Journée Etats de surface pour la spatialisation...
Transcript of Journée Etats de surface pour la spatialisation...
Ecole d'Hiver du 2 au 6 mars 2015“Techniques d'observation et méthodes d'analyse pour la gestion
de l'eau dans les bassins versants agricoles méditérannéens”
Journée Etats de surface pour la spatialisation
Nesrine Chehata – MCU en Informatique
ENSEGID Bordeaux-INP
Méthodes de classification pour la cartographie de l'occupation du sol
Plan
Calculs d'attributs Radiométriques Texturaux
Classification non supervisée Vs. supervisée Evaluation d'une classification Chaine de traitement de cartographie de l'ocs
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les attributs image
Connaissances a priori
Les attributs (primitives, descripteurs) = une façon simple d'introduire de la connaissance a priori sur le contenu des images
Familles d'attributs• Spectraux• Radiométriques• Texturaux• Géométriques
Pourquoi extraire ces attributs ? En entrée d'une classification, d'une segmentation Appariement, recherche indexée d'images, ...
Nesrine Chehata
Les attributs spectraux
Indices spectraux ou « pseudo-canaux »
Opération arithmétique entre bandes spectrales
Mettent en évidence certaines surfaces Ratios de bandes Indices de végétation Indices de brillance Indices d'humidité
Nesrine Chehata Télédétection 4Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les indices de végétation:
Tiennent compte de la signature spectrale de la végétation
Forte réflectance dans le PIR
Absorption dans le R
Utilisation du contraste entre les bandes spectrales R et PIR.
Nesrine Chehata Télédétection 5Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indice de végétation: NDVI
NDVI : (Normalized Difference Vegetation Index)
Proche de 1 : présence de végétation avec une forte activité chlorophyllienne et une forte densité (exp : forêts)
Proche de 0: pas de feuilles vertes ou végétation peu dense
Permet d’évaluer l’importance de la biomasse et de suivre l’activité chlorophyllienne
Nesrine Chehata Télédétection 6
NDVI=PIR−RPIR+R
∈ [−1, 1 ]
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indice de végétation: NDVI
Nesrine Chehata Télédétection 7
Visibleearth.nasa.gov
Indice de végétation: NDVI
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indice de végétation: Exemple
Nesrine Chehata Télédétection 9
Vraies couleurs
Image aérienne (33cm)
Indice de végétation: NDVI
Nesrine Chehata Télédétection 10
NDVI
Image aérienne (33cm)
Indices de végétation: SAVI
Dédié aux couverts végétaux
Nesrine Chehata Télédétection 11
Indices de végétation: SAVI
SAVI : Soil Adjusted Vegetation Index (Huete, 1988 ; Ray, 1996)
L: facteur d’ajustement pour minimiser l’effet du sol.
L=0 SAVI NDVI
SAVI DVI
La valeur de L est déterminée théoriquement pour chaque type de sol
L=0,5 : bon compromis
SAVI sensible à la couleur et à la brillance des sols
Nesrine Chehata Télédétection 12
SAVI=(PIR−R)
(PIR+R+L )∗(1+L ) avec L∈[ 0,∞]
L =∞
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indices de végétation: Isolignes
Nesrine Chehata Télédétection 13
NDVI
SAVI
DVI
Indices de sols
Indice de brillance Indice de coloration
Rappel signature spectrale des sols
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indice de brillance
L'indice de brillance :
Permet de dissocier les surfaces minérales des couvertures végétales
Bâti + sol surfaces réfléchissantes Végétation valeur moyenne de IB Eau + sols très humides surfaces absorbantes
Nesrine Chehata Télédétection 15
IB = √R∗R + PIR∗PIR
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Indice de brillance
Nesrine Chehata Télédétection 16
IB
0
255
Canal XS2 rouge
Canal XS3 PIR
Indice de coloration IC
IC=R−VR+V
∈[−1, 1 ]
Indice d'eau
NDWI : Normalized Difference Water Index
Relié aux bandes d’absorption d’eau dans le MIR Met en évidence la végétation humide et les surfaces en eau
Nesrine Chehata Télédétection 18
NDWI=PIR−MIRPIR+MIR
∈[−1, 1 ]
Nesrine Chehata
Effet de la teneur en eau sur la réponse spectrale des feuilles de maïs (R.M. HOFFER et C.J.
