Literatura científica selecionada sobre o tema "Images à résolution submétrique"

Depuis les années 1980, la qualité croissante d'images satellites destinées à l'observation de la terre ouvre de nouvelles possibilités en photo-interprétation dans l'analyse des risques naturels, à la fois pour la prévision, la surveillance et l'analyse d'endommagement (Kerle et Oppenheimer, 2002 ; Domenikiotis et al., 2003). Suite à une crue torrentielle de février 2013 qui a affecté 93 bâtiments le long du chenal Avenida Venezuela dans la ville d'Arequipa, Pérou et endommagé 23 des 53 ponts, une étude a été menée en utilisant l'imagerie Pléiades. Des relevés de terrain ont servi de contrôle pour la cartographie du bâti et des infrastructures critiques sur deux images Pléiades respectivement d'avant-crue en 2012 et d'après-crue en 2013. Les objectifs de cette étude sont : (1) améliorer la cartographie de l'occupation du sol en milieu urbain sur des images Pléiades à résolution submétrique ; (2) tester l'apport de la classification supervisée semi-automatique à l'aide du logiciel Monteverdi (©CNES, Toulouse, France) ; (3) comparer la qualité des résultats et évaluer le potentiel de l'utilisation de la classification supervisée à partir des images Pléiades et (4) identifier l'impact de la crue torrentielle sur le chenal lui-même. Les résultats confirment une nette amélioration de la précision de la cartographie de vulnérabilité grâce aux images HRS à échelle locale. La délimitation d'objet est bien meilleure et la combinaison de la classification semi-automatique avec une digitalisation manuelle sous SIG donne des résultats très prometteurs.

Tous vecteurs confondus, ce sont les drones, notamment les multirotor, qui ont connu le plus fort développement pour l'acquisition d'images aériennes durant les cinq dernières années. L'imagerie accessible par ce type de plate-forme répond à un besoin de cartographie à une échelle intermédiaire entre l'imagerie submétrique (satellite à très haute résolution spatiale ou vecteurs aériens comme les ULM et certains drones) et l'imagerie acquise à très basse altitude à des résolutions parfois inférieures au centimètre. Par son prix élevé, l'imagerie submétrique aérienne et satellitaire laisse un grand nombre de besoins sans réponse acceptable. Parmi eux, citons l'imagerie à petit budget demandée par les collectivités locales ou les suivis denses (en particulier temporels). Finalement, la réglementation récente a encadré les vols drones de manière très contraignante, mettant virtuellement hors-la-loi tous les acteurs occasionnels d'imagerie par drone.L'objectif de cette communication est de présenter une méthode simple, opérationnelle et à bas coût pour la prise de vue aérienne. Il s'agit d'utiliser le cerf-volant comme vecteur alternatif aux aéronefs sans pilote. Le cerf-volant (avec le ballon) fait partie des premières plates-formes utilisées historiquement pour la photographie aérienne. Il a connu un regain d'intérêt depuis les années 70-80 avec de nombreuses applications en archéologie et la disponibilité depuis les années 2000 de capteurs et logiciels abordables et performants le rend plus attractif encore. La méthode proposée ici permet la cartographie de superficies dépassant le kilomètre carré à une résolution décimétrique. Elle présente un certain nombre d'atouts, comme le coût modique de la plate-forme et la capacité de voler sur une très large plage de vents (de 5 à 40km/h), un cerf-volant de six à dix mètres carrés ayant la même charge utile qu'un drone pour une autonomie supérieure. Enrevanche, la principale difficulté de mise en oeuvre opérationnelle du cerf-volant pour la cartographie par image aérienneest le manque de contrôle du vecteur, ce qui pose quelques verrous au niveau de l'acquisition et du traitement des données.Nous présentons dans cette communication les avancées méthodologiques réalisées afin de dépasser ces limites.Nous détaillons tout d'abord la méthode d'acquisition développée et le mode opératoire mis en oeuvre pour obtenir des jeux de données image permettant la cartographie opérationnelle de zones d'intérêt. Ensuite, nous présentons les traitements effectués à l'aide de logiciels désormais abordables qui permettent le calcul de l'aérotriangulation et de la corrélation dense sur plusieurs centaines d'images. Nous présentons enfin les résultats obtenus sur des exemples d'applications en conditions réelles afin de discuter du potentiel et des limitations de cette méthode, proposée comme alternative aux solutions existantes.

