Extraction de réseaux linéiques à partir d'images satellitaires et aériennes par processus ponctuels marqués

par Caroline Lacoste

Thèse de doctorat en Automatique, traitement du signal et des images

Sous la direction de Josiane Zerubia.

Soutenue en 2004

à Nice .


  • Résumé

    Cette thèse aborde le problème de l’extraction non supervisée des réseaux linéiques (routes, rivières, etc. ) à partir d’images satellitaires et aériennes. Nous utilisons des processus objet, ou processus ponctuels marqués, comme modèles a priori. Ces modèles permettent de bénéficier de l’apport d’un cadre stochastique (robustesse au bruit, corpus algorithmique, etc. ) tout en manipulant des contraintes géométriques fortes. Un recuit simulé sur un algorithme de type Monte Carlo par Chaîne de Markov (MCMC) permet une optimisation globale sur l’espace des configurations d’objets, indépendamment de l’initialisation. Nous proposons tout d’abord une modélisation du réseau linéique par un processus dont les objets sont des segments interagissant entre eux. Le modèle a priori est construit de façon à exploiter au mieux la topologie du réseau recherché au travers de potentiels fondés sur la qualité de chaque interaction. Les propriétés radiométriques sont prises en compte dans un terme d’attache aux données fondé sur des mesures statistiques. Nous étendons ensuite cette modélisation hiérarchique des réseaux hydrographiques dans laquelle les affluents d’un fleuve sont modélisés par un processus de lignes brisées dans le voisinage de ce fleuve. Enfin, nous proposons une modélisation hiérarchique des réseaux hydrographiques dans laquelle les affluents d’un fleuve sont modélisés par un processus de lignes brisées dans le voisinage de ce fleuve. Pour chacun des modèles, nous accélérons la convergence de l’algorithme MCMC par l’ajout de perturbations adaptées. La pertinence de cette modélisation par processus objet est validée sur des mages satellitaires et aériennes, optiques et radar.

  • Titre traduit

    Line network extraction from satellite and aerial images by marked point processes


  • Résumé

    This thesis addresses the problem of the unsupervised extraction of line networks (roads, rivers, etc. ) from remotely sensed images. We us object processes, or marked point processes, as prior models. These models benefit from a stochastic framework (robustness w. R. T. Noise, algorithms, etc. ) while incorporating strong geometric constraints. Optimization is done via simulated annealing using a Reversible Jump Markov Chain Monte Carlo (RJMCMC) algorithm, without any specific initialization. We first propose to model line networks by a process whose objects are interacting line segments. The prior model is designed to exploit as fully as possible the topological properties of the network under consideration through potentials based on the quality of each interaction. The radiometric properties of the network are modelled using a data term based on statistical measures. We then extend this model to more complex objects. The use of broken line improves the detection of network junctions and increases the accuracy of the extracted network. Finally, we propose a hierarchical model of hydrographic networks in which the tributaries of a given river are modelled by a process of broken lines in the neighbourhood of this river. For each model, we accelerate convergence of the RJMCMC algorithm by using appropriate perturbations. We show experimental results on aerial and satellite images (optical and radar data) to verify the relevance of the object process.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 197 p.
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 191-197. Résumés en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Disponible pour le PEB
  • Cote : 04NICE4046
  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Non disponible pour le PEB
  • Cote : 04NICE4046bis
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.