Discussion :

[Kichott]

Bonjour,

Je travaille en se moment sur la classification de terrain. Une camera est montee sur une voiture et prends des photos du terrain qu'elle traverse.

Le but serait de pouvoir classifier ces terrains. Exemple : Herbe, bitume, gravier...

J'ai lu pas mal de paper, je croule un peu sous les differentes methodes, je ne sais pas vers laquelle je devrais me diriger.

Je voulais au debut utiliser simplement les couleurs, le probleme est que cette technique n'est pas assez robuste a cause des ombres, eclairages etc.

Donc je vois differentes methodes :
- Filtre de Gabor
- En utilisant les infos teintes / Saturation
- Ondelettes
...

En gros mon algorithme serait :
Input Image => Transformation/filtrage => Classement a l'aide de SVM (Support Vector Machine)

Donc voila si vous avez quelques idees sur quelle methode serait la plus adaptee... Cela m'aiderais sans doute a avancer...

Merci
Jonathan

PS : desole pour les accentes

[ToTo13]

bonjour,

ça ne nous dit pas quelles caractéristiques tu souhaites utiliser au final
Il est effectivement plus souhaitable d'utiliser les proportions d'arbres, d'herbes, etc que les couleurs elles-mêmes.
Mais pour cela il faut au préalable détecter ces différents éléments. Comment comptes tu faire ?

[Kichott]

Bonjour,

La camera est dirigee vers le sol. Donc mon image d'entree est soit de l'herbe, soit du sable, gravier, route etc.

J'aimerais ne pas utiliser les couleurs, donc j'ai cree un filtre de gabor pour mettre en avant la texture de l'image.

La je rencontre les problemes suivants:
- Difficultes a defenir les parametres d'entres de Gabor (frequence, angles...)
- Difficulte pour le traitement post gabor (local energy estimation). La plus part des papers utilisent une fonction non lineaire, le plus souvent une fonction carre. Puis un filtre passe bas gaussien. Moi ca ne me donne pas de tres bon resultats ;-(
- Enfin je me demande comment je vais classer ca a l'aide de mon SVM car l'image output est en noir et blanc. Donc je sais pas quelle feature utilisee pour mon svm.

Voila en gros :-/

Si vous pouvez m'aider sur certains points ou donner votre avis... :-)

Merci
Jonathan

[bricecol]

tu filmes que le sol ?

dans ce cas, tu peux soit filmer du goudron, soit de l'herbe, en gros. peut-être, je n'en suis pas sur, peux-tu essayer avec les contours plutôt que les textures ? je m'explique.

en résumé (mais vraiment résumé :p) : passage noir/blanc, ouverture/fermeture + petit flou (on enlève les détails), détection des contours (voir méthodes disponibles) OU création d'objets connexes (ce serait des tâches noir).

selon les caractéristiques moyennes des contours (longueur, épaisseur etc...) OU le nombre et la surface moyenne des tâches, tu peux, à mon avis, déterminer si c'est du goudron (sol assez lisse avec de petites aspérités) ou si c'est de l'herbe (formes plus allongés, plus grosses que des aspérités).

enfin, perso, je serais allé dans cette direction. après, il est sûrement possible (et même je pense interessant et plus fiable) de coupler les textures, les formes et les couleurs ?

[ToTo13]

La camera est dirigee vers le sol. Donc mon image d'entree est soit de l'herbe, soit du sable, gravier, route etc.

J'aimerais ne pas utiliser les couleurs, donc j'ai cree un filtre de gabor pour mettre en avant la texture de l'image.

La je rencontre les problemes suivants:
- Difficultes a defenir les parametres d'entres de Gabor (frequence, angles...)
- Difficulte pour le traitement post gabor (local energy estimation). La plus part des papers utilisent une fonction non lineaire, le plus souvent une fonction carre. Puis un filtre passe bas gaussien. Moi ca ne me donne pas de tres bon resultats ;-(

Là c'est purement du traitement d'image pour le moment, donc je déplace dans le forum adapté.
Pour ce qui est du filtre de Gabor, je pense que PseudoCode répondra à tes questions lorsqu'il aura vu la discussion.

Est ce que tu as essayé simplement un filtre de Kuwahara sur tes images. Avec un peu de chance, il te permettra de séparer les différentes parties de l'image.
Mais si tu filmes du goudron, on peut l'isoler assez facilement. Il restera ensuite à différencier l'herbe et le gravier. Mais tout ceci ne nécessite pas forcément de passer par un filtre de Gabor.

Je n'ai pas l'habitude du filtre de Gabor, donc je ne sais pas quelles sont les caractéristiques que tu obtiens en sortie
Pour information, ne te focalise pas sur les SVM pour le moment, il est souvent mieux de commencer par des méthodes plus simples.