Le développement des capteurs satellitaires d'observation des traceurs géophysiques à la surface de l'océan et les algorithmes de traitement associés ont connu un essor important au cours des vingt dernières années. Les différents capteurs satellitaires disponibles présentent des résolutions spatiales et temporelles différentes ainsi que différents niveaux de sensibilité à la couverture nuageuse. Dans le cas des images de température de surface de la mer, ceci se traduit notamment par de forts taux de données manquantes dans les observations de très haute-résolution (de l'ordre de 1kmx1km) contrairement aux observations de basse-résolution (de l'ordre de 25kmx25km). Il existe donc un enjeu fort pour exploiter conjointement les différentes sources d'information disponibles. Dans ce contexte, nous proposons un nouveau modèle stochastique de super-résolution basé sur une augmentation réaliste de l'information texturale des images. L'originalité de ce modèle réside dans la formulation d'a priori stochastiques sur la géométrie des images, qui sont caractéristiques des textures associées aux champs géophysiques à la surface de l'océan. Formellement, ce modèle consiste à modéliser les lignes de niveau de l'image comme des réalisations de marches aléatoires. Ce modèle stochastique s'étend naturellement à la simulation d'images haute-résolution à partir d'une observation basse-résolution. Cet article décrit la formulation mathématique du modèle proposé, ses caractéristiques théoriques ainsi que le schéma numérique mis en oeuvre pour la super-résolution d'images texturées. L'application à la simulation haute-résolution de champs de température de surface de la mer dans une région active de l'océan (courant des Aiguilles) démontre sa pertinence dans le contexte applicatif de la télédétection satellitaire de l'océan. Nous en discutons également les principales contributions ainsi que les différentes extensions possibles.

Deux des lauréats du prix Nobel de physique 2020 sont primés pour leurs observations 1, qui ont confirmé l’existence d’un trou noir supermassif au centre de notre Galaxie. En améliorant considérablement, jusqu’à un facteur de plus de cent-mille parfois, la résolution spatiale des télescopes utilisés, ils ont exploré un véritable laboratoire de relativité générale, au plus près de cette singularité de l’espace-temps. Ces gains en résolution résultent d’un franchissement de la limitation imposée par l’atmosphère terrestre, grâce à l’interférométrie des tavelures (1970), puis l’optique adaptative (1989), enfin la mise en service de télescopes optiques géants (ca. 2000), et du réseau interférométrique du Very Large Telescope européen.

Les photographies aériennes à échelle très fine et les documents dérivés qu'il est possible d'obtenir présentent, en archéologie, un intérêt évident : les images satellites haute résolution ou les photographies aériennes « traditionnelles » présentent souvent une résolution trop faible pour permettre d'appréhender les objets de recherche. Le recours au cerf-volant permet d'obtenir des images de ces derniers, dans un continuum d'échelles allant du site à l'unité architecturale. Les ortho-photographies et les MNS élaborés à partir des clichés peuvent être intégrés dans des SIG à portée archéologique et ces documents s'avèrent être d'une qualité très satisfaisante en regard des besoins. A la relative rusticité de la méthode répond une facilité et une souplesse de mise en oeuvre.

La quatrième rocade d'Alger a fait l'objet d'une étude préliminaire de faisabilité géotechnique en 2009 à partir d'images SPOT5 Ortho Basic. Adoptant une démarche naturaliste, une étude comparative est menée entre ces images et les images PLEIADES XS et PAN. Cinq entités géologiques distinctes sont ainsi revisitées. La diversité des terrains rencontrés permet d'éprouver les deux types d'images selon leur résolution et leurs bandes spectrales. D'un point de vue géologique et à une échelle macroscopique, les deux satellites fournissent des images permettant une cartographie sommaire des linéaments. Les apports substantiels de PLEIADES concernent surtout le mode PAN pour une cartographie structurale précise. Pour une résolution du même ordre de grandeur que SPOTView (2m), le mode XS de PLEIADES met parfois mieux en valeur les différentes lithologies par un contraste spectral plus prononcé. Des objets géologiques de détails de l'ordre du mètre sont distinctement accessibles et quantifiables sur les images PAN de PLEIADES. Ainsi, dans la mesure où les études préliminaires doivent être les plus complètes et avancées possibles, il apparaît clairement que les images PLEIADES correspondent à un produit plus adapté puisque permettant une cartographie exhaustive de la géomorphologie des terrains rencontrés.

Une étude comparative entre des acquisitions Pléiades et par drone a été menée pour des applications de viticulture de précision dans la région Aquitaine, sur le vignoble de Buzet et deux domaines du Bordelais. Cette étude montre une bonne cohérence entre les résultats obtenus à partir des différents capteurs, à la fois pour la caractérisation des paramètres parcellaires et pour l'estimation de la vigueur de la vigne. En particulier, Pléiades met en évidence les variabilités et hétérogénéités intra-parcellaires. Pléiades est donc pertinent pour caractériser des domaines viticoles à l'échelle de l'appellation. Cependant, la résolution du satellite Pléiades limite la détection des plus petites structures à l'intérieur des rangs et empêche la caractérisation des parcelles pour lesquelles les rangs sont plus resserrés (écarts inférieurs à deux mètres). Le recours à des technologies de meilleure résolution (notamment le drone) est complémentaire afin d'obtenir des caractérisations plus précises à l'échelle d'un domaine.

Cette étude évalue le potentiel des modèles de texture SIRV sur ondelettes pour la détection de parcelles viticoles dans les images à très haute résolution de type PLEIADES et compare les performances de ces modèles avec des méthodes de référence telles que les matrices de co-occurrence de niveaux de gris et une approche de segmentation par filtre de Gabor. Les résultats obtenus montrent que les modèles SIRV permettent à la fois une bonne détection des parcelles tout en limitant le taux de faux positifs par rapport aux autres approches. Ces modèles font également preuve d'une plus grande robustesse à des effets d'atténuation de texture liés au faible rapport entre distance inter-rang et résolution spatiale propre aux appellations viticoles étudiées.