JOHANNSEN 1969 in R. BARIOU 1985)
Indice d'eau : NDWI
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les rapports de bandes spectrales
Souvent utilisés en télédétection géologique Moins sensible à l'illumination réduit les effets de la topographie
Nesrine Chehata 20
Introduction to remote sensing: J.B. Campbell
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les rapports de bandes spectrales
Exemple, dans le cas de Landsat TM Les minéraux ferrugineux : TM3/TM1 Les hydroxyles : TM5/TM7
Nesrine Chehata Télédétection 21Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
band Domaine spectral
Application
1 0,45 - 0,52 µm Différenciation sol / végétaux, zones côtières
2 0,52 - 0,60 µm végétation
3 0,63 - 0,69 µm Différenciation des espèces végétales
4 0,76 - 0,90 µm Biomasse
5 1,55 - 1,75 µm Différenciation neige/nuage
7 2,08 - 2,35 µm Lithologie
Landsat TM, 30 m résolution
Les attributs radiométriques : espaces colorimétriques
Espace perceptuel TSL ou HSI (Hue Saturation Intensity)
Plus proche de la sensation physiologique
Teinte:Longueur d’onde correspondante
Saturation:La pureté d’excitation
Luminosité:Intensité lumineuse reçue par l’œilOu degré de coloration
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
23
Atlas de Munsell (1915) : ensemble de coupes 2D
Hue (teinte), Chroma ( Saturation ) ,
Value( luminosité)
Les attributs radiométriques : espaces colorimétriques
Permettent de décrire la texture d'une image (i.e la présence d'une structure ou pas)
La texture = description d’éléments de base + leurs relations spatiales
Surtout utilisée en THR (résolution submétrique en Pan)
Applications– Reconnaissance et classification de matériaux– Reconnaissance d’objets, segmentation
Les attributs de texture
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La texture d'images
La texture d'images
Les statistiques du premier ordre
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Matrices de cooccurrences – descripteurs de Haralick
1
1
2
2
3
3 411
4
4
4
4
4
1
4
4
1 1
1
1
1
1
11
3 3
3
3 333
3
2
222
2
0 1 2
2
xd
yd
0°
45°90°
135°
Exemple : r = 1 ; xd = 1 = yd (orientation=45°) ; nbbin = 4
image GLCM correspondant
2 0
0
1
1
0 0
00 0
0
0
0 0
0 0
14 Attributs d' Haralick
GLCM, principe :
Pour chaque pixel de l'image :
Compter le nombre d'apparition de chaque paire de niveaux de gris :- dans une fenêtre de rayon fixé (r)- avec un déplacement et une orientation donnée (offset défini par (xd;yd))- avec un niveau de quantification donné (nbbin)
Matrices de cooccurrences – descripteurs de Haralick
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Matrices de cooccurrences – descripteurs de Haralick
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Inertie sur la bande verte
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Soit une fenêtre N*N
On s’intéresse à la variation “moyenne” de la radiométrie de l’image
pour un déplacement h au sein de la région R.
γ(h)=12
E∣y− x∣=h∣I ( x)−I ( y )2∣
Semi-variogrammes
Semi-variogrammes
Il est ensuite possible de déterminer certains paramètres à partir de la courbe obtenue
[Balaguer et al., 2010]
Classification
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La classification
But : obtenir une représentation simplifiée (structuration) des données initiales
Classification : organisation d’un ensemble d’objets en un ensemble de regroupements homogènes et/ou naturelles
Nesrine Chehata 35Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La classification: applications
Production de cartes thématiques
Occupation du sol, carte pédologique, carte géologique...
36R. Caloz et F. Golay, 2007
Classification de zones rurales à partir d'orthophotos
La classification de données de télédétection
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La classification de données de télédétection
Classification du milieu urbain à partir de données Lidar
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La classification de données lidar terrestre
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
La classification
Classification non supervisée Le classifieur : groupe les pixels en classes (catégories), en fonction
de leurs similitudes spectrales L'utilisateur :
Peut indiquer le nombre de classes à extraire
Doit identifier à quelles occupations du sol correspondent les classes extraites après la classification
Classification supervisée L’utilisateur: choisit des zones d’entraînement ( apprentissage) dont
il connaît l’occupation du sol Le classifieur:
étudie la signature spectrale des zones d’apprentissage Regroupe les objets qui ont des signatures spectrales similaires aux
signatures d'apprentissage
Nesrine Chehata 40Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification non supervisée
Seuillage d’histogramme K-means
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification par seuillage d’histogramme
Seuillage monospectral
Seuillages multiples
Nesrine Chehata 4242
seuilyxfsiyxf ,255,'
seuilyxfsiyxf ,0,'
f'(x,y)
seuil f(x,y)0
255
Seuillage une image binaire
Seuil=139
Classification par seuillage d’histogramme 2D
Nesrine Chehata 43
Polidori,2001
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification par seuillage d’histogramme 2D
Nesrine Chehata 44
PIR
R
sols
végétation
eau
PIR
R
R
Classification par seuillage d’histogramme 2D
Le clustering (partionnement)
Trouver des groupes d’objets tels que: les objets d’un même groupe soient similaires les objets d’un groupe soient différents de ceux des autres groupes
Nesrine Chehata 46
Distances inter-groupes maximisées
Distances intra-groupes
minimisées
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Méthode des K-means
Chaque cluster est associé à un centroïde (centre de gravité)
Chaque point est associé au cluster de centroïde le plus proche
Le nombre de clusters, K, doit être spécifié par l’utilisateur
Algorithme de base:
Nesrine Chehata 47
1. Sélectionner K points comme les centroides initiaux2. Répéter
a. Former K clusters en affectant chaque point au centroide le plus proche.
b. Recalculer le centroide de chaque cluster
Jusqu’à ce que les centroides ne changent plus
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Illustration
Nesrine Chehata Imagerie environnementale 48
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 2
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 3
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 4
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 5
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
1.5
2
2.5
3
x
y
Itération 6
Méthode des K-means: Exemple
Nesrine Chehata 49
Gançaski,2006
K= 6
K= 14
Méthode des K-means: Limitations
Sensible à l’initialisation des centroïdes
Non robuste à la présence de points aberrants (outliers)
Le nombre de clusters (K) est difficile à déterminer.
