| Résumé : |
(Auteur) Cette thèse étudie le sujet de la mise en correspondance «matching» automatique des images et focalise sur la génération des modèles numériques de surface (DSM), en employant l'imagerie acquise par capteurs linéaires CCD aéroportés. La recherche a été motivée par les développements récents sur les équipements photogrammétriques liés à la technologie de senseur, qui ont ouvert un nouveau domaine de recherche. Les caméras numériques aéroportées qui utilisent les senseurs linéaires CCD, présentent différentes caractéristiques radiométriques et géométriques, comparées aux caméras conventionnelles à film. De nouvelles méthodes sont nécessaires pour traiter les données de ces senseurs et générer des produits pour différentes applications. En outre, en ce qui concerne le mis en correspondance, les algorithmes existants sont orientés vers l'imagerie conventionnelle, de plus le degré d'automatisation est limité. Dans la plupart des cas, les systèmes commerciaux courants montrent un faible taux de succès et exigent une interaction manuelle pour éditer les résultats du «matching».
Cette étude est inclus dans le cadre du projet AIM, (Adaptive Image Matching), dans lequel les données de caméra numérique aéroportée (ADS40) de LGGM sont employées comme entrée (input). Les algorithmes de «matching» existants sont analysés, puis modifiés et de nouveaux algorithmes sont développés avec l'effort d'intégrer l'information des caractéristiques spéciales du senseur dans la philosophie du «matching». Premièrement, l'architecture de la caméra, les propriétés radiométriques et géométriques du senseur, le calibrage de système, le déroulement des opérations de traitement (ground processing) ainsi que le modèle de senseur sont étudiés. Ensuite, la recherche est concentrée sur deux thèmes principaux : l'évaluation et l'optimisation de la qualité d'image, puis le développement de la stratégie du «matching». L'analyse radiométrique et le prétraitement incluent des méthodes pour l'estimation de bruit, la réduction de bruit, l'optimisation de contraste et des contours, l'équilibrage radiométrique, la réduction à 8 bits et le traitement des canaux de couleur. Cette partie est importante et si elle est omise, la performance du «matching» est influencée. La stratégie du «matching» se compose de différents modules qui sont évalués à la fois individuellement mais aussi sur une base intégrée. En un mot, les différents aspects du «matching» qui sont étudiés sont : l'implémentation de contraintes géométriques, la dérivation de valeurs approximatives, l'extraction de traits, l'intégration de différentes méthodes de «matching» ainsi que le contrôle de qualité et la détection d'erreurs grossières. Les contraintes géométriques sont employées pour renforcer le «matching» et sont utilisées au moyen de lignes quasi épipolaires. En raison de la géométrie complexe des images (l'information de position et d'attitude pour chaque ligne), les lignes épipolaires n'existent pas vraiment et la trajectoire épipolaire est modélisée sur une courte longueur par une équation de polynôme de deuxième ou de premier degré. D'ailleurs, des techniques hiérarchiques sont utilisées pour raffiner graduellement les résultats du «matching». Les investigations sont effectuées en respectant la génération de la pyramide d'image, pour laquelle différents filtres sont utilisés et évalués, et le choix d'une stratégie optimale en terme de temps d'exécution et de réduction d'erreurs de «matching» à des niveaux plus bas. Indépendamment de ce qui précède, les méthodes basées sur les traits et les secteurs et les méthodes qui visent soit la fiabilité soit l'exactitude, sont combinées dans le stratégie de «matching» et différentes primitives (grid points, edgels, edges) sont employées. La sélection des contours, comme les entités du «matching», a résulté de l'évaluation de différents algorithmes d'extraction de traits (points et contours), basée sur un ensemble de critères. Puis, les efforts ont été principalement concentrés sur la mise en correspondance des contours, afin d'améliorer la modélisation des discontinuités. On a recherché différentes approches qui ont mené à des améliorations significatives : l'utilisation de contraintes de hauteur et de continuité pour les points de contour et les prolongements de LSM pour des traits de contours. D'ailleurs, ADS40 permet avec la configuration des canaux sur le plan focal et leurs angles de vue l'emploi de plus d'un "template", et facilite l'identification des erreurs se produisant dans le «matching», particulièrement les occlusions. Le rôle des différentes combinaisons de canaux dans le «matching» est discuté et le bloc de «matching», basé d'une stratégie mono ou multi-template est décrit.
Un autre aspect principal de cette recherche est le contrôle de qualité et la détection des erreurs grossières. Chaque rayon individuel est vérifié sur la base d'un ensemble de critères et des classes d'erreur prédéfinies. Dans le contrôle de qualité, les mesures dérivées de différentes méthodes de «matching» (multi-patch matching, LSM, edge matching) sont combinées, les rayons problématiques sont exclus et le point 3D est calculé par les bons rayons seulement. La performance du système a été évaluée aux divers secteurs de couverture de terrain et aux différentes classes de point (breaklines et points, sur le sol et sur les objets). Un analyse détaillée des résultats et des mesures statistiques qui ont été dérivées des essais sont présentées et discutées. L'exactitude des mesures automatiques est proche de l'exactitude des mesures manuelles. Selon l'analyse, les erreurs grossières dans les résultats du AIM sont significativement moindres comparées aux résultats du système Socet Set 4.4.1. Pour AIM, l'exactitude de «matching» sur les objets était de 0.5-0.65 m et pour SS était > 1 m. |
Adaptative multi-image matching for DSM generation from airborne linear array CCD data (2005)
