Vous êtes ici : Accueil » Réunions » Réunion

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Imagerie multi-spectrale et couleur

Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.

S'inscrire à la réunion.

Inscriptions

44 personnes membres du GdR ISIS, et 19 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 64 personnes.

Instructions pour une demande de mission par le GdR ISIS

Le GdR ISIS prend en charge les déplacements des organisateurs des réunions et des orateurs. Le GdR prend aussi en charge les déplacements des participants aux réunions membres d'un laboratoire adhérent du GdR dans la limite d'un doctorant et d'un permanent par laboratoire académique et par réunion, ou d'une personne par adhérent du club des partenaires et par réunion.

La plus grande partie du budget du GdR ISIS est consacrée à la prise en charge de ces missions. Pour que le GdR puisse financer le plus grand nombre de réunions, les participants à ces réunions sont vivement incités à choisir les billets les moins chers. Seuls les billets de train ou d'avion en deuxième classe, non échangeables et non remboursables sont pris en charge. Le GdR se réserve le droit de refuser une demande de billet dont le prix excède la moyenne des prix couramment pratiqués pour le trajet de la mission.

Pour le transport et pour l'hébergement, vous êtes priés d'utiliser le portail SIMBAD du CNRS si vous en avez la possibilité. Cela est en particulier obligatoire si vous êtes membre d'une unité CNRS (UPR, UMR, UMI, URA, FRE). Les réservations d'hôtel sont possibles si la réunion dure plus d'une journée ou si le lieu d'habitation le justifie. Dans le cas où le laboratoire n'est pas une unité CNRS, merci d'envoyer votre demande de prise en charge de la mission à l'adresse DR01.soutien-unites@cnrs.fr en précisant que la mission relève du GdR ISIS. Si vous utilisez votre véhicule personnel pour une distance supérieure à 300 kilomètres (aller+retour), le GdR ISIS ne rembourse pas vos frais de transport.

Les demandes de mission et les réservations sur le site SIMBAD doivent impérativement être effectuées au moins deux semaines avant la date de la mission.

Aucun remboursement de frais de transport ou d'hôtel avancés par l'agent ne peut plus être effectué au retour de la mission.

Annonce

Les principaux thèmes abordés lors de cette réunion relèvent de problèmes spécifiques à l'acquisition et à l'analyse d'images multi-spectrales représentant des scènes proches du capteur. Lors de cette journée, nous souhaitons également mettre l'accent sur plusieurs applications récemment développées et impliquant l'analyse de nombreuses bandes spectrales dans les domaines du visible et du proche infra-rouge.

Cette réunion est co-organisée par yannick.berthoumieu@ims-bordeaux.fr, ludovic.macaire@univ-lille1.fr et alamin.mansouri@u-bourgogne.fr.

Les jeunes chercheurs sont invités à soumettre leurs propositions de présentation incluant titre, auteur et résumé avant le 30 avril 2017 aux 3 co-organisateurs de la réunion.

L'inscription à cette réunion est obligatoire sur le site du GdR ISIS.

Programme

Résumés des contributions

Équations aux différences Partielles pour le traitement et l'analyse de données sur Graphes

Abderrahim El Moataz, Laborateur GREYC, Université de Caen Normandie

De plus en plus de données sont directement collectées ou peuvent être représentées sous formes de graphes ou de fonctions scalaires ou vectorielles sur ces graphes. Les exemples sont nombreux : images multivariées (couleur/multilspectral) ; définies sur des domaines réguliers ou irréguliers (maillages 3D, nuages de points 3D, données définies sur des structures de réseaux etc.)

Il y a actuellement un grand intérêt pour transférer et adapter des méthodes mathématiques classiques (EDPs, Ondelettes, etc.) initialement développées pour traiter des images définies sur des domaines réguliers, sur graphes de topologie arbitraires. Dans cet exposé, je présenterai un formalisme simple permettant d'adapter différentes EDPs sur Graphes. Je montrerai que ce cadre permet d'unifier le traitement local et non local des images et de l'étendre de manière naturelle et simple aux traitements et analyse de données discrètes su graphes. J'illustrerai ma présentation par différents exemples : dé-bruitage (images, surfaces 3D, nuage de points 3D colorés), interpolations de données sur graphes (inpainting, coloration) et classification de données.

