OTHMANI Ahlem 2013 De l'Acquisition à la Compression des objets 3D (AC3D) Porquerolles 2013
32
Identification automatisée d’espèces d’arbres dans des scans lasers 3D OTHMANI Ahlem 2013 De l'Acquisition à la Compression des objets 3D (AC3D) Porquerolles 2013
OTHMANI Ahlem 2013 De l'Acquisition à la Compression des objets 3D (AC3D) Porquerolles 2013
OTHMANI Ahlem 2013 De l'Acquisition la Compression des objets
3D (AC3D) Porquerolles 2013
Page 2
Identification automatise despces darbres dans des scans lasers
3D Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 01
Page 3
Gestion des forts Office National des forts -Gre 25% des forts
franaise (forts publiques) -45 % du volume -Inventaire annuel
Surface boise en France mtropolitaine -161 000 Km2 -29,5 % du
territoire Identification automatise despces darbres dans des scans
lasers 3D Introduction Approches Rsultats et perspectives 02 A.
Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 4
OTHMANI Ahlem 2013 Inventaire forestier Evaluer la ressource
dune fort un moment donn o Espce et diamtre o Hauteur de peuplement
Inventaire manuel Identification automatise despces darbres dans
des scans lasers 3D Introduction Approches Rsultats et perspectives
03 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 5
OTHMANI Ahlem 2013 Inventaire forestier amlior o Plus prcis,
plus dtaill, plus rapide o Meilleure connaissance de la ressource
Utilisation de scans laser Lidar Terrestre ou Arien Identification
automatise despces darbres dans des scans lasers 3D Introduction
Approches Rsultats et perspectives 04 A. Othmani, A. Piboule, C.
Stolz and L.F.C. Lew Yan Voon
Page 6
OTHMANI Ahlem 2013 Inventaire forestier lONF Nuage de points 3D
: de lordre de 40 millions de points par nuage. 2 2 Traitement des
nuages de points avec le logiciel Computree dvelopp par lONF 3 3
Campagne dacquisition terrain 1 1 Identification automatise despces
darbres dans des scans lasers 3D Introduction Approches Rsultats et
perspectives 05 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan
Voon
Page 7
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D Dans le cadre de cette thse, on ne
sintresse que lidentification de lespce darbre. Dterminer Lespce
Les feuilles les bourgeons La forme des cimes (le houppier) Les
fruits Les feuilles Introduction Approches Rsultats et perspectives
06 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 8
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D linventaire forestier est ralis pendant
lhiver ( hors de priode de croissance des arbres ) o Les feuilles o
Les bourgeons o Les fruits o la cime des essences, tout seul, nest
pas suffisant pour la discrimination o Il y a beaucoup deffet de
flou ( chevauchement des branches,..) o le nombre de point de scans
diminuent avec lhauteur o Cest trs difficile de dcrire le houppier
et la branchaison o La forme des cimes Lcorce des troncs darbres
Introduction Approches Rsultats et perspectives 07 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 9
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D Introduction Approches Rsultats et
perspectives Charme (cannelure) Chne (lanires verticales) Htre
(lisse) Merisier ( lanires horizontales) Pin (crevasses) Epica
(cicatrices circulaires ) 08 A. Othmani, A. Piboule, C. Stolz and
L.F.C. Lew Yan Voon
Page 10
Nuage de points 3D Patch 3D Maillage 3D Filtrage Triangulation
Pr-traitement Extraction des morceaux de troncs 1 Carte de hauteur
ou profondeur Maillage 3D Lissage [ ] Information De profondeur 2
Extraction image de profondeur 2,5D Information De profondeur
Depliage Image de Profondeur 2,5 D 3 Analyse de texture 4 Images
2,5D a: htre b: pica c: pin d: chne e: charme Technique de
segmentation ou danalyse dimages Image segmente Vecteur
caractristiques Classification 5 Image segmente Extraction des
caractristiques Classifieur Identification automatise despces
darbres dans des scans lasers 3D Introduction Approches Rsultats et
perspectives 09 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan
Voon
Page 11
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D Les textures gomtriques est lensemble de
dtails gomtriques 3D du maillage original surfacique textur M o par
rapport la version lisse M s du maillage. Les dtails gomtriques 3D
sont reprsent par la dviation gomtrique entre le maillage original
M o et sa version lisse M s. Texture Gomtrique Introduction
Approches Rsultats et perspectives 10 A. Othmani, A. Piboule, C.
