Fusion D'Images Optique Et Radar

ènes dans la chaîne de traitement, qui permettent une analyse plus riche et plus performante de la scène. Ainsi le but de ce travail de recherche est de bâtir une chaîne de traitement générique an de créer ou mettre à jour des BDs cartographiques. D'abord la chaîne doit pouvoir intégrer des données multi-capteurs. Nous nous intéressons en particulier aux capteurs optique et radar à synthèse d'ouverture (RSO). Ensuite la chaîne doit pouvoir aisément évoluer, être améliorable, adaptable à d'autres applications sans nécessiter de modication structurelle importante. Enn elle doit prendre en compte des images ainsi que des données exogènes, de type BD vecteur. Nous focalisons notre étude sur le milieu urbain, plus ou moins dense. Dans ce type de scène, et en haute résolution, les principaux objets d'intérêt pour la cartographie sont les bâtiments et les routes. La gamme de résolution envisagée est de 60cm jusqu'à 3m pour les images optiques, et autour de 1m pour les images RSO. Une BD peut être disponible iii

en entrée de la chaîne, dans ce cas le travail consiste à la mettre à jour. Dans le cas contraire le but est de créer une BD cartographique. En fonction des données disponibles, diérents scénarios sont envisagés. Le cas idéal est la présence d'une image optique multispectrale à une résolution de 70cm (de type Pléiades ou Quickbird), d'une image RSO de résolution 1m (de type TerraSAR-X ou CosmoSkymed), ainsi qu'une BD vecteur à mettre à jour. Cependant d'autres cas sont possibles, plus défavorables, comme par exemple uniquement une image optique (panchromatique ou multispectrale) de résolution plus ou moins précise (entre 60cm et 3m), ou bien uniquement une image RSO, avec ou sans informations externes. Le but est d'exploiter au mieux les informations disponibles sur une scène pour créer ou mettre à jour une BD. La chaîne de traitement mise en place se compose de deux étapes. Dans un premier temps, la BD (si disponible) est vériée. Dans cette étape nous cherchons les objets qui doivent être retirés de la BD. La seconde étape consiste à rechercher dans les images de nouveaux objets à ajouter dans la BD. Pour réaliser cette dernière étape, d'une part des hypothèses de bâtiments sont extraites de l'image optique par une segmentation. D'autre part des algorithmes automatiques d'extraction de route permettent de générer des hypothèses de route à partir des images optique et radar. An de déterminer si un objet considéré est un élément devant être présent dans la BD, nous identions les caractéristiques de chaque objet (route ou bâtiment) dans les images disponibles (optique et/ou radar). Ainsi nous caractérisons les objets d'intérêt par des critères géométriques (par exemple parallélisme avec des contours linéaires), radiométriques (comme l'absence de végétation, une radiométrie homogène) et contextuels (présence d'ombre projetée, ...). Des descripteurs sont mis en place an de déterminer dans quelle mesure chaque objet vérie ces critères. Un objet est donc caractérisé par un vecteur contenant les scores de chaque descripteur. Ensuite les scores sont fusionnés dans le cadre de la théorie de Dempster-Shafer. Cette théorie peut être vue comme une généralisation de la théorie bayésienne. Elle a pour avantages de permettre une modélisation aisée de l'imprécision des sources d'information et présente la possibilité d'intégrer facilement de nouveaux descripteurs dans la chaîne de traitement. Après la fusion, un iv

score est obtenu pour chaque objet considéré, qui sera intégré dans la BD ou rejeté en fonction de la valeur de ce score. Dans le cas des routes, en considérant leur organisation en réseau, une méthode de liaison des tronçons acceptés a été mise en place, basée sur des contours actifs. Les contours actifs sont des contours déformables contraints à la fois par leur forme (énergie interne) et par un terme d'attache aux données (énergie externe). Dans notre approche nous utilisons le score du contour actif après fusion des descripteurs comme terme d'attache aux données. La chaîne de traitement est évaluée pour diérents scénarios (image optique panchromatique ou multispectrale, de résolution 70cm ou 2.5m et/ou image RSO de résolution 1m). L'évaluation concerne à la fois la vérication des BDs route et bâtiment et la détection de nouveaux objets. Les résultats présentés dans cette thèse illustrent l'intérêt d'une fusion multi-capteurs. De plus l'intégration aisée de nouveaux descripteurs permet à la chaîne d'être améliorable et adaptable à d'autres objets. Une utilisation opérationnelle de la chaîne est envisageable car la méthode est relativement peu coûteuse en temps de calcul et peut permettre la mise à jour de BD automatiquement pour les cas correspondant au modèle mis en place, tout en alertant un opérateur humain pour traiter manuellement les cas complexes.

