Ce projet traite de l'automatisation de l'extraction de données nécessaires à la caractérisation de la biodiversité d’espèces benthiques, une problématique environnementale d’actualité. L'impact des activités humaines sur la faune marine est une préoccupation grandissante. Les eaux des Philippines, qualifiées par plusieurs écologistes comme étant le « berceau de la biodiversité marine », sont comme tant d’autres sous la menace constante des changements climatiques, de la pêche invasive et de la pollution côtière. Notre sujet d'intérêt, les récifs coralliens, sont une des principales victimes de ces perturbations humaines. Le phénomène est largement reconnu, mais malheureusement aucune évaluation quantitative des dommages causés à la biodiversité ne peut être obtenue facilement. Les écologistes ont besoin d'outils, permettant de traiter en lot les données recueillies sur le terrain pour conclure sur le véritable impact de l'homme sur cet écosystème fragile.
Dans ce contexte, le but de l’étude est de fournir une implémentation logicielle capable d’automatiser la détection et l’identification de spécimens coralliens dans une banque de photographies sous-marines. Pour ce faire, deux approches distinctes ont été mises à l’essai : l’identification des coraux en fonction de leur forme de croissance (la représentation par formes benthiques) et l’identification précise de l’espèce des spécimens (la représentation taxinomique). Pour l’identification par formes benthiques, divers outils de vision artificielle, tels les descripteurs issus des matrices de cooccurrence des tons de gris (GLCM), des motifs binaires locaux (LBP), de l’histogramme des tons et de la transformée de Fourier ont été mis à l’essai. Ces descripteurs ont été utilisés conjointement à divers algorithmes de reconnaissance de formes tels le classificateur bayesien, la méthode des plus proches voisins, l’arbre de classification C4.5, le séparateur à vaste marge (SVM) et le perceptron multicouches qui ont été comparés dans ce contexte de classification par formes benthiques.
Dans un deuxième temps, l’expérimentation a été reprise sur le problème de classification taxinomique. Au cours de cette étude, la problématique de segmentation automatisée des spécimens de corail a été abordée. Une présegmentation par laplacien du gaussien et partage des eaux, suivie d’une classification des segments avec un SVM optimisé, utilisant les descripteurs développés précédemment, se sont avérées une solution efficace à ce problème. Par la suite, les segments appartenant au corail (et non à l’arrière plan) ont été classifiés à l’aide d’un autre SVM entraîné à cet effet. Les résultats obtenus démontrent qu’il est possible d’implémenter un tel système de reconnaissance automatisée du benthos. Toutefois, plusieurs conditions devront être respectées pour en assurer le succès : (1) pour être robuste, le système de segmentation et de classification de corail doit être entraîné avec un nombre suffisant d'échantillons et (2) le protocole d'acquisition des données et d’extraction de descripteurs doit être bien défini pour maximiser les performances.
This project deals with the automated data extraction process needed to characterize benthic species biodiversity and its evolution: a modern environmental issue. Human impact on marine life is a growing concern. The Philippines seas, described by many environmentalists as the "cradle of marine biodiversity" are like too many others under constant threats by climate change, invasive fisheries and coastal pollution. Our topic of interest: the coral reefs are one of the main victims of these human perturbations. The phenomenon is widely recognized, but unfortunately no quantitative evaluation of the damage to this ecosystem and its biodiversity can be obtained easily. Environmentalists are in need of automated tools, capable of dealing with the enormous amount data collected undersea, to conclude on the real human impact on the fragile coral ecosystem.
The aim of this study is to provide a software implementation able to automate the detection and identification of coral specimens within a vast underwater photographic database. To accomplish this task, two distinct approaches have been tested: identification of corals based on their growth form (benthic forms identification) and accurate identification of species for each specimen (taxonomic identification). To complete benthic forms identification, various computer vision tools, such as descriptors extracted from the gray-level cooccurence matrix (GLCM), the local binary patterns (LBP), the color channels histograms and the Fourier transform were tested. These descriptors were used in conjunction with various machine learning algorithms such as the bayesian classifier, the method of nearest neighbors, the C4.5 classification tree, the support vector machine (SVM) and the multilayer perceptron (MLP) which were compared in this context of classification based on benthic forms.
Following the study on benthic forms identification, a similar experiment was conducted on the taxonomic classification problem. In this part of the study, the problem of automated segmentation of coral specimens was addressed. A combination of the Laplacian of Gaussian and watershed segmentation techniques was used to perform image tessellation. This tessellation was followed by a classification of resulting segments with an optimized SVM, using the previously developed descriptors. This method proved to be an effective solution to the segmentation problem. Subsequently, coral segments were classified using a different SVM trained for this specific purpose. The results show that it is possible to implement such an automated benthos recognition system. However, several conditions must be met to ensure success: (1) to be robust, the segmentation and classification systems should be driven with a sufficient number of samples and (2) the data acquisition and the feature extraction protocols must be well defined to maximize performance.
Bouchard, Jonathan. 2008a. Projet de fin d'étude : Optimisation des méthodes de
classification. Exigence du cours GPA792. Montréal: École de technologie
supérieure, 22 p.
Télécharger -- Download
Bouchard, Jonathan. 2008b. Rapport technique : Préparation des données pour la
classification d'images de coraux. Exigence du cours SYS821. Montréal: École de
technologie supérieure, 20 p.
Télécharger -- Download
Bouchard, Jonathan. 2009a. Lecture dirigée : Méthodes d'extraction de caractéristiques et de
segmentation non supervisée pour textures naturelles. Exigence du cours MTR871.
Montréal: École de technologie supérieure, 27 p.
Télécharger -- Download
Bouchard, Jonathan. 2009b. Rapport technique : Implémentation d'un système de détection et
de classification de coraux. Exigence du cours SYS863. Montréal: École de
technologie supérieure.
Télécharger -- Download .
Bouchard, Jonathan. 2009c. Rapport technique : Implementation d'un systeme multi-étages
pour la classification de coraux. Exigence du cours SYS843. Montréal: École de
technologie supérieure, 26 p.
Télécharger -- Download
Bouchard, Jonathan. 2009d. Revue de littérature : La fusion d'information en reconnaissance
biométrique. Exigence du cours SYS863. Montréal: École de technologie supérieure,
26 p.
Télécharger -- Download