Reduction 2dimension_extrait2these Aitk Erroum

3.1. Introdu ction 41 3.1 Introduction Comme on a pu le constater du chapitre précédent, l’analyse de texture joue un rôle fon- damental dans plusieurs champs d’applications notamment en traitement d’image, en reconnaissance de formes et surtout dans l’amélioration des performances de classication des images de télédétection par rapport à l’usage des informations spectrales uniquement. Malheureusement le nombre important de paramètres de texture, extraits des diﬀérentes bandes multi spectrales, constitue un véritable obstacle pour le processus de classication, aussi bien pour la phase d’apprentissage que pour la phase de reconnaissance. La situation devient de plus en plus compliquée avec l’arrivé de nouvelle génération de satellite dont la résolution spatiale 1 et spectrale 2 ne cessent d’augmenter. Pour palier à ce problème et éviter la malédiction de la dimensionnalité [Bishop, 2006; Jain et Zongker , 1997; Scott et Sain, 2004] et le phénomène de Hughes [Hughes, 1968; Landgrebe, 2003], il faut obligatoirement procéder à la réduction de dimensionnalité de l’espace des paramètres. Dans notre contexte de classication, seuls les attributs de texture les plus pertinents et por- tant de l’information utile au classieur doivent être retenus. Autrement dit, les paramètres qui ne contribuent pas à la discrimination (séparation) entre les classes doivent être supprimés [ Ri- chards et Jia, 2006]. Dans ce chapitre, nous allons mener une investigation non exhaustive sur les principales approches de réduction de dimensionnalité utilisées pour la classication et la reconnaissance de formes. Notre objectif est d’en identier celles qui sont plus convenables pour la classication des images de télédétection par analyse de texture. Nous évaluons les performances de trois algorithmes exploitant le critère du maximum d’information mutuelle issu de la théorie de l’information. Les performances de ces trois algorithmes de sélection, en termes de taux de bonne classication et du réduction de dimensionnalité, vont être comparées avec celles des deux approches classiques : Analyse en Composantes Principales (PCA) et Analyse Discriminantes linéaire (LDA). Pour l’évaluation des algorithmes retenus, nous utilisons quatre bases de paramètres de texture calculées avec les quatr e métho des d’extra ctio n : (WPT ;l = 1), (WPT;l = 2), (WT;l = 2) et GLCM retenues du chapitre précédent. Le but de la classication est la production de cartes thématiques des deux zones retenues pour l’étude. Les performances de cette classication vont être comparées aux vérités de terrain. 1. Va rie de moins d ’un m à 1000m [ Robert, 2007] voir même à 25000m [Chen et al., 2004]. Par exemple le satellite commercial WorldView-1 fournit des images avec une haute résolution de 50cm, utilisée par [ Fabio et al., 2009] 2. On est déjà dans l’air des images hyper spectrale s avec des centain es de bandes spectrales [ Robert, 2007]

Reduction 2dimension_extrait2these Aitk Erroum

Documents

Transcript of Reduction 2dimension_extrait2these Aitk Erroum