Analyse et Traitement des images spectrales sous contrainte métrologique

Noel Richard, Laborateur XLIM-SIC, Université de Poitiers

L'image hyperspectrale donne accès aux mesures des propriétés optiques et à une partie des propriétés physiques des surfaces analysées. L'objet de nos travaux est d'analyser les variations de ces mesures et de les exploiter dans un système de traitement valide au sens métrologique afin de pouvoir à terme relier les résultats aux modèles physiques associés à l'aspect de surface. Les applications visées sont nombreuses allant du contrôle qualité par Vision à l'aide au diagnostic dans le médical ou le Patrimoine. Nous montrerons dans un premier temps l'intérêt d'un choix d'une métrique de distance/similarité adaptée au traitement des données spectrales. Nous montrerons l'impact de cette question pour l'analyse de la diversité spectrale et de la classification (contexte du patrimoine culturel et des images satellites). Dans un second temps, nous montrerons comment les approches non-linéaires permettent de produire des outils de traitement des images spectrales respectant les contraintes métrologiques (extraction de gradient, filtrage, attributs de texture ; contexte patrimonial). Nous conclurons par les attendus pour la communauté du projet ANR DigiPi et du TC CIE8-14 en termes de construction de références spectrales liant : modèles, mesures physico/chimiques diverses ainsi que mesures hyper et multi-spectrales de surfaces non-uniformes.

Méthode de sélection de bandes spectrales par une approche exploitant conjointement la redondance spatiale-spectrale en imagerie hyper-spectrale

Marco Bevilacqua, Yannick Berthoumieu, Laboratoire IMS, Bordeaux INP, Université de Bordeaux

Le procédé de sélection de bandes pour l'analyse d'images hyper-spectrales vise principalement à réduire la redondance chronique d'information dans la dimension spectrale de ce type de données. Il s'agit de ne sélectionner qu'un nombre réduit de bandes et ainsi de limiter le temps d'acquisition et de traitement. Dans le cadre d'une tâche de classification, la sélection de bande peut également conduire à une amélioration des performances grâce à la création de descripteurs spectraux moins redondants. A la différence de l'opération de réduction de dimension impliquant un changement d'espace pour produire de nouveaux descripteurs plus compacts, la sélection de bandes, en gardant un lien avec les longueurs d'onde d'origine, peut permettre la conception de systèmes multi-spectraux ad hoc.

Cela étant posé, il est notable de souligner qu'en plus de la redondance spectrale, les images hyper-spectrales présentent également un niveau élevé de redondance dans le domaine spatiale. Chaque bande spectrale peut être vue comme une image vectorisée à très-haute dimension, égale au nombre de pixels qui la compose. Tenant compte de cette double redondance dans des espaces respectivement de grande dimension, nous proposons une méthode de sélection spatiale/spectrale de bandes hyper-spectrales. La méthode de sélection se fonde sur un procédé de regroupement (clustering) probabiliste. Les bandes sont regroupées en clusters spectraux et les représentants les plus « probables » sont finalement conservés en tant que bandes sélectionnées. Afin de réduire la complexité de l'étape de regroupement probabiliste, un modèle probabiliste est appris sur une diversité spatiale, initialement formée des images vectorisées, dont la structure intrinsèque est exploitée.

Dans le contexte proposé, différents critères de réduction spatiale sont considérés :

Finalement sur différents corpus et dans le cadre de notre application, nous comparons notre approche de sélection de bandes avec d'autres méthodes de l'état de l'art notamment en termes de performances de classification.

Imagerie multi spectrale et hyperspectrale pour l'agriculture

Gilles Rabatel, Unité Mixte de Recherche ITAP Irstea - SupAgro, Information - Technologies - Analyse environnementale - Procédés agricoles.

Du fait de la forme très spécifique du spectre de réflectance de la végétation, l'acquisition de la bande proche infrarouge (PIR) revêt un intérêt particulier pour les applications agricoles. Aujourd'hui, dans le cadre de l'imagerie drone, plusieurs systèmes d'acquisition mono ou multi-objectifs combinant bandes visibles et PIR sont proposés, permettant l'évaluation de la santé des cultures ou la discrimination entre sol et plantations pour la détection des mauvaises herbes.

L'acquisition hyperspectrale (plus d'une centaine de bandes) permet quant à elle d'accéder à la composition biochimique des feuilles (azote, chlorophylle), voire à la discrimination variétale. Plusieurs approches sont en concurrence : régression multivariée (PLS) ou inversion de modèle. Cependant, dans les deux cas, les effets induits par la structure de la canopée (orientation aléatoire des feuilles, réflexions multiples), soulèvent de nombreuses difficultés. Quelques pistes pour s'en affranchir seront évoquées.

