Interprtation automatique

1
Interprétation automatique

• Espace dattributs et notion de classe
• Classification dirigée
• Classification non dirigée

2
Notions de base

• Variable aléatoire
• Distribution dune variable aléatoire à une
  dimension ? la notion de la fonction de la
  densité de probabilité
• Comment ceci se traduit avec les images
• Variable aléatoire à plusieurs dimensions
• Distribution dune variable aléatoire à plusieurs
  dimensions ? la notion de la fonction de la
  densité de probabilité conjointe

3
Variable aléatoire

• Cest une fonction définie sur l' ensemble des
  résultats possibles d'une expérience aléatoire
  (ex. lancer des dés), telle qu'il soit possible
  de déterminer la probabilité pour qu'elle prenne
  une valeur ou qu'elle prenne une valeur dans un
  intervalle donné.
• En télédétection ? une classe dobjets est une
  variable aléatoire, cest-à-dire une fonction
  définie sur lensemble des résultats possibles
  dune mesure du rayonnement solaire réfléchi (ici
  de 0 à 255), telle quil soit possible de
  déterminer la probabilité (DE MASSE) pour quelle
  prenne une valeur (variable discrète)

4
La variable aléatoire à une dimension
Lhistogramme nous donne une bonne idée de la
distribution de probabilité dune classe dans une
bande spectrale donnée. Ici mélange des classes ?
les pics valeurs les plus probables des classes
en présence les vallées sont les limites des
classes en-dehors des ces limites la variable
aléatoire  classe dobjets X  a une probabilité
égale à zéro de se réaliser.
5
La variable aléatoire à plusieurs dimensions
6
La classification dimages multicomposantes

• Une introduction

7
Le postulat de la télédétection et la
classification

• Le postulat de la télédétection du rayonnement
  solaire réfléchi est que chaque objet (ou classe
  dobjets) a sa propre signature spectrale. Il est
  donc possible en mesurant ce rayonnement dans
  différentes longueurs donde de distinguer à
  distance les différents objets qui se trouvent
  sur la surface terrestre.
• En se fondant sur ce postulat, différentes
  méthodes mathématiques ont été développées pour
  définir la classe dappartenance de chaque pixel
  dune image multispectrale. Nous les appelons
  méthodes de classification dimages
  multispectrales.
• Ces méthodes utilisent, dune manière ou dune
  autre, un  espace mathématique  que lon
  appelle espace de représentation (ou espace
  dattributs ou de mesures). Dans cet espace
  chaque pixel est localisé non pas en fonction de
  sa position géographique mais en fonction des
  valeurs mesurées dans les différentes bandes
  spectrales.

8
Chaque pixel constitue une unité géographique
dont la classe est dappartenance est recherchée
Chaque pixel est caractérisé par son vecteur de
mesures (pattern)
9
Lespace de représentation et les méthodes de
classification

• Dans une situation idéale, chaque classe
  dobjets est représentée par un point unique dans
  cet espace.
• À cause des variations des conditions
  d'illumination ainsi que les 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

10
Un exemple quatre domaines ont été identifiés,
le pixel X dont la classe est recherchée, est
représenté dans lespace dattributs. Il tombe
dans le domaine de feuillusla classe feuillus
lui est alors assignée
11
Le problème de classification

• COMMENT DÉFINIR LE DOMAINE DE
• CHAQUE CLASSE????
• DEUX APPROCHES
• DIRIGÉE un échantillon de pixels dont la classe
  est connue est analysé afin de définir les
  domaines
• NON-DIRIGÉE un échantillon de pixels est analysé
  afin de définir des groupements de pixels dans
  lespace dattributs. Chaque groupement (cluster)
  définit un domaine dont la signification
  géographique reste à établir

12
La classification par distance minimale

• Une classification dirigée lutilisateur fournit
  des échantillons de pixels par classe
• Lalgorithme calcule le centre de chaque classe
  (moyennes)
• Illustration

13
Distance minimale
Etc.
Parmi ces distances quelle est la plus courte?
Assigne le pixel 1 à la classe pour laquelle la
distance est minimale
14
Les domaines des classes
15
Exemple image SPOT à 4 bandes
16
Choix de pixels échantillons
Classes Eau Gazon Boisés Sol à
nu Bâti Surfaces pavées.
17
Diffusogrammes ROUGE-PIR
Image entière
18
Diffusiogrammes ROUGE-PIR
Image entière
EAU
19
Diffusogrammes ROUGE-PIR
Image entière
GAZON
20
Diffusiogrammes ROUGE-PIR
Image entière
BOISÉ
21
Diffusiogrammes ROUGE-PIR
Image entière
SOL À NU
22
Diffusiogrammes ROUGE-PIR
Image entière
BÂTI
23
Diffusiogrammes ROUGE-PIR
Image entière
SURFACES PAVÉES
24
CLASSIFICATION FINALE
Eau Gazon Boisés
Sol à nu Bâti Surfaces pavées
25
Comment évaluer la qualité de la classification ?
La qualité de la classification est toujours
fonction des objectifs poursuivis
Lévaluation à partir de lalgorithme de
classification se fait aisément. Mais elle se
base sur des zones tests
26
Lévaluation quantitative la matrice de confusion
Cest un tableau à double entrée (table de
contingence)comportant les classes
27
Les types derreur
Erreur de commission Le classificateur a
affecté des pixels dans une classe autre que
celle à laquelle ils appartiennent
Erreur domission  Le classificateur na su
affecter à une classe connue des pixels pourtant
issu des zones de test