Invitació a defensa de tesi
Tinc el plaer de convidar-vos a la defensa de la meva tesi de doctorat, titulada “Classificació semi-automàtica del terreny en zona rural a partir d’imatges d’alta resolució”, el divendres 24 de març del 2006, a les 14:00, a la sala Genot de l’Institut Géographique National a Saint-Mandé, prop de París, França.
La resta del missatge conté l’adreça d’on hi haurà la defensa, mapes per a arribar-hi, la composició del tribunal, i un resum de la tesi.
La defensa tindrà lloc a: Institut Géographique National; bâtiment N, salle Genot; 2-4 avenue Pasteur; 94165 Saint-Mandé; France. Cliqueu a les imatgetes per a veure mapes per arribar-hi.
El tribunal de tesi està compost de: Dr. Matthieu Cord (ENSEA), Pr. Josef Kittler (University of Surrey), Dr. Jean Louchet (INRIA), Pr. Ferran Marqués Acosta (Universitat Politècnica de Catalunya), Dr. Marc Pierrot-Deseilligny (Institut Géographique National), i Pr. Georges Stamon (Université de Paris 5).
Resum de la tesi:
Durant els darrers temps s’han esmerçat molts esforços en recerca sobre la determinació automàtica del tipus i ocupació del sol a partir d’imatges aèries i de satèl·lit en zones rurals. No obstant, les taxes d’error han estat sempre massa altes per a aplicacions industrials.
L’Institut Cartogràfic Nacional francès (Institut Géographique National, IGN) s’interessa a la classificació automàtica del terreny per tal d’accelerar la producció dels seus mapes topogràfics a gran escala. El context a l’IGN, però, és lleugerament diferent: Primer, l’IGN disposa d’imatges digitals de molt alta resolució espacial (50cm per píxel), però de baixa resolució espectral (canals vermell, verd, blau i, en alguns casos, infraroig proper), cosa que impedeix utilitzar tècniques clàssiques d’anàlisi hiperespectral. A més, disposa de dades cadastrals, que donen una indicació aproximada de la localització dels camps. Finalment, a l’IGN, guiat per consideracions pràctiques, no li interessa especialment obtenir classificacions de qualitat mitjana sobre tota la zona de treball, perquè aquesta classificació hauria de ser revisada per un fotointèrpret cosa que costaria molt de temps, sinó que prefereix una classificació de molt alta qualitat sobre només una part del terreny, i deixar als fotointèrprets la tasca de classificar manualment la resta.
En aquesta tesi de doctorat, presento un sistema complet d’anàlisi d’imatges que, a partir d’imatges digitals d’alta resolució a 3 o 4 canals (50cm, color i opcionalment infraroig proper), i utilitzant dades cadastrals, segmenta les imatges en zones agriculturalment homogènies (camps, boscs, vinyes, …) i les classifica, indicant per a cada regió una mesura de la confiança que el sistema té en la classificació, cosa que permet de rebutjar les regions que més probablement han estat mal classificades.
El procés comença amb una segmentació jeràrquica, on s’utilitzen espais de color, paràmetres de textura, i criteris de forma adaptats al problema de segmentar zones agrícoles. Aquesta segmentació permet de registrar el cadastre sobre l’imatge, donant grans regions sovint homogènies. El procés de registració permet també d’utilitzar el sistema per a posar al dia una classificació antiga. Aleshores, cada parcel·la cadastral registrada —o, si no es disposa de dades cadastrals, cadascuna de les regions petites obtingudes per una segmentació per watershed— es classifica amb algorismes probabilístics de classificació per regions desenvolupats en aquesta tesi. Aquests algorismes, a diferència dels clàssics que operen píxel per píxel, no produeixen soroll sal-i-pebre, i calculen una mesura de confiança per cada regió classificada. Les regions amb baixa confiança poden rebutjar-se i fer-se classificar a mà per un fotointèrpret si l’aplicació ho demana. Aquests algorismes són supervisats, i s’han d’entrenar amb una veritat terreny feta a mà abans de la classificació.
Com a resultat obtenim una segmentació de l’imatge en regions classificades i homogènies agriculturalment, i una mesures de confiança per cada regió, que un fotointèrpret pot utilitzar per a corregir els resultats o per a concentrar el seu temps limitat en les zones amb més risc d’error.