La connaissance de modèles numériques d'élévation est un élément essentiel pour un grand nombre d'applications de télédétection, notamment à très haute résolution. Cette information d'élévation peut être déduite de couples d'images stéréoscopiques en combinant des techniques photogrammétriques et des techniques de type corrélation. L'amélioration de la résolution des système spatiaux d'observation de la Terre, comme PleiadesHR (pas d'échantillonnage au sol de 70 cm) ainsi que les capacités croissantes d'acquisitions en mode stéréoscopique et multi-stéréoscopique permettent de générer de manière plus systématique des modèles numériques de terrain prenant également en compte le sursol fins (bâtis, véhicules, végétation), avec une précision de restitution de l'ordre du mètre. Une méthode générique de restitution de modèles en « vrai » 3D fortement parallélisable est ici utilisée autorisant le traitement simultané de 2 à N images sur une même zone.

Le deep learning a transformé de nombreux domaines jusqu'à présent, propulsé par des algorithmes améliorés et une accessibilité accrue aux données. La télédétection, en particulier, offre d'importantes opportunités pour les applications de vision avec des implications socio-écologiques directes. Les forêts représentent un composant environnemental majeur, offrant des fonctions essentielles telles que la régulation du climat, la préservation de la biodiversité et l'interaction avec les êtres vivants. Partant d'études révélant les motifs forestiers à l'aide d'images de résolution grossière ou de capteurs structurels tels que LiDAR, cette thèse explore des images de résolution sub-métrique - des données visuelles humainement interprétables et hautement détaillées couvrant la Terre. Les attributs forestiers de différents types sont étudiés, allant des caractéristiques des arbres à la hauteur et à la biomasse des forêts. Techniquement, cette thèse commence avec une configuration de segmentation sémantique in-domain, plonge dans la régression des attributs structuraux, et se termine par l'adaptation inter-domaine. Cela apporte des éclairages sur la capacité d'apprentissage des modèles de vision dans le contexte de la compréhension d'images de scènes naturelles. La première partie de la thèse introduit un cadre d'apprentissage en profondeur pour compter, localiser et estimer la hauteur des arbres individuels à partir d'images aériennes à l'échelle nationale. Un réseau UNet avec attention est utilisé pour délimiter les couronnes des arbres individuels et compter les arbres avec une supervision ponctuelle. La hauteur des arbres est estimée à partir d'images optiques en apprenant une cartographie des indices visuels aux hauteurs de la canopée projetées à partir de nuages de points LiDAR. Les résultats sont comparés aux données sur le terrain pour évaluer les valeurs pratiques du cadre en tant que données supplémentaires pour soutenir la gestion forestière nationale numérisée. Cette étude met en avant l'efficacité de l'apprentissage profond pour caractériser les structures forestières de manière visuellement interprétable. Cependant, des défis persistent dans l'apprentissage de motifs complexes à partir des données optiques, ce qui motive la seconde étude sur la biomasse forestière au niveau des peuplements, généralement collectée sur le terrain. À une échelle plus large, les méthodes prédominantes appliquent des modèles statistiques ou d'apprentissage automatique sur des images multispectrales, souvent complétées par des données de hauteur et calibrées avec des données de terrain. Nous sommes les premiers à démontrer que la biomasse des peuplements peut être apprise directement à partir d'images RGB de résolution sub-métrique, utilisant des réseaux neuronaux convolutionnels et des données de terrain. Cela ouvre des voies pour une quantification efficace et précise de la biomasse forestière, critique pour la préservation de la nature et les engagements neutres en carbone. Les deux premières études utilisent des systèmes d'apprentissage profond pour quantifier les attributs forestiers avec un jeu de données spécifique, mais une performance dégradée est souvent observée lorsqu'elle est appliquée à des données hors distribution. La troisième étude vise à aborder le problème de décalage de domaine, explorant si les modèles d'apprentissage profond peuvent être rapidement adaptés à de nouveaux jeux de données avec des efforts marginaux. Nous mettons à disposition un nouveau jeu de données composé d'images optiques de résolution sub-métrique collectées dans cinq pays et évaluons l'adaptabilité inter-domaines de diverses tâches de régression au niveau de l'image. Dans l'ensemble, cette thèse présente une collection de systèmes d'apprentissage profond adaptés à la cartographie des ressources forestières, contribuant ainsi aux efforts de gestion durable pour un avenir plus vert
Deep learning has transformed numerous fields so far, propelled by improved algorithms and increased data accessibility. Remote sensing, in particular, offers significant opportunities for vision applications with direct socio-ecological implications. Forests represent a major environmental component, offering essential functions including climate regulation, biodiversity preservation, and interaction with living creatures. Departing from studies that reveal forest patterns using coarse resolution imagery or structural sensors like LiDAR, this thesis explores sub-meter resolution imagery - human-interpretable and highly detailed visual data covering the Earth. Forest attributes of different types are investigated, varying from tree characteristics to forest height and biomass. Technically, this thesis starts with a vanilla setup of in-domain semantic segmentation, delves into the regression of structural attributes, and ends with cross-domain adaptation. This brings insights into the learning capacity of vision models in the context of natural scene image understanding. The first part of the thesis introduces a deep learning framework to count, locate, and estimate the height of individual trees from