[pseudocode]

Là c'est purement du traitement d'image pour le moment, donc je déplace dans le forum adapté.
Pour ce qui est du filtre de Gabor, je pense que PseudoCode répondra à tes questions lorsqu'il aura vu la discussion.

Ah ? Je suis nommé responsable filtre de Gabor ?

Bon sérieusement, les filtres de Gabor ne sont pas ce qui se fait de mieux pour faire de la classification. Pour de l'identification d'accord (genre iris de l'oeil) mais je les trouve sont trop "sensibles" pour de la classification.

Je te conseille les indémodables coefficients d'Haralick qui malgré leur grand age restent de très bonnes caractéristiques. Leur problème étant (comme pour Gabor) qu'il faut choisir les échelles et les orientations. Généralement avec 3 échelles et 4 orientations on a des résultats pas trop mauvais.

Sinon, je te conseille également la décomposition en ondelette (ou mieux multi-ondelette) en prenant comme caractéristiques la moyenne+variance de chaque bloc. C'est moins précis que Haralick mais c'est rapide a calculer. Ensuite il est toujours possible d'extraire d'autres caractéristiques des blocs(histogrammes, ou meme... coefficients d'Haralick )

Pour information, ne te focalise pas sur les SVM pour le moment, il est souvent mieux de commencer par des méthodes plus simples.

Tout a fait. Un classifieur "knn" ou "fisher" est déjà un bon début.

[Kichott]

Merci pour cette reponse.

Je te conseille les indémodables coefficients d'Haralick qui malgré leur grand age restent de très bonnes caractéristiques. Leur problème étant (comme pour Gabor) qu'il faut choisir les échelles et les orientations. Généralement avec 3 échelles et 4 orientations on a des résultats pas trop mauvais.

Sinon, je te conseille également la décomposition en ondelette (ou mieux multi-ondelette) en prenant comme caractéristiques la moyenne+variance de chaque bloc. C'est moins précis que Haralick mais c'est rapide a calculer.

Je vais regarder la decomposition en ondelette (le filtre de Gabor ce n'est pas de la decomposition en ondelette?) ainsi que les coefficients d'Haralick...

Ensuite il est toujours possible d'extraire d'autres caractéristiques des blocs(histogrammes, ou meme... coefficients d'Haralick )

Quel type d'histogrammes ?
Histogramme de la teinte et de la saturation ?

Tout a fait. Un classifieur "knn" ou "fisher" est déjà un bon début>

En fait j'utilise deja SVM pour un autre probleme donc cela ne sera pas trop un probleme. Tant qu'a faire j'aimerais bien utiliser le meme "classifieur"

Re-Bonjour a tous,

Bon j'ai etudie les coefficients de Haralick voila les differents coefficients que je vais calculer et entrer dans mon svm:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
 
% Autocorrelation: [2] (out.autoc)
% Contrast: matlab/[1,2] (out.contr)
% Correlation: matlab (out.corrm)
% Correlation: [1,2] (out.corrp)
% Cluster Prominence: [2] (out.cprom)
% Cluster Shade: [2] (out.cshad)
% Dissimilarity: [2] (out.dissi)
% Energy: matlab / [1,2] (out.energ)
% Entropy: [2] (out.entro)
% Homogeneity: matlab (out.homom)
% Homogeneity: [2] (out.homop)
% Maximum probability: [2] (out.maxpr)
% Sum of sqaures: Variance [1] (out.sosvh)
% Sum average [1] (out.savgh)
% Sum variance [1] (out.svarh)
% Sum entropy [1] (out.senth)
% Difference variance [1] (out.dvarh)
% Difference entropy [1] (out.denth)
% Information measure of correlation1 [1] (out.inf1h)
% Informaiton measure of correlation2 [1] (out.inf2h)
% Inverse difference (INV) is homom [3] (out.homom)
% Inverse difference normalized (INN) [3] (out.indnc)
% Inverse difference moment normalized [3](out.idmnc)

Est-ce qu'il vous semblerait interessant de rajouter des parametres/histogrammes non base sur la matrice co-occurence ?

Afin de prendre les couleurs en compte realise l'histogramme de H et V et l'intregrer aussi pour la classification qu'est ce que vous en pensez ?

Leur problème étant (comme pour Gabor) qu'il faut choisir les échelles et les orientations. Généralement avec 3 échelles et 4 orientations on a des résultats pas trop mauvais.

Je ne suis pas sur de moi mais en ce qui concerne l'echelle et l'orientation cela se fait au niveau de la co-occurence Matrice c'est bien cela ?
Donc il faudrait faire la co-occurence matrice dans differentes directions et differentes echelles. Mais apres comment fusionner les resultats?

Merci pour votre aide