Download - AUF11 - 05 Classification

Transcript
Page 1: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Traitement d’images de télédétectionExtraction de primitives

[email protected]

CENTRE D’ÉTUDES SPATIALES DE LA BIOSPHÈRE, TOULOUSE, FRANCE

Ce contenu est dérivé de la formation “Pragmatic Remote Sensing” dispensée par J. Inglada et E. Christophe enjuillet 2010 dans le cadre du colloque IGARSS. Il est mis à disposition selon les termes de la licence :

Creative Commons Paternité – Partage à l’Identique 3.0 non transcrit.

Page 2: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

La classification d’images

I Définition : procédure par laquelle on attribue une étiquetteaux objets (pixels de l’image)

I SuperviséeI Non-superviséeI Orientée pixelI Orientée objet

Page 3: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Données pour la classification

I Images (réflectances)I Primitives

I Indices radiométriques : NDVI, brillance, couleur, anglespectral, etc.

I Statistiques, textures, etc.I Transformations : ACP, MNF, ondelettes, etc.

I Données exogènesI MNT, cartes, etc.

Page 4: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

La classification en 4 étapes

I Sélection des attributs pertinents (primitives, etc.)I Création d’un vecteur d’attributs par pixelI Choix de l’étiquette de la classe (dans le cas supervisé)I Apprentissage du classifieur

Page 5: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Classification non-supervisée

I Aussi appelée clusteringI Nécessite une interprétation des résultats (reconnaissance

des classes)I Les étiquettes des classes sont des nombres (1, 2, ...)

I Pas besoin de vérité terrain ou d’exemplesI Le nombre de classes est souvent choisi à la mainI Autres paramètres sont aussi nécessaires

I Exemples : k-moyennes, ISO-Data, carte de Kohonen

Page 6: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes

1. les k “moyennes” initiales sontchoisies aléatoirement.

2. k clusters sont crées en associant chaqueobservation avec la moyenne la plus proche. Les partitionsreprésentent le diagramme de Voronoï généré par les moyennes.

3. Le centre de chaque classe devient la nouvelle moyenne.

Les étapes 2 et 3 sont répétées jusqu’à la convergence.

Images : Wikipedia

Page 7: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes1. les k “moyennes” initiales sontchoisies aléatoirement.

2. k clusters sont crées en associant chaqueobservation avec la moyenne la plus proche. Les partitionsreprésentent le diagramme de Voronoï généré par les moyennes.

3. Le centre de chaque classe devient la nouvelle moyenne.

Les étapes 2 et 3 sont répétées jusqu’à la convergence.

Images : Wikipedia

Page 8: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes1. les k “moyennes” initiales sontchoisies aléatoirement.

2. k clusters sont crées en associant chaqueobservation avec la moyenne la plus proche. Les partitionsreprésentent le diagramme de Voronoï généré par les moyennes.

3. Le centre de chaque classe devient la nouvelle moyenne.

Les étapes 2 et 3 sont répétées jusqu’à la convergence.

Images : Wikipedia

Page 9: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes1. les k “moyennes” initiales sontchoisies aléatoirement.

2. k clusters sont crées en associant chaqueobservation avec la moyenne la plus proche. Les partitionsreprésentent le diagramme de Voronoï généré par les moyennes.

3. Le centre de chaque classe devient la nouvelle moyenne.

Les étapes 2 et 3 sont répétées jusqu’à la convergence.

Images : Wikipedia

Page 10: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes1. les k “moyennes” initiales sontchoisies aléatoirement.

2. k clusters sont crées en associant chaqueobservation avec la moyenne la plus proche. Les partitionsreprésentent le diagramme de Voronoï généré par les moyennes.

3. Le centre de chaque classe devient la nouvelle moyenne.

Les étapes 2 et 3 sont répétées jusqu’à la convergence.

Images : Wikipedia

Page 11: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : K-moyennes à 5 classes

Page 12: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

La main à la pâte

1. Monteverdi : Learning → KMeans Clustering2. Choisir une image3. On peut utiliser seulement une fraction des pixels pour

estimer les centroïdes4. Choisir le nombre de classes5. Fixer le nombre d’itérations et le seuil de convergence

Page 13: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Classification supervisée

I Nécessite des exemples ou une vérité terrainI Les exemples peuvent avoir des étiquettes thématiques

I Différence entre occupation et utilisation des solsI Exemples : réseaux de neurones, maximum de

vraisemblance, Support Vector Machines

Page 14: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM

H3 (vert) ne sépare pas les 2 classes. Hyperplan à marge maximaleH1 (bleu) OK, mais petite marge. SVM appris avec des échantillons de 2 classes.

H2 (rouge) marge maximale. Échantillons dans la marge : vecteurs support.

Images : Wikipedia

Page 15: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM

H3 (vert) ne sépare pas les 2 classes.

Hyperplan à marge maximaleH1 (bleu) OK, mais petite marge. SVM appris avec des échantillons de 2 classes.

H2 (rouge) marge maximale. Échantillons dans la marge : vecteurs support.

Images : Wikipedia

Page 16: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM

H3 (vert) ne sépare pas les 2 classes.

Hyperplan à marge maximale

H1 (bleu) OK, mais petite marge.

SVM appris avec des échantillons de 2 classes.H2 (rouge) marge maximale. Échantillons dans la marge : vecteurs support.

Images : Wikipedia

Page 17: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM

H3 (vert) ne sépare pas les 2 classes.

Hyperplan à marge maximale

H1 (bleu) OK, mais petite marge.

SVM appris avec des échantillons de 2 classes.

H2 (rouge) marge maximale.

Échantillons dans la marge : vecteurs support.

Images : Wikipedia

Page 18: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM

H3 (vert) ne sépare pas les 2 classes. Hyperplan à marge maximaleH1 (bleu) OK, mais petite marge. SVM appris avec des échantillons de 2 classes.

H2 (rouge) marge maximale. Échantillons dans la marge : vecteurs support.

Images : Wikipedia

Page 19: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Exemple : SVM à 6 classesEau, végétation, bâti, routes, nuages, ombres

Page 20: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

La main à la pâte

1. Monteverdi : Learning → SVM Classification2. Choisir l’image à classer3. Ajouter une classe

I On peut lui donner un nom et une couleur4. Choisir des échantillons pour chaque classe

I Tracer des polygones et utiliser End Polygon pour lesfermer

I On peut associer les polygones aux ensemblesd’apprentissage et de test ; ou choisir une sélectionaléatoire

5. Learn6. Validate : affiche la matrice de confusion7. Display : affichage de l’image classée

Page 21: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Classification orientée objet

I Les pixels peuvent ne pas être appropriés pour décrire lesclasses d’intérêt

I la forme, la taille et d’autres caractéristiques des régionspeuvent être plus pertinentes

I Nous avons besoin de fournir au classifieur un ensemblede régions

I Segmentation d’imagesI Et leurs caractéristiques

I Calcul de primitives par régionI Possibilité de faire de l’apprentissage actif

Page 22: AUF11 - 05 Classification

AUF - Marrakech 2011

Intro Non-supervisé Supervisé Orienté objet

Pas de main à la pâte

Mais une démo si on a le temps !