aerial images at the national scale. An attention UNet is utilized to delineate individual tree crowns and count trees with point supervision. Tree height is estimated from optical imagery by learning a mapping from visual cues to canopy heights projected from LiDAR point clouds. Results are compared against field data to assess the practical values of the framework as supplementary data to support digitized national forest management. This study highlights the capacity of deep learning in characterizing visually interpretable forest and tree structures. Yet, challenges persist in learning more complex patterns from the optical data. This motivates the second study on forest biomass at stand level, a structural measure of forests typically collected on the ground. At larger scales, predominating methods apply statistical or machine learning models on multispectral imagery, often complemented by height data and calibrated with field data. To our knowledge, we are the first to demonstrate that stand-level biomass can be directly learned from sub-meter resolution RGB imagery, rich in forest and tree details, using convolutional neural networks and field data. This provides avenues for efficient and accurate quantification of forest biomass, a critical indicator of forest resources that supports nature preservation and carbon-neutral commitments. The first two studies employ deep learning systems to quantify forest attributes given a specific dataset, which follows the principal in-domain assumption of machine learning. Yet, degraded performance is often observed when applied to out-of-distribution data, a common scenario in practice. The third study aims to address the domain shift issue, exploring whether deep learning models trained on one dataset can be quickly adapted to new datasets with marginal efforts. We release a new dataset consisting of sub-meter resolution optical imagery collected in five countries and assess the cross-domain adaptability of various image-level regression tasks, including tree cover, total tree count, and average canopy height. By enforcing ordered embedding space during training, models are effectively prepared for later adaptation in source-free low-shot setups. Overall, this thesis introduces a collection of deep learning systems tailored for forest resource mapping with depth into technical and applied insights, contributing to sustainable management efforts for a greener future
Deep learning har hidtil transformeret talrige områder, drevet af forbedrede algoritmer og øgettilgængelighed af data. Fjernregistrering tilbyder betydelige muligheder for visionsapplikationermed direkte socioøkologiske implikationer. Skoveudgør en vigtig miljømæssig komponent og tilbyder essentielle funktioner, herunder klimaregulering, bevarelse af biodiversitet og interaktion medlevende væsener. Afgang fra studier, der afslørerskovmønstre ved hjælp af grovopløsningsbilledereller struktursensorer som LiDAR, udforsker denneafhandling sub-meteropløsningsbilleder - menneskefortolkelige og detaljerede visuelle data, derdækker Jorden. Forskellige skovattributter undersøges, lige fra trækarakteristika til skovhøjdeog biomasse. Teknisk set starter denne afhandling med en grundlæggende opsætning af semantisk segmentering inden for domænet, går videretil regression af strukturelle attributter og sluttermed tværfaglig tilpasning. Dette giver indsigt i visionmodellers indlæringskapacitet i konteksten afforståelse af naturscener. Afhandlingens førstedel introducerer et dybtlæringsrammeværk til attælle, lokalisere og estimere højden af individuelle træer fra luftfotos på nationalt plan. En opmærksomhed UNet bruges til at afgrænse individuelle trækroner og tælle træer med punktsupervision. Træhøjde estimeres fra optisk billedmaterialeved at lære en afbildning fra visuelle ledetråde tilkronhøjder projiceret fra LiDAR-punktskyer. Resultater sammenlignes med feltdatabaser for at vurdere rammeværkets praktiske værdier som supplement til understøttelse af digitaliseret nationalskovforvaltning. Denne undersøgelse fremhæverdybtlæringens evne til at karakterisere visuelt fortolkede skov- og træstrukturer. Dog vedvarerudfordringer i at lære mere komplekse mønstrefra det optiske data. Dette motiverer den anden undersøgelse af skovbiomasse på bestandsniveau, en strukturel måling af skove, der typiskindsamles på jorden. På større skalaer anvender dominerende metoder statistiske eller maskinlæringsmodeller på multispektralt billedmateriale,ofte suppleret med højdedata og kalibreret medfeltdatabaser. Efter vores viden er vi de førstetil at demonstrere, at bestandsniveauets biomassedirekte kan læres fra sub-meteropløsnings-RGBbilledmateriale, rigt på skov- og trædetaljer, vedhjælp af konvolutionelle neurale netværk og feltdatabaser. Dette giver muligheder for effektiv og præcis kvantificering af skovbiomasse, enkritisk indikator for skovressourcer, der støtternaturbevarelse og klimaneutrale forpligtelser. Deførste to studier benytter dybtlæringssystemer tilat kvantificere skovattributter ud fra et specifikt datasæt, hvilket følger den grundlæggendeantagelse om maskinlæring inden for domænet.Dog observeres der ofte nedsat præstation, nårdet anvendes på data uden for distributionen,en almindelig situation i praksis. Det tredjestudie sigter mod at adressere domæneskiftproblemet ved at undersøge, om dybtlæringsmodeller trænet på ét datasæt hurtigt kan tilpassestil nye datasæt med marginale bestræbelser.Vi frigiver et nyt datasæt bestående af submeteropløsnings optisk billedmateriale indsamleti fem lande og vurderer krydsdomænet tilpasningsevne for forskellige billedniveau-regressionstasks,herunder trædække, samlet trætælling og gennemsnitlig krones højde. Ved at håndhæve en ordnetindlejret rum under træning forberedes modellereffektivt til senere tilpasning i kildefrie lavskudsopsætninger. Overordnet introducerer denne afhandling en samling dybtlæringssystemer skræddersyet til kortlægning af skovressourcer med dybdei tekniske og anvendte indsigter, hvilket bidrager tilbæredygtige forvaltningsindsatser for en grønnerefremtid

