Design of a processing chain for the texture segmentation of multimodal images of sawn oak timber. Application to the detection of wood singularities and grain orientation
Conception d’une chaîne de traitements pour la segmentation texture d’images multimodales de pièces de bois en chêne. Application à la détection des singularités et la discrimination du grain du bois
Résumé
The work presented in this CIFRE thesis, associating CRAN and CRITT Bois for the ANR-OPTIFIN project, contributes to the development of an image processing chain for the texture segmentation of multimodal images of sawn oak timber pieces. The idea is to combine multimodal acquisition techniques in visible and near-infrared (NIR) range with texture analysis methods using covariance matrices and texture segmentation methods in the Riemannian manifold, for the detection of singularities and discrimination of wood grain.
In the first chapter, we present a state of the art on automated inspection of wood pieces; with a special focus on hardwood species (e.g. oak) for which inspection is still an open problem. The second chapter deals with the implementation of the multimodal imagery platform (PIM) and the calibration of color, grayscale, direct and scatter images in the visible range and abundance maps, obtained from NIR hyperspectral images. We propose an original methodology for the scatter images by optimizing the acquisition parameters on sawn oak timber pieces.
The third chapter concerns the study of the registration of monomodal and multimodal images and the application of a method for the suppression of their background. In the fourth chapter, we propose a texture analysis methodology based on the fusion of multimodal images and/or their textural images (LBP, nriLBP, GLCM and Gradient) by covariance matrices. We exploit the covariance matrices by K-means clustering and
k-ppv supervised classification methods, extended to the Riemannian case, for segmentation.
In the last chapter, we present results ensuring a relevant and fast segmentation of the covariance matrices. They are obtained after having determined the best parameters for the K-means setting. The clustering results show that the use of multimodal images alone leads to an optimal segmentation of compact singularities. They also show the importance of integrating textural images in the modality sets to obtain a better segmentation of regional type singularities. For wood grain, an efficient segmentation is obtained by using only textural images. Finally, we propose to apply k-ppv in the Riemannian manifold on the selected modalities to obtain a more accurate segmentation.
Les travaux présentés dans cette thèse CIFRE, liant le CRAN et le CRITT Bois d’Epinal dans le cadre du projet ANR-OPTIFIN, contribuent au développement d’une chaîne de traitements pour la segmentation texture des images multimodales de pièces de bois en chêne. L’idée est de combiner des techniques d’acquisition multimodale dans le visible et le proche infrarouge (NIR) à des méthodes d’analyse de texture par matrices de covariance et de segmentation texture dans la variété Riemannienne, pour la détection des singularités et la discrimination du grain du bois.
Dans le premier chapitre, nous dressons un état de l’art sur l’inspection automatisée des pièces de bois ; en portant une attention particulière aux essences de bois feuillus (e.g. chêne) dont l’inspection demeure encore un problème non résolu. Le deuxième chapitre porte sur la mise en place de la plate-forme d’imagerie multimodale (PIM) et la calibration des images couleur, niveaux de gris, directe et scatter dans le visible et des cartes d’abondance, obtenues à partir des images hyperspectrales NIR. Nous proposons une méthodologie originale pour les images scatter en optimisant les paramètres d’acquisition sur les pièces de bois en chêne.
Le troisième chapitre concerne l’étude du recalage des images monomodales et multimodales et l’application d’une méthode pour la suppression de leur fond. Dans le quatrième chapitre, nous proposons une méthodologie d’analyse texture basée sur la fusion par matrices de covariance des images multimodales et/ou de leurs images texturales (LBP, nriLBP, GLCM et Gradient). Nous exploitons les matrices de covariance par des méthodes de clustering par K-moyennes et de classification supervisée par k-ppv, étendues au cas Riemannien, pour la segmentation.
Dans le dernier chapitre sont présentés les résultats garantissant une segmentation pertinente et rapide des matrices de covariance. Ils sont obtenus après avoir déterminé les meilleurs paramètres de réglages des K-moyennes. Les résultats du clustering laissent apparaître que l’utilisation des images multimodales seules conduit à une segmentation optimale des singularités compactes. Ils montrent aussi l’importance de l’intégration des images texturales dans les jeux de modalités pour obtenir une meilleure segmentation des singularités de type région. Pour le grain du bois, une segmentation efficace est obtenue en utilisant les images texturales seules. Enfin, nous proposons d’appliquer les k-ppv dans la variété Riemannienne sur les modalités sélectionnées pour obtenir une segmentation plus précise.
Origine : Fichiers produits par l'(les) auteur(s)