AUF11 - 05 Classification
0 j'aime1,848 vues
Le document présente des méthodes de classification d'images en télédétection, y compris les approches supervisées et non supervisées. Il aborde des techniques telles que le clustering, les vecteurs de support, et la classification orientée objet, en expliquant les étapes et les outils utilisés. Des exemples et des applications pratiques sont également fournis pour illustrer les concepts.
AUF11 - 05 Classification
- 1. Intro Non-supervisé Supervisé Orienté objet Traitement d’images de télédétection Extraction de primitives jordi.inglada@cesbio.cnes.fr C ENTRE D ’É TUDES S PATIALES DE LA B IOSPHÈRE , TOULOUSE , F RANCE Ce contenu est dérivé de la formation “Pragmatic Remote Sensing” dispensée par J. Inglada et E. Christophe en juillet 2010 dans le cadre du colloque IGARSS. Il est mis à disposition selon les termes de la licence : Creative Commons Paternité – Partage à l’Identique 3.0 non transcrit. AUF - Marrakech 2011
- 2. Intro Non-supervisé Supervisé Orienté objet La classification d’images Définition : procédure par laquelle on attribue une étiquette aux objets (pixels de l’image) Supervisée Non-supervisée Orientée pixel Orientée objet AUF - Marrakech 2011
- 3. Intro Non-supervisé Supervisé Orienté objet Données pour la classification Images (réflectances) Primitives Indices radiométriques : NDVI, brillance, couleur, angle spectral, etc. Statistiques, textures, etc. Transformations : ACP, MNF, ondelettes, etc. Données exogènes MNT, cartes, etc. AUF - Marrakech 2011
- 4. Intro Non-supervisé Supervisé Orienté objet La classification en 4 étapes Sélection des attributs pertinents (primitives, etc.) Création d’un vecteur d’attributs par pixel Choix de l’étiquette de la classe (dans le cas supervisé) Apprentissage du classifieur AUF - Marrakech 2011
- 5. Intro Non-supervisé Supervisé Orienté objet Classification non-supervisée Aussi appelée clustering Nécessite une interprétation des résultats (reconnaissance des classes) Les étiquettes des classes sont des nombres (1, 2, ...) Pas besoin de vérité terrain ou d’exemples Le nombre de classes est souvent choisi à la main Autres paramètres sont aussi nécessaires Exemples : k-moyennes, ISO-Data, carte de Kohonen AUF - Marrakech 2011
- 6. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes AUF - Marrakech 2011 Images : Wikipedia
- 7. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes 1. les k “moyennes” initiales sont choisies aléatoirement. AUF - Marrakech 2011 Images : Wikipedia
- 8. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes 1. les k “moyennes” initiales sont choisies aléatoirement. 2. k clusters sont crées en associant chaque observation avec la moyenne la plus proche. Les partitions représentent le diagramme de Voronoï généré par les moyennes. AUF - Marrakech 2011 Images : Wikipedia
- 9. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes 1. les k “moyennes” initiales sont choisies aléatoirement. 2. k clusters sont crées en associant chaque observation avec la moyenne la plus proche. Les partitions représentent le diagramme de Voronoï généré par les moyennes. 3. Le centre de chaque classe devient la nouvelle moyenne. AUF - Marrakech 2011 Images : Wikipedia
- 10. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes 1. les k “moyennes” initiales sont choisies aléatoirement. 2. k clusters sont crées en associant chaque observation avec la moyenne la plus proche. Les partitions représentent le diagramme de Voronoï généré par les moyennes. 3. Le centre de chaque classe devient la nouvelle moyenne. Les étapes 2 et 3 sont répétées jusqu’à la convergence. AUF - Marrakech 2011 Images : Wikipedia
- 11. Intro Non-supervisé Supervisé Orienté objet Exemple : K-moyennes à 5 classes AUF - Marrakech 2011
- 12. Intro Non-supervisé Supervisé Orienté objet La main à la pâte 1. Monteverdi : Learning → KMeans Clustering 2. Choisir une image 3. On peut utiliser seulement une fraction des pixels pour estimer les centroïdes 4. Choisir le nombre de classes 5. Fixer le nombre d’itérations et le seuil de convergence AUF - Marrakech 2011
- 13. Intro Non-supervisé Supervisé Orienté objet Classification supervisée Nécessite des exemples ou une vérité terrain Les exemples peuvent avoir des étiquettes thématiques Différence entre occupation et utilisation des sols Exemples : réseaux de neurones, maximum de vraisemblance, Support Vector Machines AUF - Marrakech 2011
- 14. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM Images : Wikipedia AUF - Marrakech 2011
- 15. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM H3 (vert) ne sépare pas les 2 classes. Images : Wikipedia AUF - Marrakech 2011
- 16. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM H3 (vert) ne sépare pas les 2 classes. H1 (bleu) OK, mais petite marge. Images : Wikipedia AUF - Marrakech 2011
- 17. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM H3 (vert) ne sépare pas les 2 classes. H1 (bleu) OK, mais petite marge. H2 (rouge) marge maximale. Images : Wikipedia AUF - Marrakech 2011
- 18. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM H3 (vert) ne sépare pas les 2 classes. Hyperplan à marge maximale H1 (bleu) OK, mais petite marge. SVM appris avec des échantillons de 2 classes. H2 (rouge) marge maximale. Échantillons dans la marge : vecteurs support. Images : Wikipedia AUF - Marrakech 2011
- 19. Intro Non-supervisé Supervisé Orienté objet Exemple : SVM à 6 classes Eau, végétation, bâti, routes, nuages, ombres AUF - Marrakech 2011
- 20. Intro Non-supervisé Supervisé Orienté objet La main à la pâte 1. Monteverdi : Learning → SVM Classification 2. Choisir l’image à classer 3. Ajouter une classe On peut lui donner un nom et une couleur 4. Choisir des échantillons pour chaque classe Tracer des polygones et utiliser End Polygon pour les fermer On peut associer les polygones aux ensembles d’apprentissage et de test ; ou choisir une sélection aléatoire 5. Learn 6. Validate : affiche la matrice de confusion 7. Display : affichage de l’image classée AUF - Marrakech 2011
- 21. Intro Non-supervisé Supervisé Orienté objet Classification orientée objet Les pixels peuvent ne pas être appropriés pour décrire les classes d’intérêt la forme, la taille et d’autres caractéristiques des régions peuvent être plus pertinentes Nous avons besoin de fournir au classifieur un ensemble de régions Segmentation d’images Et leurs caractéristiques Calcul de primitives par région Possibilité de faire de l’apprentissage actif AUF - Marrakech 2011
- 22. Intro Non-supervisé Supervisé Orienté objet Pas de main à la pâte Mais une démo si on a le temps ! AUF - Marrakech 2011