and classification
 

AUF 11 - 02 Geometrie

  • 1. Introduction Modèles Optimisations Traitement d’images de télédétection Corrections géométriques jordi.inglada@cesbio.cnes.fr C ENTRE D ’É TUDES S PATIALES DE LA B IOSPHÈRE , TOULOUSE , F RANCE Ce contenu est dérivé de la formation “Pragmatic Remote Sensing” dispensée par J. Inglada et E. Christophe en juillet 2010 dans le cadre du colloque IGARSS. Il est mis à disposition selon les termes de la licence : Creative Commons Paternité – Partage à l’Identique 3.0 non transcrit. AUF - Marrakech 2011
  • 2. Introduction Modèles Optimisations Introduction Série d’images AUF - Marrakech 2011
  • 3. Introduction Modèles Optimisations Introduction Série d’images AUF - Marrakech 2011
  • 4. Introduction Modèles Optimisations Introduction Modèle capteur Série d’images AUF - Marrakech 2011
  • 5. Introduction Modèles Optimisations Introduction Modèle capteur Série d’images MNT AUF - Marrakech 2011
  • 6. Introduction Modèles Optimisations Introduction Modèle capteur Série d’images MNT AUF - Marrakech 2011
  • 7. Introduction Modèles Optimisations Introduction Modèle capteur Série d’images MNT AUF - Marrakech 2011
  • 8. Introduction Modèles Optimisations Introduction Modèle capteur Série d’images Géo-référencement MNT AUF - Marrakech 2011
  • 9. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle capteur Série d’images Géo-référencement MNT AUF - Marrakech 2011
  • 10. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle capteur Série d’images Géo-référencement MNT AUF - Marrakech 2011
  • 11. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage capteur fin Série d’images Géo-référencement MNT AUF - Marrakech 2011
  • 12. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage capteur fin Série d’images Géo-référencement MNT AUF - Marrakech 2011
  • 13. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage capteur fin Série d’images Géo-référencement Série recalée MNT AUF - Marrakech 2011
  • 14. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage capteur fin Série d’images Géo-référencement Série recalée MNT AUF - Marrakech 2011
  • 15. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage capteur fin Série d’images Géo-référencement Série recalée MNT AUF - Marrakech 2011
  • 16. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage Projection capteur fin Carto Série d’images Géo-référencement Série recalée MNT AUF - Marrakech 2011
  • 17. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage Projection capteur fin Carto Série d’images Géo-référencement Série recalée MNT AUF - Marrakech 2011
  • 18. Introduction Modèles Optimisations Introduction Spatio trian- Points Homo- gulation logues Modèle Recalage Projection capteur fin Carto Série d’images Géo-référencement Série recalée Ortho-images MNT AUF - Marrakech 2011
  • 19. Introduction Modèles Optimisations Modèles de capteur Définition Transformation de coordonnées entre l’image issue du capteur (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel : AUF - Marrakech 2011
  • 20. Introduction Modèles Optimisations Modèles de capteur Définition Transformation de coordonnées entre l’image issue du capteur (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel : Direct X = fx (l, c, h, θ) Y = fy (l, c, h, θ) AUF - Marrakech 2011
  • 21. Introduction Modèles Optimisations Modèles de capteur Définition Transformation de coordonnées entre l’image issue du capteur (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel : Direct X = fx (l, c, h, θ) Y = fy (l, c, h, θ) Inverse l = gl (X , Y , h, θ) c = gc (X , Y , h, θ) AUF - Marrakech 2011
  • 22. Introduction Modèles Optimisations Modèles de capteur Définition Transformation de coordonnées entre l’image issue du capteur (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel : Direct X = fx (l, c, h, θ) Y = fy (l, c, h, θ) Inverse l = gl (X , Y , h, θ) c = gc (X , Y , h, θ) Où θ est l’ensemble de paramètres décrivant le capteur et la géométrie d’acquisition. AUF - Marrakech 2011
  • 23. Introduction Modèles Optimisations Modèles de capteur Définition Transformation de coordonnées entre l’image issue du capteur (l, c) et les coordonnées au sol (X , Y ) pour chaque pixel : Direct X = fx (l, c, h, θ) Y = fy (l, c, h, θ) Inverse l = gl (X , Y , h, θ) c = gc (X , Y , h, θ) Où θ est l’ensemble de paramètres décrivant le capteur et la géométrie d’acquisition. L’élévation de chaque point (MNT) doit être connue. AUF - Marrakech 2011
  • 24. Introduction Modèles Optimisations Modèles de capteur Types de modèles Modèles physiques Rigoureux, complexes, équations fortement non-linéaires Difficiles à inverser Les paramètres ont une signification physique Spécifiques à chaque capteur Modèles analytiques génériques Ex : polynomiaux, fractions rationnelles, etc. Moins précis Faciles à mettre en oeuvre Les paramètres peuvent ne pas avoir de signification physique AUF - Marrakech 2011
