Reconstruction 3d du couvert forestier par photogrammétrie

Dans le cadre de la thématique de restitution 3D, le
CNES dispose d'une chaine de restitution 3D, CARS [1] s'appuyant sur
l'algorithme de stéréo-vision Pandora [2]. Cela permet de générer le modèle
numérique surface (MNS) à partir d'une paire d'images d'une même scène.
L'imagerie satellite permet de voir de grands espaces avec une bonne revisite
et un coût moindre qu'une vue par avion. C'est dans ce contexte que le CNES a
programmé la mission CO3D [3] qui aura pour objectif de cartographier la terre
en 3D avec des satellites dédiés.

La chaine de reconstruction du CNES est
composée des 4 étapes suivantes :

· Ré-échantillonnage de la paire
d'images dans une géométrie commune

· Mise en correspondance des images pour
trouver les pixels homologues entre les deux images par IA (outil Pandora [2])

· Obtention d'un nuage de points en
recherchant par triangulation l'intersection des lignes de visée des points
homologues

· Projection du nuage de points sur une
grille régulière pour obtenir un modèle numérique d'élévation en 2,5D

La qualité de la reconstruction 2.5D est
critique, notamment dans le besoin d'évaluer mondialement avec une grande
revisite les couverts forestiers mondial. Pour cela, l'IGN met à disposition
sur le territoire français le LiDARHD © [4] qui est constituée d'un nuage de
points classifié qui pourront identifiés les régions d'intérêt comme base
d'apprentissage pour des modèles supervisés. En collaboration avec l'IGN, les
objectifs identifiés sont :
- Identifier,
avec les bases de données disponibles à l’IGN et au CNES, les zones forestières
d’intérêt,
- Evaluer les méthodes actuelles orientée deep-learning de reconstitution de l'altitude sur les
zones forestières identifiées, basés sur
des travaux pré-existants,
- Proposer des axes d'améliorations pour permettre une
bonne restitution de la hauteur des canopées,
- Développer la méthode dans la chaine de
photogrammétrie CARS ou MicMac [5] (développée par l'IGN).

Durant ce stage, l'étudiant.e sera
formé.e aux principaux algorithmes d'IA pour le traitement d'images
stéréoscopiques, aux algorithmes de traitement de nuages de points. On considèrera la mise en géométrie commune
comme acquise pour se concentrer sur le problème d’appariement. Ce stage est aussi l'occasion
d'apprendre à travailler sur le Centre de Calcul de Haute Performance (HPC) du
CNES, disposant d'importantes ressources en calculs/parallélisation. Les
résultats obtenus sur le couvert forestiers pourront être poursuivis en thèse.
L'étudiant.e pourra aussi être force de proposition au sein des travaux menés
lors du stage, en fonction de ses affinités et du potentiel des solutions
envisagées.

Mots-clés : reconstruction 3D,
photogrammétrie, traitement d'images, IA, couvert forestier
Le stage pourrait débuter en février/mars 2025

Etudiant.e en dernière année Ecole
d'ingénieur ou Université, Master 2 ou césure

Maitrise basique ou avancée de Python

Esprit d'initiative et motivation

Appétence pour le domaine spatial, le
traitement d'images et l’apprentissage de
langages informatiques (C++).