Upload
quinton-christophe
View
107
Download
0
Embed Size (px)
Citation preview
Module 3B
Interprétation automatique
Interprétation automatique
Plusieurs façons de faire des classifications
- Reconnaissance des formes
- Intelligence artificielle
Interprétation automatique
• Reconnaissance des formes (pattern recognition): branche des sciences informatiques appliquées aux images : identifier des objets sur des images via l’extraction des trais caractéristiques (teinte/couleur, texture, etc.) d’une quantité importante des données bruitées (définition adaptée de Gonzalez, 1978)
Espace de représentation
Interprétation automatique
• Intelligence artificielle: branche des sciences informatiques appliquées aux images : créer des machines capables de raisonner à la manière d’un photo-interprète
- Systèmes experts; systèmes à base de connaissances
- Vision par ordinateur; systèmes de compréhension d’images;
- Réseaux neuromimétiques; algorithmes génétiques, etc.
Reconnaissance des formes: Classification multispectrale
Les traits diagnostiques
• Contrairement aux traits diagnostiques évalués qualitativement lors de la photo-interprétation, les traits diagnostiques utilisés en classification sont des mesures que nous pouvons prendre sur les images.
Agencement spatial/voisinage
Géométrie des figures
Statistiques spatiales
Arêtes / Linéaments
Texture
Teinte/CouleurMesures
Les teintes & couleurs
Les teintes/couleurs
L’histogramme nous donne une bonne idée de la distribution des teintes de gris dans une bande spectrale.
Les pics les valeurs les plus fréquentes des classes en présence;
Les fonds des vallées Les valeurs limites des classes
Bande rouge Bande PIR
À quelles classes correspondent les pics?
Teinte dépend du flux
Le flux dépend de la réflectance
À quelles classes correspondent les pics?
Teinte dépend du flux
Le flux dépend de la réflectance
L’histogramme à deux dimensions
L’histogramme à deux dimensions
Plus facile de départager les classes
L’histogramme à n-dimensions → n bandes spectrales
• En mathématiques on peut étendre cette notion de l’histogramme à plus de deux dimensions et construire ainsi des histogrammes en trois, quatre, …, n dimensions.
• Nous pouvons ainsi mieux mettre en application le principe de
la télédétection selon lequel chaque objet (ou classe d’objets) a sa propre signature dans le spectre. En d’autres mots en utilisant plusieurs bandes spectrales nous pouvons en trouver au moins une où la réflectance d’un objet quelconque diffère significativement de celle des tous les autres objets.
• En travaillant à plus de 3-dimensions nous passons grâce aux mathématiques d’aller au-delà de notre propre capacité de différencier les objets par leur couleur.
Les classificateurs
• Les programmes informatiques appelés «classificateurs» opèrent de cette manière:
– Dans un premier temps, ils prélèvent un échantillon des pixels des images et ils construisent un histogramme à des dimensions égales au nombre de bandes spectrales utilisées.
– Ils cherchent alors d’une façon automatique les pics et les fonds des vallées des histogrammes.
Les classificateurs
• Dans le jargon de la reconnaissance des formes, l’espace à plusieurs dimensions où l’on construit notre histogramme est appelé ‘espace de représentation’. Les fonds des vallées sont appelés les limites des classes, et les sous-espaces circonscrits par ces limites, les domaines des classes.
• Une fois les domaines trouvés, il est facile de classifier l’ensemble des pixels de l’image. Les valeurs d’un pixel quelconque sont considérés comme des coordonnées pour localiser ce pixel dans l’espace de représentation. La classe correspondant au domaine où ce pixel est localisé devient automatiquement la classe du pixel en question.
Chaque pixel constitue une unité géographique dont la classe d’appartenance est recherchée
Chaque pixel est caractérisé par son vecteur de mesures (pattern)
Bande 1
Bande 2
Bande N
N
3
2
1
ij
p
p
p
p
P
L’espace de représentation et les méthodes de classification
Réf
lect
ance
sLongueur d'onde
Eau
Sol nu
Feuillus
réflectance
réfl
ecta
nce
Eau
Feuillus
Sol nu
réflectance
réfl
ecta
nce
Eau
Feuillus
Sol nu
Situation idéale
Situation réelle
• Idéalement, chaque classe d’objets est représentée par un point unique dans cet espace.
• À cause des variations des conditions d'illumination et des variations des propriétés des objets, les pixels appartenant à une classe d'objets sont représentés par une série de points plus ou moins dispersés dans cet espace.
• Les méthodes de classification visent à définir les équations mathématiques qui permettent de localiser dans cet espace les limites de chacune des classes
F
C
B
Bande 1
Ban
de
2
S
x
F : feuillus
C : conifères
B : béton
S : sol à nu
Exemple
Quatre domaines ont été identifiés, le pixel X dont la classe est recherchée, est représenté dans l’espace de représentation par un point. Il tombe dans le domaine de feuillus…la classe feuillus lui est alors assignée.
Les classificateurs dirigés et non dirigés
• Nous pouvons procéder de deux façons : soit fournir au classificateur des échantillons
de pixels distincts par classe ou laisser le classificateur sans « direction » à établir par
tâtons les classes présentes sur les images.
• La première façon est appelée classification dirigée et la deuxième, classification non dirigée.
La classification dirigée par distance minimale
• Une classification dirigée: l’utilisateur fournit des échantillons de pixels par classe
• L’algorithme calcule le centre de chaque classe (moyennes)
Illustration
Distance minimale
Bande 1(valeurs numériques)
Ban
de 2
(val
eurs
num
ériq
ues)
2221
21111 )MP()MP(D BWB_BWB_W
2221
21111 )MP()MP(D BCB_BCB_C
Etc.
Parmi ces distances quelle est la plus courte?
On assigne le pixel 1 à la classe pour laquelle la distance est minimale
Les domaines des classes
Bande 1(valeurs numériques)
Ban
de 2
(val
eurs
num
ériq
ues)
L’algorithme n’a pas besoin de chercher ces limites. Définition implicite.
Exemple: image SPOT-5 avec 4 bandes spectrales
• Les échantillons fournis au classificateur qui calcule le centre de chaque classe.
Suite de l’exemple
• Un pixel de l’image prend les valeurs suivantes dans les quatre bandes: [82 89 48 65]. À quelle classe appartient-il?
• Le classificateur calcule dans l’espace de représentation les distances entre le pixel et tous les centres des classes (6 ici)
… pour les autres classes
• Le pixel est attribué à la classe dont le centre est le plus proche du pixel. Dans cet exemple: la classe 5
La pratique: choix des échantillons par classe
La classification finale selon les échantillons fournis
Exemple: image SPOT à 4 bandes
Choix de pixels échantillons
Classes:
Eau;
Gazon;
Boisés;
Sol à nu;
Bâti;
Surfaces pavées.
Diffusogrammes ROUGE-PIR
Image entière
Diffusiogrammes ROUGE-PIR
Image entière EAU
Diffusogrammes ROUGE-PIR
Image entière GAZON
Diffusiogrammes ROUGE-PIR
Image entière BOISÉ
Diffusiogrammes ROUGE-PIR
Image entière SOL À NU
Diffusiogrammes ROUGE-PIR
Image entière BÂTI
Diffusiogrammes ROUGE-PIR
Image entière SURFACES PAVÉES
CLASSIFICATION FINALE
Eau
Gazon
Boisés
Sol à nu
Bâti
Surfaces pavées