Documente Academic
Documente Profesional
Documente Cultură
• Principes généraux
– Classifications, évaluation, post-classification
• Classification : Approche supervisée
– Extraction de l'information utile
– Stratification
– L’apprentissage
– Classifications supervisées
• Classification : Approche non supervisée
• Évaluation de la classification
• Post-classification
• Méthodes récentes
– Approche Orienté-Objet
– Classifications floues
Analyse
de l'image
Image de départ
(2 canaux) Canal n°1
Partition de Classification des pixels
l'espace des variables Généralisation
Canal n°2
Image classée
U.M.R. TETIS Module Extraction de l’information en télédétection 4/48
Principe général (3/3)
Modes de partition de l'espace des variables
Sélection des
données utiles Objectif :
Approche supervisée
Stratification
Choix des variables (canaux)
pour la classification :
Apprentissage
ne retenir que l'information utile
compte tenu des objectifs assignés
Classification
Evaluation
Résultats
• Critères statistiques
– élimination de canaux trop redondants (matrice de corrélation)
Approche supervisée
Sélection des
données utiles
Objectif :
Stratification
Approche supervisée
Apprentissage
segmenter l'image en parties
de même apparence
Classification
Evaluation
définir des zones
d'égale valeur de raisonnement
Résultats
• Stratification automatique :
– classification sommaire (seuillage)
– classification automatique
– application de filtres passe-bas afin de faire apparaître les
grandes unités de l'image
Seuillage
Approche supervisée
– carte pédo-géologique
– carte agro-pédologique
– carte des petites régions naturelles
– carte agro-climatique
– modèle numérique de terrain (MNT) ...
Classes
forestières
avant
incendie
= strates pour
analyse du
comportement
radiométrique
Sélection des
données utiles
Stratification Objectifs :
Approche supervisée
Evaluation
Résultats
échantillon représentatif
Positionnement
Systématique Point
Surface (Segment)
Stratification
Globale
Stratifiée
• Tenir compte :
Approche supervisée
– de la résolution du capteur
– de la taille des objets
– des hétérogénéités spatiales
– de l’objet d’étude (saison / phénologie / dynamique)
• Validation intra-classe
– vérifier l'homogénéité radiométrique de chaque échantillon
Approche supervisée
• Validation inter-classe
– comparaison des populations de pixels
– matrice de confusion en pré-classification
(cf. évaluation)
Sélection des
données utiles Trois étapes :
Approche supervisée
Stratification
1 - Choix d'un modèle de
classification
Apprentissage
2 - Définition des paramètres
de ce modèle
Classification
3 - Application à l'image
Evaluation
Résultats
Type de classification
Métrique
Arithmétique
Statistique
canal XS3
1 2
Approche supervisée
100
100
3
20 4
canal XS2
20
canal XS3
1
canal XS2
image brute
image classée
canal 2
exemple :
Distance euclidienne
Approche supervisée
Centre
classe 1
Pixel classé dans classe
dont il est le plus proche Centre
classe 2
centres des classes
estimés à partir des
pixels d'apprentissage
Centre
(barycentre) classe 3
Limites de classe :
Médiatrices des segments
reliant les centres de classes canal 1
canal 1
problème des
Forêt recouvrements
entre classes
Orge
Blé Maïs
Vigne
Verger
canal 2
nb de pixels
blanc extraction de l’eau
Approche supervisée
cas de 2
classes
noir
0 255
seuil compte numérique (canal XS3)
∫ p( x / Cq ).dx = 1
−∞
q = 1, 2, ...
X
La règle de Bayes permet de calculer :
p ( x / Cq ). p (Cq )
p (Cq / x) =
p( x)
avec p ( x) = ∑ p ( x / Cq ). p (Cq )
q =1, 2 ,...
Lignes d'équidensité
de probabilité
Canal 2 Canal 2 Canal 2
C1
x Constitution des classes L’utilisateur
C2
x
C3
x
départ :
C1
C2 x choix du nombre de
x
C3 classes
x
130
Année
120 4
5
Proche Infra Rouge
9 93
110 94
92
96
96
100 91 10
1
95
2 3 91
90 3
7
4
6 8
80 5 2
6 1
7 Numéro de la
70 8
9 classe
10
60
40 50 60 70 80 90 100 110 120
Rouge
terrain
parcelles enquêtées
Approche supervisée
Stratification
Apprentissage
Classification vérification de la
validation
cohérence des paramètres
de classification
Evaluation
validation du modèle
de classification
Résultats
– la précision géométrique
• précision de la délimitation des limites des objets
– la précision sémantique
• identification du contenu des objets cartographiés
• Évaluation globale :
– évaluation qualitative :
• Comparaison visuelle avec des données exogènes
(photo-aériennes, cartes, etc.)
– évaluation quantitative :
• comparaison des superficies obtenues avec des données
exogènes (statistiques agricoles, etc.)
• comparaison des populations de pixels provenant des
parcelles d'apprentissage avec celles provenant de la
cartographie obtenue
• Évaluation spatialisée
Précision
statistique géographique
(cartographique)
A B 100% 100%
A B
A B 100% 0%
vérité terrain
classifications
Vérité-terrain
• Erreur statistique
proportion de pixels classés en Ck par rapport au nombre de pixels
réellement en Ck sur le terrain
EA = (Xk./X.k)*100
Classification
Classe 2 10 50 10 5 25 100
Terrain
Classe 3 80 20 100
Classe 4 20 10 65 5 100
Classe 5 0 15 5 5 75 100
• Logique booléenne
– Ex. classification sur 3 classes, variable taille
• frontière franche, étanche à x = x0 :
avant x0 : n'appartient pas, après x0 : appartient
– Logique booléenne dans
• Plus proche voisin, hypercube,
maximum vraisemblance…
• Logique floue (fuzzy logic)
– Frontière floue
• Variation progressive de probabilité
d'appartenance sur intervalle [x0, x1]
x0 x1