Depuis l’arrivée des premiers satellites d’observation de la Terre, les spécialistes en télédétection cherchent à extraire de l’information des bandes spectrales composant les images qu’ils ont captées à diverses résolutions spatiales. Les pixels qui constituent les images optiques sont classifiés selon leur réflectance à partir d’algorithmes de classification, supervisée ou non. Avec l’évolution de la technologie permettant aujourd’hui d’acquérir des images où chaque pixel peut représenter un carré de 50 cm de côté sur le terrain, ces types de classification sont plus ou moins adaptés. Vu la grande hétérogénéité de telles images, la classification orientée-objet est plus appropriée que la classification par pixel pour en extraire les éléments (objets) visibles, de la même manière que l’humain le ferait, en effectuant la reconnaissance par couleur, par texture, par forme et en fonction du contexte et des autres éléments environnants. Les avancées dans des domaines parallèles tels que l’intelligence artificielle et la vision par ordinateur sont prometteuses pour la télédétection, car ces domaines s’intéressent justement à la reconnaissance automatisée d’objets sur des images de haute résolution. Cette présentation tente de faire l’état de lieux de ces nouvelles méthodes de classification et montre différents résultats de développements réalisés par Effigis Geo-Solutions.

1. 1
La vision par ordinateur en télédétection
Géomatique 2013
Par François Riendeau
assisté de Philippe Côté et Pierre Bugnet

2. 1. Principes généraux d’imagerie et de télédétection
2. La vision par ordinateur
3. Utilisation de la vision par ordinateur en télédétection
4. Perspectives d’avenir et développements en cours chez Effigis
2
C O N T E N U D E L A P R É S E N T A T I O N

3. 3
C O M I T É V E I L L E T E C H N O L O G I Q U E
 François Riendeau, directeur production OT. L’extraction
d’information à partir d’images est à la base de son travail depuis
près de 20 ans.
 Philippe Côté, chargé de projets. S’intéresse au développement
du domaine de la vision par ordinateur et des applications
possibles dans le domaine de l’imagerie satellite.
 Pierre Bugnet, spécialiste en télédétection. Réalise divers
développements qui tirent profit des algorithmes de vision par
ordinateur pour extraire de l’information à partir des images.

4. P r i n c i p e s d ’ i m a g e r i e e t d e
t é l é d é t e c t i o n
4
INFORMATION
?

5. P r i n c i p e s d ’ i m a g e r i e e t d e
t é l é d é t e c t i o n
5

6. P r i n c i p e s d ’ i m a g e r i e e t d e
t é l é d é t e c t i o n
6
Gamme dynamique (dynamics range) : rapport de la plus grande à la plus petite valeur d'une
grandeur qui caractérise l'intensité d'une lumière. Elle est mesurée par une valeur logarithmique
en base 2.
Résolution
binaire
Nombre de couleurs possibles
2 bits 22 = 4
8 bits 28 = 256
12 bits 212 = 4096
16 bits 216 = 65536
24 bits 224 = 16777216
8 bits = 1 octet
10011010
16 bits = 2 octets
10011010
10011010
8 bits : 1000 pixels x 1000 lignes = 1 Mo
16 bits : 1000 pixels x 1000 lignes = 1 Mo x 2 = 2 Mo
24 bits : 1000 pixels x 1000 lignes = 1 Mo x 3 = 3 Mo
Mythe : 1 kilo-octet = 1024 octets = faux

7. P r i n c i p e s d ’ i m a g e r i e e t d e
t é l é d é t e c t i o n
7
?
VISION PAR ORDINATEUR

8. L A V I S I O N P A R O R D I N A T E U R
8
La vision par ordinateur :
Discipline qui inclut des méthodes pour
acquérir, traiter, analyser et comprendre des
images et, de façon générale, comprendre le
monde réel de manière à produire des
informations numériques ou symboliques.
Une des approches consiste à dupliquer les
habiletés de la vision humaine en utilisant
des modèles construits à l’aide de la
géométrie, la physique, les statistiques et la
théorie d’apprentissage.

