Reconnaissance d'objets cartographiques dans les images satellitaires à haute résolution
Institution:
Paris 5Disciplines:
Directors:
Abstract EN:
Our thesis' subject considers specifically the recognition of cartographic objects with a highly composite structure, such as roundabouts and bridges, on high resolution satellite images. Being man-made constructions, cartographic objects have regular geometrical features that distinguish them from other objects. We propose to exploit principally these features in order to obtain a representation of their inherent structure. A method to generate an explicit structural object model represented by Attributed Relational Graphs (ARGs) from images segmented by an expert is first developed. At the end of this preliminary stage we succeeded to generate object models for the roundabout and bridge categories. We then proposed to learn a more flexible model based on the appearances of the local parts of the objects using a statistical learning method. An implicit object model is learned by the fusion of weak classifiers obtained from geometrical primitives using the Adaboost algorithm. An object recognition method using an implicit model constructed by a parts and structures approach is then proposed. The model is learned using the Mean-Shift clustering algorithm. Finally, the methods are validated on satellite images provided by the CNES in the frame of a national competition and a cartographic application.
Abstract FR:
Notre thèse porte spécifiquement sur la reconnaissance d'objets cartographiques à forte structure prononcée comme les ronds-points et les ponts dans les images satellitaires à haute résolution. Etant des constructions humaines, les objets cartographiques ont des caractéristiques géométriques régulières qui les distinguent des autres objets. Nous proposons d'exploiter principalement ces caractéristiques pour obtenir une représentation de leur structure inhérente. Dans un premier temps, nous avons développé une méthode de génération de modèle explicite d'objet structurel représenté par des graphes relationnels attribués (ARGs) à partir des imagettes segmentées par un expert. A la fin de cette étape préliminaire, nous avons réussi à générer des modèles d'objets pour les catégories d'objets ronds-points et ponts. Nous avons proposé, dans un deuxième temps, l'apprentissage d'un modèle plus souple fondé principalement sur l'apparence des composants locaux de l'objet par une méthode statistique d'apprentissage. On apprend un modèle implicite d'objet par la fusion de classifieurs faibles obtenus à partir des primitives géométriques en utilisant l'algorithme Adaboost. Nous avons également proposé une méthode de reconnaissance par un modèle implicite construit par une approche composants et structure. Le modèle est appris par l'algorithme de regroupement Mean-Shift. Enfin, les méthodes de reconnaissance sont validées sur un ensemble d'images réelles fournies par le CNES dans le cadre d'une compétition nationale et d'une application cartographique.