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

[email protected]

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

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 ]


Nesrine Chehata



Visibleearth.nasa.gov



Nesrine Chehata

Indice de végétation: Exemple


Vraies couleurs

Image aérienne (33cm)



NDVI

Image aérienne (33cm)

Indices de végétation: SAVI

Dédié aux couverts végétaux


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


SAVI=(PIR−R)

(PIR+R+L )∗(1+L ) avec L∈[ 0,∞]

L =∞


Nesrine Chehata

Indices de végétation: Isolignes


NDVI

SAVI

DVI

Indices de sols

Indice de brillance Indice de coloration

Rappel signature spectrale des sols


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


IB = √R∗R + PIR∗PIR


Nesrine Chehata

Indice de brillance


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


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


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


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

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


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


Nesrine Chehata

La texture d'images

Les statistiques du premier ordre


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


Nesrine Chehata

Inertie sur la bande verte


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


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


Nesrine Chehata

La classification de données de télédétection

Classification du milieu urbain à partir de données Lidar


Nesrine Chehata

La classification de données lidar terrestre


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

Classification non supervisée

Seuillage d’histogramme K-means


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


Nesrine Chehata


Nesrine Chehata 44

PIR

R

sols

végétation

eau

PIR

R

R


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


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


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

Classification supervisée

Minimum distance KNN Arbres de décision


Nesrine Chehata


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


Nesrine Chehata


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


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)


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


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


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]

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


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)


Nesrine Chehata

Classification finaleMise en page

cartographique

Journée Etats de surface pour la spatialisation...

Documents

Transcript of Journée Etats de surface pour la spatialisation...