9. L A V I S I O N P A R O R D I N A T E U R
9
Méthodes d’un système utilisant la vision par ordinateur:
 Acquisition de l’image – à l’aide d’un capteur
 Prétraitement
 Extraction d’éléments de l’image
 Détection/Segmentation
 Post-traitement et classification
 Prise de décision

10. L A V I S I O N P A R O R D I N A T E U R
10
Détection d’objets :
La méthode Viola-Jones par
apprentissage supervisé
Autres applications:
• Robotique industrielle
• Navigation
• Détection d’événements
• Modélisation d’objets ou
d’environnements, par exemple :
topographie.

11. L A V I S I O N P A R O R D I N A T E U R
11
Reconstruction 3D:
« Building Rome in one day »
• Reconstruction 3D de sites à partir
des milliers de photos sur les sites
tels que Flickr
• Appariement d’images
• Ajustement par bloc

12. A P P L I C A T I O N S E N
T É L É D É T E C T I O N
12
Applications courantes en télédétection:
 Extraction automatique d’entités linéaires
 Extraction automatique de la topographie
 Segmentation/classification de surface
 Détection d’objets
 Suivi et détection de changements
 Analyse de phénomènes dynamiques
 Modélisation 3d
University of Massachusetts
The Aerial Imaging and Remote Sensing (AIRS) Laboratory is
dedicated to the advancement of environmental sciences
through the application of state-of-the-art computer vision
techniques. We work with scientists, educators and public interest
professionals with a common need for reliable, highly automated
methods for integrating aerial images and other remote sensing
data in their research, education and decision making processes.
We are concerned with all aspects of remote sensing from sensor
design and data collection to mapping and information extraction

13. A P P L I C A T I O N S E N
T É L É D É T E C T I O N
13
Faible Haute
Résolution

14. A P P L I C A T I O N S E N
T É L É D É T E C T I O N
14
Classification basée sur le pixel vs Classification orientée-objet
• Supervisée ou non supervisée
• Signature spectrale
• Chaque pixel est classifié
• Nécessite passablement de post-traitement
• Fonctionne bien avec des paysages relativement
homogènes
• Segmentation d’objets par groupe de pixels
• Critères sur la couleur, la forme, la topologie
(voisinage), etc.
• Arbre décisionnel pour la classification
• Mieux adaptée à la haute résolution
[Willhauck et al., 2000; Mansor et al., 2002;
Oruc et al., 2004]. Neimeyer and Canty
[2003]

15. A P P L I C A T I O N S E N
T É L É D É T E C T I O N
15
Détection d’objets
Apprentissage automatique

16. A P P L I C A T I O N S E N
T É L É D É T E C T I O N
16
Commerciaux
• eCognition 8.7 (CART, SVM)
• PCI FeatureObjeX
• ENVI Feature Extraction Module (ENVI FX)
• Overwatch (Textron Systems) Feature Analyst
• MATLAB + Computer Vision System Toolbox
Open Source
• OpenCV
• OrfeoToolbox/QGIS
• R

17. P e r s p e c t i v e s d ’ a v e n i r e t
d é v e l o p p e m e n t
17
Faits:
• Les problèmes posés par la modélisation de la vision sont loin d'être résolus.
• Les méthodes basées sur l’apprentissage sont de plus en plus populaires

18. P e r s p e c t i v e s d ’ a v e n i r e t
d é v e l o p p e m e n t
18
Quelques projets chez Effigis
Détections d’arbres et de bâtiments à
partir d’images 2d
Projet en production avec un client
La détection s’effectue en plusieurs
étapes
N’utilise aucune donnée 3d (LIDAR).

19. P e r s p e c t i v e s d ’ a v e n i r e t
d é v e l o p p e m e n t
19
Quelques projets chez Effigis
Télédétection pour les Catastrophes Majeures
En collaboration avec le département de génie
de la production automatisée, ETS
Développement d'un logiciel intégré pour l'analyse semi-automatique
d’images satellitaires radars et optiques
multispectrales à très haute résolution en vue d'identifier
et évaluer les dommages de zones sinistrées touchées
par une catastrophe majeure.

20. 1. L’avenir de la télédétection et de la vision par ordinateur sont
certainement très liés et la recherche dans ce domaine est très
active.
2. Les nouveaux outils utilisant des principes de vision par
ordinateur en télédétection ne présentent pas encore une grande
maturité opérationnelle.
3. Effigis : poursuivre la veille technologique et les
développements.
20
C O N C L U S I O N S

21. MERCI DE VOTRE ATTENTION !
Des questions?
21