Note publique d'information : Cette thèse aborde le problème de l'extraction d'arbres à partir d'images aériennes
InfraRouge Couleur (IRC) de forêts. Nos modèles reposent sur l'utilisation de processus
objets ou processus ponctuels marqués. Il s'agit de variables aléatoires dont les
réalisations sont des configurations d'objets géométriques. Une fois l'objet géométrique
de référence choisi, nous définissons l'énergie du processus par le biais d'un terme
a priori, modélisant les contraintes sur les objets et leurs interactions, ainsi qu'un
terme image. Nous échantillonnons le processus objet grâce à un algorithme de type
Monte Carlo par Chaînes de Markov à sauts réversibles (RJMCMC), optimisé par un recuit
simulé afin d'extraire la meilleure configuration d'objets, qui nous donne l'extraction
recherchée.Nous proposons différents modèles d'extraction de houppiers, qui extraient
des informations à l'échelle de l'arbre selon la densité du peuplement. Dans les peuplements
denses, nous présentons un processus d'ellipses, et dans les zones de plus faible
densité, un processus d'ellipsoïdes. Nous obtenons ainsi le nombre d'arbres, leur
localisation, le diamètre de la couronne et leur hauteur pour les zones non denses.
Les algorithmes automatiques résultant de cette modélisation sont testés sur des images
IRC très haute résolution fournies par l'Inventaire Forestier National (IFN).
Note publique d'information : This thesis addresses the problem of tree crown extraction from Colour InfraRed (CIR)
aerial images of forests. Our models are based on object processes, otherwise known
as marked point processes. These mathematical objects are random variables whose realizations
are configurations of geometrical shapes. This approach yields an energy minimization
problem, where the energy is composed of a regularization term (prior density), which
introduces some constraints on the objects and their interactions, and a data term,
which links the objects to the features to be extracted. Once the reference object
has been chosen, we sample the process and extract the best configuration of objects
with respect to the energy, using a Reversible Jump Markov Chain Monte Carlo (RJMCMC)
algorithm embedded in a Simulated Annealing scheme. We propose different models for
tree crown extraction depending on the density of the stand. In dense areas, we use
an ellipse process, while in sparse vegetation an ellipsoïd process is used. As a
result we obtain the number of stems, their position, the diameters of the crowns
and the heights of the trees for sparse areas. The resulting algorithms are tested
on high resolution CIR aerial images provided by the French National Forest Inventory
(IFN).
paprika.idref.fr
data.idref.fr
Documentation