Nesrine Chehata 50Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification supervisée
Minimum distance KNN Arbres de décision
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification supervisée
Nesrine Chehata 52
Valeurs d’attributs (connues)
La classe préditeClasse C
x1
On cherche une fonction qui prend en entrée une combinaison quelconque de valeurs (X1, X2, X3, ..... Xn) et produit une prédiction C en sortie.
Problème : On ne connaît pas cette fonction on doit l’apprendre à partir des données! Phase d’apprentissage
x2
xn
xi Classifieur
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification supervisée
Nesrine Chehata 53
Données Images
Phase apprentissage
Phase classification
Images classées
- Collecte des zones d’apprentissage
- Ajustement du modèle du classifieur
Traitement des pixels indéterminés
Affectation à la classe la plus proche
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Construction modèle du classifieur
Nécessité de diviser les N données disponibles en 2 ensembles distincts : apprentissage test
Classification par distance minimale
Des zones-échantillons sont représentatives des différentes classes
On définit un centre de gravité pour chaque classe
Le vecteur spectral de chaque pixel de l’image est affecté à la classe dont le centre de gravité est le plus proche (suivant la distance Euclidienne)
54
I1(i,j)
I2(i,j)
I3(i,j)
Vecteur spectral du pixel (i,j)
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les K plus proches voisins (K-NN)
Nesrine Chehata 55
c2
c
c2
c3
1
Nouvelle donnée
Classe 2
c4
c4
c1
c2
c2
c3c4
Données déjà classées
K-Nearest Neighbors
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Les K plus proches voisins (K-NN)
Nesrine Chehata 56
Echantillon inconnu
Nécessite : La valeur de K, le nombre de plus proches
voisins à trouver
Pour classifier un échantillon inconnu : Calculer sa distance aux autres
échantillons d’apprentissage
Identifier ses k plus proches voisins
Utiliser les étiquettes de classe des plus proches voisins pour déterminer l’étiquette de classe de l’échantillon inconnu (ex. par une procédure de vote)
✗ Coûteux en temps de calcul✗ K difficile à fixer
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
ClasseClasse
Nœud P = Test sur un attribut
Les feuilles désignent la classe désignée
A 1 > ?
A 2 < ?
Classe 1
Classe 3Classe 2
Nœud P = Test sur un attribut
Une branche pour chaque valeur du test
Les feuilles désignent la classe désignée
Objectif :
• Obtenir des classes homogènes
• Couvrir au mieux les données
Problématique : Comment choisir
• les attributs Ai à tester ?
• les valeurs de seuil au niveau des nœuds ?
Les arbres de décision
oui
oui non
non
Evaluer une classification
● Matrice de confusion
● Score bonne classification (overall accuracy) :
● Indice Kappa :
Exprime la réduction proportionnelle de l'erreur obtenue par une classification,
comparée à l'erreur obtenue par une classification complètement au hasard.
Evaluer une classification : exemple
Classification des structures forestières à partir d'images THR (PLEIADES) [Beguet2013]
Evaluer une classification : exemple
Classification des structures forestières à partir d'images THR (PLEIADES) [Beguet2013]
OA = 89% KAPPA = 0.86
Evaluer une classification : exemple
→ 89% DES PIXELS SONT BIEN CLASSÉS→ 86% DE CE BON CLASSEMENT N'EST PAS DU AU HASARD
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Exemple de chaine de traitement pour la cartographie de l'occupation du sol
EXTRACTION d'INFORMATION→ calcul d'indices (NDVI, IB...)→ ratios de bandes→ texture ...
Données d'apprentissage
Sélection des attributs les plus discriminants
APPRENTISSAGE du
CLASSIFEUR
Acquisition des données(vectorielles, raster)
et préparation des données(vérifications, organisation)
Sélection de zones d'intérêts
Données de test
Evaluation(matrice de
confusion,précision)
Si bonne précision de
classification
(1)
ouinon
Application du modèle du classifieur
(2)
Post-traitements (régularisation)
(3)
Ecole d'Hiver 2015 “Techniques d'observation et méthodes d'analyse pour la gestion de l'eau dans les bassins versants agricoles méditérannéens”
Nesrine Chehata
Classification finaleMise en page
cartographique