L'imagerie médicale échographique présente plusieurs avantages comme son innocuité, sa facilité d'emploi, la diversité des organes concernés et le faible coût de ce mode d'imagerie. Cependant les images obtenues par échographique souffrent d'une résolution plutôt faible comparées à celle que l'on peut obtenir avec un appareil d'IRM ou en utilisant des rayons X. Le défi majeur de l'échographie médicale est donc de réussir à produire des images avec une résolution beaucoup plus fine, à fréquence nominale fixe.Des travaux ont été entrepris dans ce sens depuis longtemps. Plusieurs pistes ont été explorées. La majorité des travaux effectués jusqu'à présent a consisté à travailler sur l'échographe et particulièrement sur les sondes ultrasonores, avec principalement pour objectif d'augmenter la fréquence des ultrasons utilisés. Cette approche a conduit à l'existence de l'échographie haute résolution, avec cependant une limite importante qui est celle de la profondeur d'exploration.Une autre approche consiste à traiter numériquement des images échographiques classiques pour améliorer leur résolution. Cette méthode a plusieurs avantages, elle permet notamment de contourner la difficulté causée par la réduction de profondeur de champ liée à l'augmentation de la fréquence ultrasonore.Dans cette thèse, nous présentons une méthode permettant d'améliorer la résolution des images échographiques. Le travail de thèse à consister à adapter cette méthode à l'imagerie échographique et à proposer une estimation de la résolution théorique maximale atteinte par cette méthode en fonction de paramètres de l'image dont le SNR, et la largeur de bande de la PSF. Nous avons également proposé une méthode de superrésolution adaptée aux ultrasons. Par son apport sur l'amélioration théorique de la superrésolution et par l'adaptation au cas particulier de l'imagerie ultrasonore, ce travail de thèse ouvre des perspectives sur l'amélioration de la résolution des images échographiques par traitement du signal et de l'image
Medical Imaging Ultrasound has several advantages such as its safety, ease of use, the diversity of organs that can be imaged and the low cost of this imaging mode. However, the images obtained by ultrasound suffer from relatively low resolution compared to others than can be obtain with an MRI or using X-rays. The major challenge of medical ultrasound is the ability to produce images with a resolution much finer, without modifying the nominal frequency.Work has been undertaken in this direction for some time. Several approaches have been explored. Most of the work done so far has been to work on the ultrasound acquiring device and particularly on ultrasonic probes, with main objective to increase the frequency of ultrasound used. This approach has led to the existence of high-resolution ultrasound, but with the reduction of the depth of exploration as an important limitation.Another approach is to treat numerically conventional ultrasound images to improve resolution. This method has several advantages, it allows to circumvent such difficulties caused by the reduction of depth of field due to the increase in the ultrasonic frequency.In this thesis, we present a method to improve the resolution of ultrasound images. The thesis to be to adapt this method to ultrasound imaging and to provide an estimate of the maximum theoretical resolution achieved by this method based on image parameters including SNR and the bandwidth of the PSF. We also proposed a method of superresolution suitable for ultrasound. By providing on improving theoretical superresolution and adaptation to the particular case of ultrasound, this thesis opens up on improving the resolution of ultrasound images by processing the signal and the image

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
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

Dans ce manuscrit, nous avons étudié l’extension de l’analyse multi-résolution aux images couleurs par des transformées sur graphe. Dans ce cadre, nous avons déployé trois stratégies d’analyse différentes. En premier lieu, nous avons défini une transformée basée sur l’utilisation d’un graphe perceptuel dans l’analyse à travers la transformé en ondelettes spectrale sur graphe. L’application en débruitage d’image met en évidence l’utilisation du SVH dans l’analyse des images couleurs. La deuxième stratégie consiste à proposer une nouvelle méthode d’inpainting pour des images couleurs. Pour cela, nous avons proposé un schéma de régularisation à travers les coefficients d’ondelettes de la TOSG, l’estimation de la structure manquante se fait par la construction d’un graphe des patchs couleurs à partir des moyenne non locales. Les résultats obtenus sont très encourageants et mettent en évidence l’importance de la prise en compte du SVH. Dans la troisième stratégie, nous proposons une nouvelleapproche de décomposition d’un signal défini sur un graphe complet. Cette méthode est basée sur l’utilisation des propriétés de la matrice laplacienne associée au graphe complet. Dans le contexte des images couleurs, la prise en compte de la dimension couleur est indispensable pour pouvoir identifier les singularités liées à l’image. Cette dernière offre de nouvelles perspectives pour une étude approfondie de son comportement
In our work, we studied the extension of the multi-resolution analysis for color images by using transforms on graphs. In this context, we deployed three different strategies of analysis. Our first approach consists of computing the graph of an image using the psychovisual information and analyzing it by using the spectral graph wavelet transform. We thus have defined a wavelet transform based on a graph with perceptual information by using the CIELab color distance. Results in image restoration highlight the interest of the appropriate use of color information. In the second strategy, we propose a novel recovery algorithm for image inpainting represented in the graph domain. Motivated by the efficiency of the wavelet regularization schemes and the success of the nonlocal means methods we construct an algorithm based on the recovery of information in the graph wavelet domain. At each step the damaged structure are estimated by computing the non local graph then we apply the graph wavelet regularization model using the SGWT coefficient. The results are very encouraging and highlight the use of the perceptual informations. In the last strategy, we propose a new approach of decomposition for signals defined on a complete graphs. This method is based on the exploitation of of the laplacian matrix proprieties of the complete graph. In the context of image processing, the use of the color distance is essential to identify the specificities of the color image. This approach opens new perspectives for an in-depth study of its behavior