Stolz and L.F.C. Lew Yan Voon
Page 12
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D 5 Itrations 20 Itrations 40 Itrations 70
Itrations Maillage originalMaillage lisse Itrer lalgorithme de
lissage jusquau avoir un maillage suffisamment lisse Introduction
Approches Rsultats et perspectives 11 A. Othmani, A. Piboule, C.
Stolz and L.F.C. Lew Yan Voon
Page 13
OTHMANI Ahlem 2013 Identification automatise despces darbres
dans des scans lasers 3D Lalgorithme de lissage / de Taubin : rsout
le problme de rtrcissement de certains algorithmes de lissage. 2
tapes de lissage laplacien avec diffrents facteurs dchelles et .
une premire tape avec >0 (shrinkage step) une deuxime tape avec
0.8) = 0.75 et = 0.25 Introduction Approches Rsultats et
perspectives A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan
Voon 23 A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan
Voon">
Map des contours (Map Edge) On fusionne deux rgions adjacentes
si le cot affect ce contour E i,j est infrieur un seuil ( fix 0.5)
Identification automatise despces darbres dans des scans lasers 3D
n est le nombre de pixels dun contour commun deux rgions adjacentes
n 1 est le nombre de pixels du contour considrs comme du
noir(grayscale < 0.8) n 2 est le nombre de pixels du contour
considrs comme du blanc (grayscale > 0.8) = 0.75 et = 0.25
Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 23 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 25
Images de profondeur Segmentation Initiale Aprs Fusion
Identification automatise despces darbres dans des scans lasers 3D
Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 24 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 26
Identification automatise despces darbres dans des scans lasers
3D Features : Features : Une rgion est caractrise par un ensemble
de caractristiques Aire et primtreCircularitConvexit Longueur de
l'axe majeur et mineur OrientationCompacit Caractristiques de
gomtrie et de forme : Caractristiques dintensit : Maximum Intensity
Minimum Intensity Mean Intensity SphricitConcavit et
convexitExentricit Introduction Approches Rsultats et perspectives
A. Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon 25 A.
Othmani, A. Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 27
Rsultats test 1 : 10 cross-validation on D1 test 2 : 10
cross-validation on D2 test 3 : Training on D1 and testing on D2
test 4 : Training on D2 and testing on D1 Identification automatise
despces darbres dans des scans lasers 3D Diamtre standard du tronc
Distance standard au scanner 2 data setsPatchs de Diffrents arbres
-30 cm 6 mD1: 16 patches/espce D2 : 30 patches/espce 46 par espce
Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 26 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 28
OTHMANI Ahlem 2013 -Porte : 60 cm 120 m -Champs de scan :
360(H) x 320(V) -Prcision : 2 mm 25 m Le scanner laser FARO 120
Rsol. 1/4 Rsolution : 41M de points Distance entre 2 points 10 m :
6,3 mm N.B. : Rsolution maximale possible : 1,6 mm 10 m (1h30)
Identification automatise despces darbres dans des scans lasers 3D
Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 27 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 29
Identification automatise despces darbres dans des scans lasers
3D accuracy = 95% precision = 89% accuracy = 97% precision = 92%
Introduction Approches Rsultats et perspectives A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon 28 A. Othmani, A.
Piboule, C. Stolz and L.F.C. Lew Yan Voon
Page 30
Identification automatise despces darbres dans des scans lasers
3D Conclusion Les lignes des partages des eaux est lapproche la
plus adapte pour ltude de surface cette approche est trop sensible
au bruit nos images de profondeur sont fortement bruites cause de
linterpolation = les contours ne sont pas bien dessin Fallait il
vraiment faire le passage vers la 2D ?? Introduction Approches
Rsultats et perspectives A. Othmani, A. Piboule, C. Stolz and
L.F.C. Lew Yan Voon 29 A. Othmani, A. Piboule, C. Stolz and L.F.C.
Lew Yan Voon
Page 31
Identification automatise despces darbres dans des scans lasers
3D Burst Wind Segmentation (othmani et al. 2013) linformation de
profondeur prsente le relief topologique. les minima rgionaux laide
linformation de courbure. simuler un vent fort Introduction
Approches Rsultats et perspectives A. Othmani, A. Piboule, C. Stolz
and L.F.C. Lew Yan Voon 30 A. Othmani, A. Piboule, C. Stolz and
L.F.C. Lew Yan Voon