Réseaux de neurones 3D pour la classification d'images hyperspectrales de télédétection

Nicolas Audebert (ONERA/IRISA), Bertrand Le Saux (ONERA), Sébastien Lefèvre (UBS/IRISA)

L'imagerie hyperspectrale s'est imposée en quelques années comme un outil particulièrement efficace pour la télédétection, notamment pour la cartographie d'occupation et d'usage du sol. Toutefois, la grande résolution spectrale et la forte redondance de l'information dans le domaine fréquentiel rend les données hyperspectrales délicates à traiter avec des approches de traitement d'image classique. En effet, si les méthodes d'apprentissage statistique (SVM, Random Forests...) sur les spectres individuels ont permis d'obtenir de très bons résultats, adapter les méthodes d'apprentissage profond orientées image, notamment les Convolutional Neural Networks, reste un domaine en cours d'exploration dans la littérature. La question du traitement spatial-spectral du cube de données hyperspectral par de tels réseaux de neurones est encore en suspens, aucune architecture ne s'étant imposée à l'heure actuelle.

Dans ce contexte, nous discutons la transposition aux données hyperspectrales des CNN 2D initialement conçus pour les images RGB. En particulier, nous montrons que ces réseaux de neurones au caractère spatial-spectral présentent une grande résilience aux perturbations, réduisant les besoins en pré-traitement, tout en obtenant des résultats supérieurs aux méthodes purement spectrales. En outre, nous montrons que la prise en compte du contexte spatial permet de régulariser les cartes prédites par le modèle sur différents jeux de données d'images aériennes urbaines et rurales.

Tri de déchets par imagerie multi/hyperspectrale

M. Bourely, directeur scientifique de Pellenc ST.

Méthodologie de sélection de longueur d'onde pour analyse multispectrale appliquée au tri des déchets

Pellenc ST construit un spectromètre dédié temps réel, dont les longueurs d'onde (LO) sont irrégulièrement espacées et choisies pour optimiser la pertinence des séparations chimiques entre produits. Les produits concernés sont les plastiques, et les cellulosiques (papiers, bois, tissus), qu'on peut rencontrer sales ou humides dans un centre de tri.

La diversification des produits à trier nous amène à concevoir une nouvelle version du spectromètre, capable de différencier de façon optimale un nombre de produits beaucoup plus important que la version d'origine. Le principe est de réorganiser les LO choisies, pour éloigner au mieux les produits pris deux à deux.

Démarche: le concepteur fait le choix dimensionnant des produits à séparer, et acquiert un spectre de référence par produit.

Pour chacun de ces produits, un jeu de LO clés est déterminé par analyse visuelle du spectre : maxima, minima, points d'inflexion, etc... On crée ainsi une collection de LO candidates assez nombreuses.

Une méthode itérative choisit les LO finales en optimisant une fonction de coût globale définie sur l'ensemble des produits à trier.

Cette démarche permet d'interpréter à tout moment la pertinence chimique des choix de LO effectués, et aussi de prendre en compte des contraintes externes et l'expertise métier des concepteurs.

Déconvolution en ligne d'images hyperspectrales pour les imageurs de type pushbroom

Yingying Song, El-Hadi Djermoune, Jie Chen, Cédric Richard, and David Brie, Laboratoire CRAN, Université de Lorraine

Ce travail s'intéresse à la conception d'une méthode séquentielle de déconvolution d'images hyperspectrales acquise par un imageur pushbroom. Considérons une image hyperspectrale Y de dimension (NxPxK) acquise par un imageur pushbroom, où N, P et K représentent respectivement le nombre de mesures spatiales, spectrales et temporelles. Les échantillons à imager se déplacent à vitesse constante sur un convoyeur. L'image hyperspectrale est donc acquise tranche par tranche, chacune est notée Yk de dimension (NxP). Les paramètres d'acquisition sont le pas d'échantillonnage spatial et le temps d'intégration. Nous nous plaçons dans le cas où le pas d'échantillonnage est petit par rapport au support de la réponse impulsionnelle de l'appareil, ce qui se traduit par un flou spatial, et où le temps d'intégration est petit, ce qui conduit à un faible rapport signal à bruit. A partir de l'écriture sous forme séquentielle de l'image floutée, on propose un algorithme de type LMS (Least-Mean-Squares) par bloc glissant qui inclut des termes de régularisation spatiale et spectrale pour restaurer en ligne une image hyperspectrale X à partir de l'observation Y floutée et bruitée. Les performances de l'algorithme sont illustrées sur des données réelles.