Ce document d'habilitation est consacré à l'étude de séries temporelles d'images de télédétection à basse (LSR) et à très haute résolution spatiale (VHSR). Les phénomènes étudiés concernent la météorologie et l'océanographie (données LSR) et l'agriculture et le milieu urbain (données VHSR). La fréquence d'acquisition des données satellites est inversement proportionnelle à la résolution spatiale. Ainsi, pour des données LSR, la cadence d'acquisition est élevée (une images pour $15min$ avec le satellite MSG --Météosat Seconde Génération) et cela autorise l'étude des mouvement atmosphériques turbulents observés à travers le mouvement des nuages, la circulation océanique, ... Les problèmes d'analyse d'images associés concernent l'estimation du mouvement, le suivi de courbe ou encore l'interpolation de données manquantes. En ce qui concerne les données VHSR, la période séparant deux images peut varier de quelques semaines à quelques mois. Les études associées sont alors dédiées à la détection de changements structurels entre deux images. Du point de vue méthodologique, l'analyse de données LSR est principalement réalisée en introduisant des connaissances physiques a priori dans les outils classiques d'analyse d'images. Une part importante est dédiée à l'utilisation de techniques d'assimilation variationnelle de données. Pour l'analyse de données VHSR, nous proposons des descripteurs spécifiques permettant de caractériser les motifs texturés que l'on a à manipuler. Ces descripteurs sont ensuite utilisés pour résoudre différents problèmes d'analyse de données VHSR tels que la segmentation, la classification, la détection de fronts texturés ou encore l'estimation de l'orientation. Enfin, un chapitre est consacré à la détection de changements où nous proposons des techniques pour le détection binaire et multi-labels.

La nouvelle génération de satellites de télédétection, optique et radar, avec des résolutions de l'ordre du mètre, introduit de nouvelles problématiques, notamment en reconnaissance des formes et interprétation des données. La complémentarité entre ces deux types d'images en terme d'utilisation et d'information délivrée montre l'intérêt d'une interprétation conjointe. Nous proposons une méthode de recalage des images optique et radar fondée sur le contenu de la scène et sans utilisation des paramètres capteurs. Notre approche permet de déterminer la transformation rigide entre les images à travers une représentation hiérarchique de leur contenu, puis la transformation polynomiale à partir de couples de points obtenus à l'aide de l'information mutuelle. Nous avons développé une technique de classification permettant d'identifier le contenu de la scène, exploitant à la fois les informations de l'image optique et celles issues de l'image radar. La méthode, utilisant les séparateurs à vaste marge, montre l'interêt d'utiliser conjointement les informations contenues dans chaque image, en particulier pour la détection des routes et des bâtiments et est robuste face à la segmentation. Finalement nous présentons une méthode originale de recalage fin des bâtiments fondée sur l'hypothèse qu' “un classificateur peut reconnaître un bâtiment bien recalé si nous le lui avons appris". Ainsi nous classons des bâtiments avec des caractéristiques correspondant à plusieurs translations afin de déterminer leurs positions. Nous montrons également l'importance d'utiliser l'information contextuelle dans le recalage des objets, en particulier pour les bâtiments
The increasing quality of satellite images has generated interest in extracting man-made structures. Optical and radar sensors deliver images with unlike physical properties, thus it is interesting to fuse such images in order to benefit from joint observation. Such a process begins with registration of these images. We propose an automatic registration of radar and optical images without using sensors parameters. First, a rigid transformation is determined using a multi-scale pyramid of features representing the contours of roads and buildings. Secondly, a polynomial transformation is determined. The coefficients are obtained by associating points in both images using mutual information. We also developped a classification process in order to identify all scene objects. This method used both information from optical and radar images and svm classifier. We proved in this part a good robustness to segmentation and the interest of using both data to improve the classification, especially for roads and buildings. Finally we present an original method of fine registration for the buildings based on the assumption that “a trained classifier can recognize registrated buildings from unregistrated“. So, buildings are classified considering many translations in order to determine the good one. We also show the importance of contextual information to improve the fine registration, especially for buildings

