Embed Size (px)
Citation preview
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation d'images
Cas de la télédétection - Classi�cation multistratégie)
Pierre Gançarski
ICubeCNRS - Université de Strasbourg
2013
Pierre Gançarski Analyse urbaine et télédétection 1/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 2/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 3/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Echelles d'analyse en milieu urbain
Tache urbaine1:100,000 – 1:50,000
CLC ©IFEN, 2000
Quartier / Tissu urbain1:50,000 – 1:10,000
Objet urbain1:5,000 – 1:2,000
BDTopo ©IGN, 2002
BDOCS ©CIGAL, 2000
Agglomération de Strasbourg
Source : Anne Puissant (LIVE)
Pierre Gançarski Analyse urbaine et télédétection 4/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation et images
Exemple : Analyse des îlots urbains
Plusieurs niveaux d'analyse
10m : Zone/Quartiers 2,4 m : Blocs urbains 60cm : Objets urbains
MRS HRS THRS
Îlot : zoneplutôt homogène
Îlot : ensemble d'objetsélémentaires organisés
Îlot : ensemble d'objetsélémentaires à plusforte hétérogénéité
Pierre Gançarski Analyse urbaine et télédétection 5/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation et images
Classi�cation �nale des blocs urbains (niveau blocs urbains)
Échelle 1 :10 000 → Plani�cation urbaine
BDOCS ©CIGAL, 2000
N
0 500m
Echelle du tissu urbainou de l’îlot urbain= circuit fermé délimité par le réseau de communication
Zones activités commerciales ou industrielles
Tissu urbain dense
Tissu urbain discontinu de type individuel
Tissu urbain discontinu de type collectif
Surface en eau
Végétation urbaine
Réseau de communication (routier, ferré)
Source : Anne Puissant (LIVE)
Pierre Gançarski Analyse urbaine et télédétection 6/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Images de télédétection
Qu'est-ce qu'une image de télédétection
Image d'une scène captée par un système aérien ousatellitaire :
télédétection optique : réponse spectrale liée à l'ensoleillementtélédétection radarLidar...
Caractérisées suivant trois dimensions
résolution spatiale : surface couverte par un pixel (de 300m àmoins d'un mètre)
résolution spectrale : liée au nombre de bandes spectrales (dubleu à l'infrarouge)
résolution radiométrique : liée à la capacité à reconnaitre depetites variations de luminosité (de 256 à 64000 niveaux)
Pierre Gançarski Analyse urbaine et télédétection 7/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Images de télédétection
• Haute résolution spatiale (HRS) : 10m
Vert
Rouge
Proche infra-rouge
Pierre Gançarski Analyse urbaine et télédétection 8/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Images de télédétection
• Très haute résolution spatiale (THR) : 2,4m
• Résolution spectrale : 4 bandes
Pierre Gançarski Analyse urbaine et télédétection 9/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Images de télédétection
• THR spatiale
Vue aérienne
bande 1 bande 22
bande 29 bande 38
Pierre Gançarski Analyse urbaine et télédétection 10/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 11/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
Images de télédétection
Classi�cation
Deux approches : par pixels et basée régions
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 12/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Analyse d'images de télédétection
Problème principal
Gap sémantique entre l'information de bas niveau (valeurradiométrique des pixels) et son interprétation par un expert(occupation des sols, fonction des di�érentes entités de lascène et relations entre elles, . . .)
Solutions
Photo-intreprétation "manuelle"
Classi�cation : Proposer une labellisation (semi-)automatiquedes pixels ou régions de l'image correspondant à des classesthématiques ou susceptible d'y correspondre
...
Pierre Gançarski Analyse urbaine et télédétection 13/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
Images de télédétection
Classi�cation
Deux approches : par pixels et basée régions
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 14/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation et images
Classi�cation supervisée
Processus inductif où l'utilisateur considère un ensembled'exemples étiquetés préalablement : la cible à apprendre estconnue (classe d'appartenance)
Beaucoup utilisée en moyenne et haute résolutions
Problématique en THR
Nombre de classes
Nombre d'exemples / Nombre d'objets présents
Pierre Gançarski Analyse urbaine et télédétection 15/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation et images
• 20 classes ?- Routes- Voitures- . . .• 50 classes ?- Routes- Rues- Ruelles- Voitures vertes- Voitures rouges- . . .
Trop fastidieux (surtout en temps)
Pas assez d'objets de chaque type dans l'image
Pierre Gançarski Analyse urbaine et télédétection 16/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation et images
Classi�cation non supervisée
On ne dispose d'aucune information a priori sur les donnéesObjectif - Regrouper les objets dans des classes en se basantsur leur ressemblance ou sur le partage de propriétés :
les classes sont inconnues et sont donc à créer.ces classes servent à expliquer ou résumer les données.
