Les travaux de cette thèse concernent la détection des changements dans des séries chronologiques de photographies de paysages prises depuis le sol. Ce contexte de comparaison d'images successives est celui que rencontrent les géographes de l'environnement qui ont recours aux observatoires photographiques du paysage. Ces outils d'analyse et d'aide à la décision sont des bases de données de photographies constituées selon une méthodologie stricte de rephotographie de la même scène, à des pas de temps réguliers. Le nombre de clichés est parfois très important, et l'analyse humaine fastidieuse et relativement imprécise, aussi un outil automatisant la comparaison de photos de paysage deux à deux pour mettre en évidence les changements serait une aide considérable dans l'exploitation des observatoires photographiques du paysage. Bien entendu, les variations dans l'éclairement, la saisonnalité, l'heure du jour, produisent fatalement des clichés entièrement différents à l'échelle du pixel. Notre objectif était donc de concevoir un système robuste face à ces changements mineurs, mais capable de détecter les changements pertinents de l'environnement. De nombreux travaux autour de la détection des changements ont été effectués pour des images provenant de satellites. Mais l'utilisation d'appareils photographiques numériques classiques depuis le sol pose des problèmes spécifiques comme la limitation du nombre de bandes spectrales et la forte variation de profondeur dans une même image qui induit des apparences différentes des mêmes catégories d'objets en fonction de leurs positions dans la scène. Dans un premier temps, nous avons exploré la voie de la détection automatique des changements. Nous avons proposé une méthode reposant sur le recalage et la sur-segmentation des images en superpixels. Ces derniers sont ensuite décrits par leur niveau de gris moyen ainsi que par leur texture au travers d'une représentation sous la forme d'histogrammes de textons. La distance de Mahalanobis entre ces descripteurs permet de comparer les superpixels correspondants entre deux images prises à des dates différentes. Nous avons évalué les performances de cette approche sur des images de l'observatoire photographique du paysage constitué lors de la construction de l'autoroute A89. Parmi les méthodes de segmentation utilisées pour produire les superpixels, les expérimentations que nous avons menées ont mis en évidence le bon comportement de la méthode de segmentation d'Achanta. La pertinence d'un changement étant fortement liée à l'application visée, nous avons exploré dans un second temps une piste faisant intervenir l'utilisateur. Nous avons proposé une méthode interactive de détection des changements reposant sur une phase d'apprentissage. Afin de détecter les changements entre deux images, l'utilisateur désigne, grâce à un outil de sélection, des échantillons constitués d'ensembles de pixels correspondant à des zones de changement et à des zones d'absence de changement. Chaque couple de pixels correspondants, c'est-à-dire situés au même endroit dans les deux images, est décrit par un vecteur de 16 valeurs principalement calculées à partir de l'image des dissemblances. Cette dernière est obtenue en mesurant, pour chaque couple de pixels correspondants, la dissemblance des niveaux de gris de leurs voisinages. Les échantillons désignés par l'utilisateur permettent de constituer des données d'apprentissage qui sont utilisées pour entraîner un classifieur. Parmi les méthodes de classification évaluées, les résultats expérimentaux montrent que les forêts d'arbres décisionnels donnent les meilleurs résultats sur les séries photographiques que nous avons utilisées. / This work deals with change detection from chronological series of photographs acquired from the ground. This context of consecutive images comparison is the one encountered in the field of integrated geography where photographic landscape observatories are widely used. These tools for analysis and decision-making consist of databases of photographic images obtained by strictly rephotographing the same scene at regular time intervals. With a large number of images, the human analysis is tedious and inaccurate. So a tool for automatically comparing pairs of landscape photographs in order to highlight changes would be a great help for exploiting photographic landscape observatories. Obviously, lighting variations, seasonality, time of day induce completely different images at the pixel level. Our goal is to design a system which would be robust to these insignificant changes and able to detect relevant changes of the scene. Numerous studies have been conducted on change detection from satellite images. But the utilization of classic digital cameras from the ground raise some specific problems like the limitation of the spectral band number and the strong variation of the depth in a same image which induces various appearance of the same object categories depending on their position in the scene. In the first part of our work, we investigate the track of automatic change detection. We propose a method lying on the registration and the over-segmentation of the images into superpixels. Then we describe each superpixel by its texture using texton histogram and its gray-level mean. A distance measure, such as Mahalanobis distance, allows to compare corresponding superpixels between two images acquired at different dates. We evaluate the performance of the proposed approach on images taken from the photographic landscape observatory produced during the construction of the French A89 highway. Among the image segmentation methods we have tested for superpixel extraction, our experiments show the relatively good behavior of Achanta segmentation method. The relevance of a change is strongly related to the intended application, we thus investigate a second track involving a user intervention. We propose an interactive change detection method based on a learning step. In order to detect changes between two images, the user designates with a selection tool some samples consisting of pixel sets in "changed" and "unchanged" areas. Each corresponding pixel pair, i.e., located at the same coordinates in the two images, is described by a 16-dimensional feature vector mainly calculated from the dissimilarity image. The latter is computed by measuring, for each corresponding pixel pair, the dissimilarity of the gray-levels of the neighbors of the two pixels. Samples selected by the user are used as learning data to train a classifier. Among the classification methods we have tried, experimental results indicate that random forests give the better results for the tested image series.
| Identifer | oai:union.ndltd.org:theses.fr/2016TOU30069 |
| Date | 13 July 2016 |
| Creators | Wang, Yan |
| Contributors | Toulouse 3, Crouzil, Alain, Puel, Jean-Baptiste |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0033 seconds