Depuis le milieu des années 1990, l'INFO-STRATEGIE, c'est-à-dire la stratégie de mise en place de l'Information Géographique, est au cœur des préoccupations des gestionnaires du territoire et des urbanistes. Elle nécessite des données multi-sources, multi-échelles et mises à jour régulièrement à une périodicité adaptée à l'évolution du milieu urbain. Les images d'Observation de la Terre représentent un potentiel important d'acquisition d'IG. Actuellement, le marché connaît une évolution majeure avec la mise en orbite de produits-systèmes Très Haute Résolution (THR) de résolution inférieure à 5 m. Cette évolution technologique débouche sur une abondance de données numériques, sources potentielles d'IG en milieu urbain, modifie les attentes des utilisateurs et transforme leurs applications. Une réflexion en termes de demande (formalisation des besoins) et non plus d'offre est indispensable pour répondre à la multiplication de l'utilisation d'IG à diverses échelles. Par ailleurs, répondre aux besoins des « utilisateurs finaux » (politiques, gestionnaires, techniciens) revient à préciser les ajustements nécessaires à la définition des capacités des nouveaux produits-systèmes. A partir d'une enquête auprès des utilisateurs d'IG, un cahier des charges précisant les besoins en information à grande échelle est établi. Des « niches potentielles d'utilisation » des images métriques sont identifiées. Des tests sont appliqués pour analyser les gains dans l'utilisation de ces nouveaux capteurs. L'un des enjeux de l'augmentation de la résolution spatiale est une nouvelle vision du territoire plus proche de la réalité. Les objets urbains s'individualisent (domaine de l'identification) et sont caractérisés par leurs éléments constitutifs (domaine de l'analyse). Cet apport de détails perturbe les procédures classiques d'extraction automatiques et complexifie l'attribution des objets aux nomenclatures existantes. Le test de plusieurs algorithmes classiques conduit à la formalisation de règles d'identification des objets urbains sur des images THR. Ces règles sont intégrées dans une procédure de classification « orientée-objets ».

Cette thèse concerne l'élaboration d'une chaîne de traitements radargrammétrique conduisant aux structures 3-D à partir d'images radar haute résolution. L'intérêt de la cartographie 3-D par imagerie RSO (Radar à Synthèse d'Ouverture) est que l'image radar peut être acquise par tout temps et de jour comme de nuit. Nous disposons d'images issues du capteur expérimental RAMSES de l'ONERA et représentant des scènes industrielles. Ces données contiennent de nombreux échos forts et les toits des structures sont peu visibles. Ces phénomènes rendent difficile l'interprétation des images et insuffisantes les méthodes classiques de reconstruction 3-D. Face à ces particularités, nous menons l'analyse radiométrique et géométrique des données. Cette analyse aboutit à la proposition d'une chaîne algorithmique adaptée qui vise à restituer les structures cylindriques et parallélépipédiques telles que cuves et bâtiments de forme simple. Dans la première partie concernant l'analyse, nous donnons l'interprétation simplifiée de l'image radar d'une structure et étudions les statistiques des images d'amplitude. L'opportunité de la radargrammétrie haute résolution est vérifiée théoriquement puis expérimentalement. La seconde partie présente la chaîne radargrammétrique. Notre approche comprend deux étapes principales : l'extraction des structures à partir des échos forts puis l'estimation du 3-D. L'extraction des structures fait l'objet d'un chapitre important de cette thèse. Nous proposons une méthode permettant la reconnaissance de la forme englobant la structure brillante, circulaire ou rectangulaire, par optimisation d'un critère surfacique. Nous la comparons avec des techniques plus classiques de traitement d'images et étudions plusieurs critères ainsi que l'apport de méthodes d'optimisation stochastique. Nous présentons ensuite une méthodologie pour obtenir les altitudes du sol entre les structures détectées et leur hauteur, dans le cas favorable où un écho du toit est détectable.

De plus en plus de satellites d'observation sont mis en orbite autour de la terre et fournissent des images, à très haute résolution dans différentes bandes spectrales. La quantité d'informations disponibles est devenue trop importante pour qu'une équipe actuelle de photo-interprètes expérimentés puissent la traiter entièrement. Pour cette raison, il faut développer des systèmes (semi)automatiques d'analyse de scènes, pour assister les photo-interprètes. Des problèmes aussi complexes que la reconnaissance automatique de la parole ou l'interprétation automatique d'images, ne peuvent pas être résolus par une approche procédurale. Ils nécessitent un système plus complexe, qui prend en compte la connaissance a priori. L'architecture du système d'analyse de scènes, présente dans cette thèse, a été appliquée à l'analyse d'aéroports, avec comme objets d'intérêt les pistes d'atterrissage, les hangars pour avion, ainsi que les routes qui relient les premières aux seconds. Dans cette thèse, nous décrivons tout d'abord la connaissance qui doit être intégrée dans un système d'analyse de scènes afin de régulariser le problème mal-posé de la vision par ordinateur. Cette analyse de la connaissance a priori est suivie par une description du système à tableau noir, qui est utilisé pour représenter et intégrer les différents types de connaissance, la façon dont la fusion de données multiniveaux est utilisée pour réduire la probabilité de fausse alarme, ne se déduit pas directement de l'architecture du système. C'est pourquoi nous analysons les trois niveaux de fusion séparément plus en détail.