  • 25. Introduction Modèles Optimisations Modèles de capteur L’approche OTB Utilisation de factories : les modèles sont générés automatiquement en utilisant les méta-données des images Modèles disponibles Fractions rationnelles : Quickbird, Ikonos, WorldView-2 Modèles physiques : SPOT5 Radar : ERS, ASAR, Radarsat, Cosmo Skymed, TerraSAR-X, Palsar AUF - Marrakech 2011
  • 26. Introduction Modèles Optimisations La main à la pâte 1. Monteverdi : Ouvrir une image en géométrie capteur 2. Afficher l’image 3. Observer comment les coordonnées géographiques sont recalculées quand le curseur se déplace AUF - Marrakech 2011
  • 27. Introduction Modèles Optimisations Modèles de capteur Utilisation : ortho-rectification 1. Lecture des méta-données image et création du modèle avec les bons paramètres 2. Définition de la ROI en coordonnées sol (c’est la matrice de pixels de sortie) 3. Balayer les pixels de coordonnées (X , Y ) : 3.1 Obtenir h à partir du MNT 3.2 Calculer (c, l) = G(X , Y , h, θ) 3.3 Interpoler les valeurs des pixels si (c, l) ne sont pas des valeurs entières AUF - Marrakech 2011
  • 28. Introduction Modèles Optimisations La main à la pâte 1. Monteverdi : Geometry → Orthorectification 2. Choisir l’image à ortho-rectifier 3. Choisir les paramètres 4. Sauvegarder le résultat 5. Répéter pour la 2ème image 6. Afficher les 2 images ensemble AUF - Marrakech 2011
  • 29. Introduction Modèles Optimisations Modèles de capteur Limites de l’approche Un géo-référencement précis nécessite : Un MNT précis Des paramètres capteur sans erreur, θ Pour les séries multi-temporelles d’images on a besoin de recalage fin : Précision sous-pixellique Pour chaque pixel de la scène Les MNT et les méta-données capteur ne fournissent pas cette précision. Solution : utilisation de l’information redondante entre les images de la série. AUF - Marrakech 2011
  • 30. Introduction Modèles Optimisations Spatio-triangulation Outline Modèles de capteur Optimisations Spatio-triangulation AUF - Marrakech 2011
  • 31. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 32. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 33. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 34. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 35. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). G1 (Xi ,Yi ,hi ,θ1 ) Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 36. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). G1 (Xi ,Yi ,hi ,θ1 ) Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 37. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). G1 (Xi ,Yi ,hi ,θ1 ) Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 38. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Position du problème La série d’images est ortho-rectifiée (avec le MNT et les paramètres disponibles). G1 (Xi ,Yi ,hi ,θ1 ) G2 (Xi ,Yi ,hi ,θ2 ) Supposons que des point homologues (PH) peuvent être obtenus aisément : PHi = (Xi , Yi , hi ) Pour chaque image et pour Tout est connu. chaque point nous pouvons écrire : (lij , cij ) = Gj (Xi , Yi , hi , θj ) AUF - Marrakech 2011
  • 39. Introduction Modèles Optimisations Spatio-triangulation Spatio-triangulation Affinage du modèle Si nous définissons θjR = θj + ∆θj comme étant les paramètres affinés, ∆θj ce sont les inconnues du problème d’affinage. Nous avons beaucoup plus d’équations que d’inconnues si nous disposons de beaucoup de PH. Solution par moindres carrés Nous avons besoin des dérivées du modèle de capteur par rapport à ses paramètres. AUF - Marrakech 2011
  • 40. Introduction Modèles Optimisations Spatio-triangulation La main à la pâte Recalage manuel de 2 images Monteverdi : Geometry → Homologous points extraction Choisir 2 images avec une zone commune L’IHM permet de choisir la transformation géométrique On peut sélectionner des PH dans la zone de zoom et les ajouter à la liste Quand on a choisi plusieurs PH, on peut calculer la transformation On peut ensuite utiliser le bouton guess afin de prédire la position des nouveaux points L’IHM affiche les paramètres de la transformation estimée, l’erreur commise sur chaque point et l’EQM On peut éliminer de la liste les points qui ont le plus d’erreur AUF - Marrakech 2011
  • 41. Introduction Modèles Optimisations Spatio-triangulation La main à la pâte Changement de projection cartographique Monteverdi : Geometry → Reproject Image Choisir une image ortho-rectifiée Choisir la projection de sortie Save/Quit AUF - Marrakech 2011
  • 42. Introduction Modèles Optimisations Spatio-triangulation La main à la pâte Projection sur une autre image Monteverdi : Geometry → Superimpose 2 Images Choisir une image quelconque comme image à reprojeter Choisir une image ortho-rectifiée comme référence S’assurer que les 2 images ont une zone commune ! Utiliser le même MNT que celui utilisé pour l’image ortho-rectifiée Save/Quit AUF - Marrakech 2011