v

vi

Abstract

This work takes place in the framework of high resolution remote sensing image analysis. It focuses on the issue of cartographic database (DB) creation or updating, and more precisely on built-up areas. In cartographic applications, most current studies are specic to one sensor in single mode. Moreover ancillary information is rarely used. However, this information (like a vector DB, a map or a digital terrain model) can be easily available and can be helpful for the scene interpretation. Consequently, the integration of exogenous data and multi-sensor images in a processing chain is interesting to allow a more accurate scene understanding. The goal of this work is to build a generic processing chain to update or create a cartographic DB. First, the chain must be able to integrate multi-sensor data. We consider mainly optical and SAR sensors. Then, the chain must be able to integrate easily new features, for instance to be adaptable to other applications without requiring signicant structural changes. Finally, it must deal with images and ancillary data, like a vector DB. Our study focuses on built-up areas. In this kind of scene, in high resolution imagery, objects of interest for cartography are mainly buildings and roads. The image resolution range considered is from 60cm up to 3m for optical images, and around 1m for SAR images. A DB can be available at the input of the chain. In this case, the problem under study reduces to DB updating. If no DB is present, the goal of the work is precisely to create one DB. According to available data, various scenarios are foreseen. The ideal case is the availablility of an optical multispectral image with a resolution around 70cm (Pleiades vii

or Quickbird), a 1m resolution SAR image (like TerraSAR-X or Cosmo-Skymed), and a vector DB that should be updated. However, other (less optimistic) scenarios of input data are foreseen to be processed by the chain. For instance the use of a single optical or SAR image, or an optical image at a lower resolution (SPOT-5 for instance) or panchromatic, with or without DB as prior information. The goal is to exploit at best available data to update/create the DB. The proposed processing chain is composed of two steps. First, if a DB is available, the presence of each DB object is checked in the images. In this step, we look for objects that should be removed from the DB. The second step consist of looking for new objects that should be included in the DB. This step requires the creation of object hypotheses. Hypotheses of buildings are provided by a segmentation of the optical image. For roads, we use automatic road extraction algorithms that provide road hypotheses from optical and SAR images. To determine if an object should be present in the updated DB, relevant features are extracted from images in the neighborhood of the considered object. Those features are based on caracteristics of roads and buildings in SAR and optical images. The object removal/inclusion in the DB is based on a score obtained by the fusion of features in the framework of the Dempster-Shafer evidence theory. The framework can be seen as a generalization of the Bayesian theory, able to model easily the feature imprecision. For road processing, we have developed a method of section linking which exploits the structure of roads organized as a network.considering their structure organized as a network, a method of section linking was developped. The proposed section linking strategy is based on active contours (snakes). Active contours are deformable contours, constrained both by their shape (internal energy) and by a data tting term (external energy). In our approach, the data tting term comes from the score computed after feature fusion. The processing chain is evaluated for various scenarios (panchromatic or multispectral optical image, with a resolution of 70cm or 2.5m and/or a 1m resolution SAR image). viii

The evaluation is performed for the DB verication and for the detection of new roads and buildings. Results highlight the interest of multi sensor fusion. Moreover the chosen framework allows the easy integration of new features. Consequently the chain can be improved by including other relevant features. It can also be adapted to process other objets. An operational use of the chain can be foreseen. Indeed, the method requires low computation time and can process automatically cases corresponding to the implemented model, while it can alert a human operator to manually process more complex cases.

ix