La microscopie tomographique est une extension de l’holographie numérique, présentant une meilleure résolution. Sans marquage, et donc complémentaire à l’imagerie de fluorescence, elle permet de mesurer quantitativement l’indice optique complexe d’un échantillon. Ce chapitre décrit les configurations courantes, et détaille les principes physiques permettant l’acquisition des données et les approches numériques pour la reconstruction des images.

Les données SAR en bande C de Sentinel-1 et les images multispectrales de Sentinel-2 à courte période de revisite offrent un grand potentiel pour améliorer le suivi en continu d'activités à la surface de la Terre. Le suivi de changements à grande échelle exige une longue période d'observation - plusieurs mois à un an pour caractériser les transformations urbaines - et de fréquentes revisites pour assurer une résolution temporelle adéquate. Le volume de données qui en résulte est donc impressionnant et des données prétraitées, c.à.d. des images étalonnées, corrigées géométriquement, géocodées, sont nécessaires pour rendre le problème abordable en un temps raisonnable. Comparés aux instruments optiques, les capteurs SAR peuvent observer la surface de la Terre dans toutes les conditions météorologiques et peuvent fournir des informations utiles sur les zones urbaines, compte tenu de leur sensibilité aux caractéristiques géométriques des structures urbaines. Les attributs SAR forment le jeu de données pour la première étape de la chaîne de traitement proposée pour la détection multitemporelle de bâtiments. Les caractéristiques complémentaires des images multispectrales Sentinel-2 sur la même zone peuvent alors être exploitées pour estimer l'étendue de la transformation urbaine détectée précédemment par les capteurs SAR.

Les moyens d’observation en astronomie n’ont cessé d’évoluer au fil des siècles. L’utilisation de réseaux de télescopes permet aujourd’hui d’avoir des détails de plus en plus fins dans les images obtenues (grande résolution). Dans ce contexte, le projet ALOHA propose une approche totalement originale consistant à changer la couleur de la lumière de l’objet observé au niveau de chaque télescope du réseau avant de la détecter. Cela permet d’éviter d’utiliser des systèmes de cryogénie très coûteux et complexes nécessaires lors de la collecte de lumière moyen et lointain infrarouge. Ce document présente quelques éléments sur nos activités de recherche sur le projet ALOHA.

La compréhension des modes d’actions biologiques des virus dans une cellule hôte est un sujet complexe pour lequel nous pensons que les solutions optiques pourraient apporter des éléments de réponse nouveaux. Cependant, les dimensions des particules virales sont environ 3 fois plus petites que la résolution d’un microscope optique. Nous proposons de tester une nouvelle stratégie instrumentale et computationnelle, reposant sur la microscopie multiphotonique, pour visualiser des objets dont les dimensions sont de l’ordre de quelques centaines de nanomètres. Cette stratégie repose sur la prise en compte de la réponse impulsionnelle de l’instrument (PSF pour Point Spread Function) in situ, modélisée mathématiquement. A partir de ce modèle qui prend en compte les distorsions optiques locales, un post-traitement numérique des images est appliqué en vue d’optimiser la qualité visuelle des images. Nous faisons des tests sur deux populations de virus : les Cytomégalovirus (CMV) et le SARS-CoV-2.

Les vallées enfouies constituent un type d'aquifère important dans le paysage glaciaire du Canada. En raison de l'histoire complexe de l'érosion et du remplissage, il peut être difficile de définir la géométrie de la vallée et les caractéristiques des sédiments. Des transects sismiques de deux vallées enfouies précédemment identifiées ont été acquis en Ontario à l'Arboretum de l'Université de Guelph et dans un environnement périurbain au sud de la ville voisine d'Elora. Une étude de sismique réflexion à haute résolution a permis de recueillir trois kilomètres linéaires de données le long de quatre transects. Cette étude a été complétée par une étude microtremor HVSR (rapport spectral horizontal/vertical) le long des profils de réflexion. L'objectif de l'étude globale était d'améliorer la résolution des géométries des vallées et des caractéristiques des sédiments. Un autre objectif était de tester la capacité de la méthode HVSR à fournir des informations de reconnaissance sur la présence de vallées enfouies dans une zone à la lithostratigraphie complexe. Les deux méthodes sismiques ont permis de délimiter les vallées enfouies. Trois des quatre transects de réflexion sismique ont permis d'imager les vallées enfouies qui mesurent environ 200 m de large et 30 à 65 m de profondeur. Les vallées ont des côtés asymétriques abrupts avec un caractère en escalier à un endroit. Les levés HVSR ont permis d'imager la surface du substratum rocheux ainsi qu'une unité de haute résonance moins profonde qui correspond à une unité de till. La méthode s'est avérée efficace en tant que technique de reconnaissance lorsque des contraintes géologiques sont disponibles. Ce rapport contient trois annexes avec des données, des informations de traitement et des images interprétées.