Reconnaissance biométrique par l'empreinte palmaire multi-spectrale

Aberni Yassir, Larbi Boubchir, Boubaker Daachi, Laboratoire LIASD, Université Paris 8

De nos jours, la reconnaissance biométrique est devenue la technologie la plus pertinente pour déterminer ou authentifier l'identité d'un individu de manière précise à partir de ces traits physiologiques, comportementaux, voire biologiques. De nombreuses modalités biométriques ont été étudiées et développées pour les systèmes de reconnaissance biométrique telles que l'empreinte digitale, l'empreinte palmaire, le visage, l'iris, la voix, la signature, la marche, l'ADN, l'EEG et bien d'autres. La modalité de l'empreinte palmaire qui s'appuie sur la texture de la paume de la main, a suscité un intérêt considérable par rapport aux autres modalités par sa force discriminatoire, sa robustesse à travers le temps et son acceptabilité par les utilisateurs. Plusieurs travaux de recherche ont récemment opté pour l'exploitation de l'imagerie multi-spectrale de l'empreinte de la paume de la main pour des applications d'identification et de vérification. Dans ce contexte, et dans le cadre de cet exposé, nous présentons dans un premier temps le cadre général d'un système de reconnaissance biométrique par l'empreinte palmaire multi-spectrale et dans un deuxième temps, le principe des approches de "codage compétitif" qui sont à la pointe de l'état de l'art.

Nous clignotons tous : estimation du rPPG à partir de vidéos couleur par ACI contrainte et optimisation multi-objectifs

Richard Macwan, Yannick Benezeth et Alamin Mansouri, Laboratoire LE2I, Dijon

La photopléthysmographie sans contact (rPPG) est une technique qui consiste à estimer des paramètres physiologiques telle la fréquence cardiaque à partir de séquences vidéo prises par des caméras du marché. Cette technique connaît un grand succès et est de plus en plus utilisée dans beaucoup de domaines grâce à sa simplicité et son accessibilité. L'idée de base est que le flux sanguin artériel présente une régularité due au battement du coeur. Cette régularité se manifeste par de très faibles variations périodiques de la couleur de la peau qui peuvent néanmoins être isolées quantifiées par des méthodes de traitement du signal et de l'image. Dans ce contexte, l'analyse en composante indépendante (ACI) est une méthode de séparation aveugle de sources qui est couramment utilisée pour séparer le signal dû au flux artériel des signaux dus aux autre sources (peau, éclairage, etc.). L'ACI dans sa version de base est aveugle dans le sens qu'aucune connaissance a priori sur les sources n'est utilisée, ce qui a pour conséquence que les sources résultats suite à l'analyse par ACI ne sont ni identifiées ni pondérées. Pour pallier à ce problème, nous introduisons une nouvelle contrainte qui consiste en l'extraction du signal qui a le maximum d'autocorrélation comme traduction la périodicité. Ce faisant, nous transformons le problème de séparation aveugle de source en un problème d'identification d'une source particulière. La résolution de ce problème en combinant les contraintes propres à l'ACI et la contrainte d'autocorrélation est effectué à l'aide d'une optimisation multi-objectifs dans le cadre du formalisme des multiplicateurs de Lagrange. Nous avons testé notre méthode en utilisant deux jeux de données dédiés à la mesure du rPPG. Notre méthode a montré de meilleures performances comparée à l'ICA classique en termes de précision et de robustesse sur les deux jeux de données.

Séparation visible-proche infrarouge à partir d'un unique capteur

Sanae Boutarfass (Laboratoire MIA - Mathématiques, Image et Applications - Université La Rochelle)

Les capteurs optoélectroniques (CCD et CMOS) ont une sensibilité avérée dans l'infrarouge proche, mais c'est grâce à un filtre optique ICF (Infrared Cut-off) qui bloque le passage des infrarouges proches que l'information reçue est limitée au spectre visible, afin de produire des photographies "naturelles".

Dans le cadre de nos recherches, nous nous intéressons à des prises de vue capturées avec des appareils photos numériques conventionnels simplement débarrassés de leur filtre ICF. L'objectif est d'explorer les possibilités pour séparer l'information issue d'un seul capteur en 4 bandes spectrales (R,G,B et NIR).

Les techniques de séparation de sources telle qu'utilisée dans le traitement d'images multispectrales issues de la télédétection ne sont pas directement applicables (l'utilisation de signatures spectrales des surfaces naturelles n'est pas possible ici). L'étude consiste à développer des méthodes ad-hoc, exploitant les paramètres intrinsèques du capteur et aussi faire appel aux méthodes d'apprentissage pour évaluer la qualité de la séparation.

Et l'aspect visualisation ne sera pas négligé : l'objectif ici est de représenter de multiples canaux sur un dispositif (écran) qui n'est affiché que trois (R, G, B). Plusieurs approches sont possibles, la plus courante dans l'imagerie infrarouge est l'utilisation de fausses couleurs. mais on peut aussi avoir une image enrichie visuellement par des informations récupérées dans le plan NIR avec différentes modalités d'affichage (variation temporelle dans l'affichage, stéréovision, interaction avec le dispositif d'affichage).

Date : 2017-06-02

Lieu : Amphi Saphir Telecom Paris - 46 rue Barrault 75013 Paris


Thèmes scientifiques :
B - Image et Vision

(c) GdR 720 ISIS - CNRS - 2011-2015.