Segmentation par analyse de texture de grilles d'occupation probabilistes

Abstract

Le concept des grilles d'occupation et des images probabilistes a été introduit à la fin des années quatre-vingt avec le travail d'Alberto Elfes [1][2][3][4] qui se situait dans le contexte de la robotique mobile pour la construction de cartes de l'environnement. Depuis, la recherche s'est principalement concentrée sur la représentation, la fusion de données et la génération des modèles d'occupation. Malgré que ces modèles d'environnements probabilistes soient extrêmement riches en terme de contenu, peu d'efforts ont été investis dans leur traitement et dans l'extraction des données pertinentes qu'ils renferment. Ce travail de recherche contribue à ce domaine, du fait qu'il propose un algorithme de segmentation spécialisé dans le traitement des modèles d'environnements probabilistes bidimensionnels et tridimensionnels. La méthode de segmentation proposée est non-supervisée et basée sur l'analyse et sur la différenciation entre les textures qui caractérisent les régions dotées d'une occupation donnée. La texture est représentée à l'aide de la double distribution du "motif local binaire" (Local Binary Pattern, LBP) et du "contraste" (Contrast, C). Le ratio logarithmique de probabilité, le G-statistique, est utilisé afin de mesurer le degré de similarité entre les différentes régions de l'environnement. Cette mesure pseudo-métrique compare les distributions LBP/C relatives aux différents segments. L'algorithme propose qui est utilisé pour segmenter l'espace probabiliste en régions uniformes dotées d'un état d'occupation déterministe, différencie entre les divers objets présents dans l'environnement en analysant la proximité entre les segments occupés obtenus. Notre schéma de segmentation ouvre la voie à un grand nombre d'applications en robotique autonome. Parmi celles-ci nous retrouvons: (1) La planification de la trajectoire et de mouvements d'un robot mobile; (2) L'évitement des obstacles et l'interaction d'un robot avec son environnement; (3) La sélection autonome de points de vue dans la construction de cartes de l'espace; (4) La reconnaissance d'objets par leur forme à partir de mesures de surface incomplètes et incertaines. Deux versions de l'algorithme sont proposées, la première est specialisée dans la segmentation des images probabilistes bidimensionnelles tandis que la seconde correspond à une extension capable de prendre en compte une dimension additionnelle pour ainsi traiter le cas des environnements probabilistes tridimensionnels. Le schéma de segmentation proposé est valide expérimentalement sur un grand nombre d'images probabilistes de dimensions variées et créées à partir de capteurs dotés d'une erreur sur la mesure de la distance ainsi que d'un pas angulaire limité. Le choix des paramètres intrinsèques du schéma de segmentation est déterminé empiriquement et évalué à l'aide d'une mesure d'erreur à deux niveaux basée sur les résultats obtenus avec différents réglages. Finalement, l'applicabilité de l'algorithme proposé est évaluée au-delà du traitement des modèles d'environnements probabilistes en le testant, sans aucune adaptation, pour la segmentation d'images aériennes et médicales.