AUF11 - 05 Classification

Click here to load reader

  • date post

    21-Jun-2015
  • Category

    Technology

  • view

    1.798
  • download

    1

Embed Size (px)

Transcript of AUF11 - 05 Classification

  • 1. Intro Non-supervis Supervis Orient objet Traitement dimages de tldtection Extraction de primitives jordi.inglada@cesbio.cnes.frC ENTRE D TUDES S PATIALES DE LA B IOSPHRE , TOULOUSE , F RANCECe contenu est driv de la formation Pragmatic Remote Sensing dispense par J. Inglada et E. Christophe en juillet 2010 dans le cadre du colloque IGARSS. Il est mis disposition selon les termes de la licence : Creative Commons Paternit Partage lIdentique 3.0 non transcrit.AUF - Marrakech 2011

2. Intro Non-supervis Supervis Orient objetLa classication dimagesDnition : procdure par laquelle on attribue une tiquetteaux objets (pixels de limage)SuperviseNon-superviseOriente pixelOriente objetAUF - Marrakech 2011 3. Intro Non-supervis Supervis Orient objetDonnes pour la classication Images (rectances) PrimitivesIndices radiomtriques : NDVI, brillance, couleur, anglespectral, etc.Statistiques, textures, etc.Transformations : ACP, MNF, ondelettes, etc. Donnes exognesMNT, cartes, etc. AUF - Marrakech 2011 4. Intro Non-supervis Supervis Orient objetLa classication en 4 tapesSlection des attributs pertinents (primitives, etc.)Cration dun vecteur dattributs par pixelChoix de ltiquette de la classe (dans le cas supervis)Apprentissage du classieurAUF - Marrakech 2011 5. Intro Non-supervis Supervis Orient objetClassication non-supervise Aussi appele clustering Ncessite une interprtation des rsultats (reconnaissance des classes)Les tiquettes des classes sont des nombres (1, 2, ...) Pas besoin de vrit terrain ou dexemplesLe nombre de classes est souvent choisi la mainAutres paramtres sont aussi ncessaires Exemples : k-moyennes, ISO-Data, carte de Kohonen AUF - Marrakech 2011 6. Intro Non-supervis Supervis Orient objetExemple : K-moyennesAUF - Marrakech 2011Images : Wikipedia 7. Intro Non-supervis Supervis Orient objetExemple : K-moyennes 1. les k moyennes initiales sont choisies alatoirement. AUF - Marrakech 2011Images : Wikipedia 8. Intro Non-supervis Supervis Orient objetExemple : K-moyennes 1. les k moyennes initiales sont choisies alatoirement. 2. k clusters sont cres en associant chaque observation avec la moyenne la plus proche. Les partitions reprsentent le diagramme de Vorono gnr par les moyennes. AUF - Marrakech 2011Images : Wikipedia 9. Intro Non-supervis Supervis Orient objetExemple : K-moyennes 1. les k moyennes initiales sont choisies alatoirement. 2. k clusters sont cres en associant chaque observation avec la moyenne la plus proche. Les partitions reprsentent le diagramme de Vorono gnr par les moyennes. 3. Le centre de chaque classe devient la nouvelle moyenne. AUF - Marrakech 2011Images : Wikipedia 10. Intro Non-supervis Supervis Orient objetExemple : K-moyennes 1. les k moyennes initiales sont choisies alatoirement. 2. k clusters sont cres en associant chaque observation avec la moyenne la plus proche. Les partitions reprsentent le diagramme de Vorono gnr par les moyennes. 3. Le centre de chaque classe devient la nouvelle moyenne. Les tapes 2 et 3 sont rptes jusqu la convergence. AUF - Marrakech 2011Images : Wikipedia 11. Intro Non-supervis Supervis Orient objetExemple : K-moyennes 5 classes AUF - Marrakech 2011 12. Intro Non-supervis Supervis Orient objetLa main la pte1. Monteverdi : Learning KMeans Clustering2. Choisir une image3. On peut utiliser seulement une fraction des pixels pour estimer les centrodes4. Choisir le nombre de classes5. Fixer le nombre ditrations et le seuil de convergenceAUF - Marrakech 2011 13. Intro Non-supervis Supervis Orient objetClassication supervise Ncessite des exemples ou une vrit terrain Les exemples peuvent avoir des tiquettes thmatiquesDiffrence entre occupation et utilisation des sols Exemples : rseaux de neurones, maximum de vraisemblance, Support Vector Machines AUF - Marrakech 2011 14. Intro Non-supervis Supervis Orient objetExemple : SVMImages : WikipediaAUF - Marrakech 2011 15. Intro Non-supervis Supervis Orient objetExemple : SVMH3 (vert) ne spare pas les 2 classes.Images : WikipediaAUF - Marrakech 2011 16. Intro Non-supervis Supervis Orient objetExemple : SVMH3 (vert) ne spare pas les 2 classes.H1 (bleu) OK, mais petite marge.Images : WikipediaAUF - Marrakech 2011 17. Intro Non-supervis Supervis Orient objetExemple : SVMH3 (vert) ne spare pas les 2 classes.H1 (bleu) OK, mais petite marge.H2 (rouge) marge maximale.Images : WikipediaAUF - Marrakech 2011 18. Intro Non-supervis Supervis Orient objetExemple : SVMH3 (vert) ne spare pas les 2 classes.Hyperplan marge maximaleH1 (bleu) OK, mais petite marge. SVM appris avec des chantillons de 2 classes.H2 (rouge) marge maximale. chantillons dans la marge : vecteurs support.Images : WikipediaAUF - Marrakech 2011 19. Intro Non-supervis Supervis Orient objetExemple : SVM 6 classesEau, vgtation, bti, routes, nuages, ombresAUF - Marrakech 2011 20. Intro Non-supervis Supervis Orient objetLa main la pte1. Monteverdi : Learning SVM Classication2. Choisir limage classer3. Ajouter une classe On peut lui donner un nom et une couleur4. Choisir des chantillons pour chaque classe Tracer des polygones et utiliser End Polygon pour les fermer On peut associer les polygones aux ensembles dapprentissage et de test ; ou choisir une slection alatoire5. Learn6. Validate : afche la matrice de confusion7. Display : afchage de limage classeAUF - Marrakech 2011 21. Intro Non-supervis Supervis Orient objetClassication oriente objetLes pixels peuvent ne pas tre appropris pour dcrire lesclasses dintrt la forme, la taille et dautres caractristiques des rgions peuvent tre plus pertinentesNous avons besoin de fournir au classieur un ensemblede rgions Segmentation dimagesEt leurs caractristiques Calcul de primitives par rgionPossibilit de faire de lapprentissage actifAUF - Marrakech 2011 22. Intro Non-supervis Supervis Orient objetPas de main la pte Mais une dmo si on a le temps !AUF - Marrakech 2011