Invitation à soutenance de thèse
J’ai le plaisir de vous inviter à la soutenance de ma thèse intitulée “Classification semi-automatique du terrain en zone rurale par télédétection à haute résolution” qui aura lieu le vendredi 24 mars 2006, à 14:00, dans la salle Genot de l’Institut Géographique National, à Saint-Mandé, près de Paris.
Veuillez trouver ci-dessous une description courte de la thèse, l’adresse du lieu de la soutenance, des plans pour y arriver, la composition du jury, et un résumé long.
Cette thèse présente une chaîne d’analyse d’image qui, à partir d’images numériques à haute résolution et à trois ou quatre canaux (50cm, couleur et, dans certains cas, proche infrarouge), mais aussi en s’appuyant sur le parcellaire cadastral, rend une segmentation des images en parcelles agraires (champs, forêts, vignes, …), et une classification de celles-ci, avec une très haute fiabilité, et attribue à chaque segment classifié une mesure qui indique la confiance que le système a en cette classification. Elle inclut une étude sur l’intérêt de la texture et les espaces de couleur pour la segmentation et la classification, deux méthodes de recalage de graphes sur une image, un modèle de probabilité novateur et ses algorithmes de classification par régions associés, et un estimateur très précis de la période et l’orientation.
La soutenance aura lieu à l’adresse suivante: Institut Géographique National; bâtiment N, salle Genot; 2-4 avenue Pasteur; 94165 Saint-Mandé; France. Veuillez cliquer sur les onglets pour voir des plans pour y arriver.
Le jury de thèse est composé 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), et Pr. Georges Stamon (Université de Paris 5).
Résumé étendu:
De nombreux travaux d’analyse d’image ont été et continuent d’être menés pour tenter de déterminer automatiquement l’occupation du sol en milieu rural, mais aucun n’a encore produit de résultats assez fiables pour être exploitables dans une chaîne de production industrielle.
L’Institut Géographique National français (IGN) s’intéresse à la classification automatique du terrain pour accélérer la production de cartes topographiques à grande échelle. Le contexte à l’IGN est, cependant, différent de celui de la plupart des recherches dans la classification automatique: D’abord, on dispose d’images numériques à très haute résolution spatiale (50cm par pixel), mais ces images sont à faible résolution spectrale (canaux rouge, vert, bleu et, dans certains cas, proche-infrarouge), ce qui rend impossible l’utilisation de techniques classiques de classification de données hyperspectrales. De plus, on dispose des données cadastrales, qu’on peut utiliser pour obtenir une information grossière de la position des champs. Finalement, l’IGN n’est pas particulièrement intéressé à obtenir des classifications automatiques de qualité moyenne sur l’ensemble du territoire, classifications qui devraient être vérifiées, à grand coût en temps, par un photo-interprète. Par contre, l’IGN voudrait obtenir une classification de très haute qualité, même si c’est sur seulement une partie du territoire, car cette classification n’aurait pas à être vérifiée manuellement, et les photo-interprètes pourraient concentrer leur temps à classifier la partie restante.
Dans cette thèse, je présente une chaîne d’analyse d’image qui, à partir d’images numériques à haute résolution et à trois ou quatre canaux (50cm, couleur et, dans certains cas, proche infrarouge), mais aussi en m’appuyant sur le parcellaire cadastral, rend une segmentation des images en parcelles agraires (champs, forêts, vignes, …), et une classification de celles-ci, avec une très haute fiabilité, et attribue à chaque segment classifié une mesure qui indique la confiance que le système a en cette classification.
Une phase initiale de segmentation hiérarchique de l’image, qui utilise un espace de couleur, des paramètres de texture, et des critères de forme adaptés à la segmentation de parcelles agraires, permet de recaler le cadastre sur l’image, produisant des régions grandes et en général homogènes. Ce recalage permet aussi d’utiliser le système pour la mise à jour de classifications anciennes. Ensuite, chacune de ces régions de cadastre recalées —ou, si les données cadastrales ne sont pas disponibles, des petites régions issues d’une segmentation par ligne de partage des eaux— est classifiée au moyen de nouveaux algorithmes probabilistes de classification par régions qui, à la différence des algorithmes classiques par pixels, ne produisent pas du bruit poivre-et-sel, et qui génèrent aussi une mesure de confiance pour chaque région classifiée. Les régions classifiées avec une trop faible confiance peuvent ensuite, selon les besoins de l’application, être rejetées et classifiées manuellement par des photo-interprètes. Ces algorithmes doivent être entraînés auparavant à partir d’une vérité terrain définie manuellement.
À la fin on obtient une segmentation de l’image en parcelles agraires homogènes, une classification de celles-ci, et des indicateurs de confiance sur chaque partie de la segmentation, ce qui permet à un photo-interprète de réaliser les corrections nécessaires et de concentrer son temps limité sur les zones qui plus vraisemblablement contiennent des erreurs.