Utilisation des méthodes �classiques�
clustering par partitionnement : dur, doux ou �ou
clustering par modélisation : trouver les lois (de probabilité)décrivant les données
clustering hiérarchique : ascendant ou descendant
et bien d'autres . . .
Pierre Gançarski Analyse urbaine et télédétection 17/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
Images de télédétection
Classi�cation
Deux approches : par pixels et basée régions
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 18/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche par pixels
• Deux approches : par pixels et basée régions
Approche par pixels
Les pixels sont classi�és en utilisant principalement leurs réponsesradiomètriques(plus éventuellement quelques indices de texture et/ou de voisinage)
Pierre Gançarski Analyse urbaine et télédétection 19/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche par pixels
Une image (dans l'espace des données)
Pierre Gançarski Analyse urbaine et télédétection 20/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche par pixels
• Deux approches : par pixels et basée régions
Approche par pixels
Les pixels sont classi�és en utilisant principalement leurs réponsesradiomètriques(plus éventuellement quelques indices de texture et/ou de voisinage)
Problèmes de la THR
Les objets même élémentaires sont plus �gros� que les pixels.
Pour ces objets, la radiométrie ne su�t plus : forme, relationsspatiales ... à prendre en compte
Pierre Gançarski Analyse urbaine et télédétection 21/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche basée régions
Approche basée régions1 Segmenter l'image : créer des zones (segments) en fonction
d'un critère d'homogénéité2 Caractériser ces segments : statistique sur la radiométrie des
pixels, index de formes, d'orientation, . . .→ Région = segment + caractéristiques
3 Classi�er ces régions
Pierre Gançarski Analyse urbaine et télédétection 22/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche basée régions
Image brute Image segmentée Photo aérienne
Pierre Gançarski Analyse urbaine et télédétection 23/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche basée régions
Deux principaux problèmes
Erreur de segmentation : sur/sous-segmentationChoix des attributs
Le nombre d'attributs calculables sur une région est �in�ni�L'importance d'un attribut dépend de la classe que l'oncherche à mettre en évidence
"si un critère de surface peut su�re pour identi�er des objets detype "surface en eau" et "zone de végétation", un indice de formeest plus adapté pour les bâtiments ou la végétation intra-urbaineaux formes plus spéci�ques" Anne Puissant (Géographe)
Pierre Gançarski Analyse urbaine et télédétection 24/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 25/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Avancées récentes
Classi�cation et segmentation
Approches mono-dates :utilisation d'une (ou plusieurs) image(s) à la même résolution→ Approche multi-stratégie
utilisation d'un ensemble d'images à des résolutions di�érentes→ Approche multi-résolution
Approche temporelle :utilisation de série d'images d'une scène→ Approche multi-temporelle
Pierre Gançarski Analyse urbaine et télédétection 26/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
Images de télédétection
Classi�cation
Deux approches : par pixels et basée régions
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 27/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-stratégie
Absence d'une méthode �universelle�`
Nombreuses méthodes de classi�cation existent mais problèmedu choix :
De la famille de classi�eurs à utiliserDe la méthode dans cette familleDes valeurs des (nombreux) paramètres pour la méthodechoisie
Approches multi-stratégies
Intuition : Les méthodes sont (dans une certaine mesure)complémentaires :
sur leurs types de données de prédilectionsur la structure de leurs résultats
→ Utilisation de (toutes) ces méthodes conjointement→ Consensus de classi�cation
Pierre Gançarski Analyse urbaine et télédétection 28/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation collaborative multistratégie
Consensus
Pierre Gançarski Analyse urbaine et télédétection 29/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multistratégie
Consensus par vote
les objets sont a�ectés aux classes dans le résultat uni�ant enfonction de leur classe d'appartenance dans chacun desrésultats
nécessite que les classi�cations aient le même nombre declassesnécessite une fonction bijective de mise en correspondance desclasses des résultats pris deux à deux
Consensus collaboratif
Faire collaborer des méthodes de classi�cation di�érentes a�nqu'elles ra�nent mutuellement leurs résultats jusqu'à obtenirdes résultats � similaires � de qualité
Ces résultats pourront alors être uni�és
→ Samarah
Pierre Gançarski Analyse urbaine et télédétection 30/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation collaborative multistratégie : Samarah
Schéma général
Trois phasesClassi�cations initialesRa�nement itératif :
détection de con�its et résolution locale des con�its
prise en compte globale des résolutions locales
Uni�cation
Pierre Gançarski Analyse urbaine et télédétection 31/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation collaborative multistratégie
Classi�cation collaborative
Pierre Gançarski Analyse urbaine et télédétection 32/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
Images de télédétection
Classi�cation
Deux approches : par pixels et basée régions
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 33/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 34/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 35/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 36/37
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Fin de la première partie
à suivre
Pierre Gançarski Analyse urbaine et télédétection 37/37
