ANALYSER UN HISTOGRAMME
1 oct. 2012 Les histogrammes sont généralement utilisés pour comparer des valeurs entre catégories. Type d'histogramme : Il existe trois types d' ...
FICHE METHODOLOGIQUE Comment réussir une construction
Comment réussir une construction graphique ? (ex: courbe ou histogramme). Un graphique est un moyen visuel de représenter comment varie une grandeur en
Comment interpréter un diagramme ?
Un autre type de diagramme est l'histogramme. Il est formé de bandes verti cales juxtaposées qui ne comportent pas de blanc entre elles. On l'utilise pour.
Décrypter les graphiques économiques
1 sept. 2022 1786 L'ingénieur et économiste britannique William Playfair publie le premier diagramme en bâtons (histogramme) représentant l'évolution de ...
Méthodologie : Analyser un graphique
• indiquer quel type de graphique est utilisé : courbe histogramme
Comment utiliser les histogrammes dune image numérique
Découvrons d'abord comment analyser une image à travers ses histogrammes puis L'analyse de ce diagramme peut aider à déterminer le nombre de classes le plus.
ANALYSE INTERPRETATION ET PRESENTATION DES DONNEES
Choisissez parmi ces options : Graphique en courbe Graphique en barres
Statistiques à une variable Représentations graphiques dune série
puis touche GRAPH pour visualiser le graphique ci-contre. → Ce n'est pas un histogramme ! Graphique 2 : Nuage de points (reliés ou non). Régler l'écran
Tutoriel 3 : Grahiques avec SAS/GRAPH
Le graphe légitime est un diagramme bâton pas un histogramme qui corres- Les valeurs de cha- cune des “variables” spécifient comment réaliser ce graphique : ...
Statistiques à une variable Représentations graphiques dune série
puis touche GRAPH pour visualiser le graphique ci-contre. → Ce n'est pas un histogramme ! Graphique 2 : Nuage de points (reliés ou non). Régler l'écran
ANALYSE INTERPRETATION ET PRESENTATION DES DONNEES
apprend aux participants comment sélectionner un graphique approprié pour présenter Un histogramme est le graphique le plus approprié pour montrer la ...
Comment interpréter un diagramme ?
Un diagramme est une représentation graphique d'un ensemble de données très Un autre type de diagramme est l'histogramme. Il est formé de bandes verti.
ANALYSER UN HISTOGRAMME
1 oct. 2012 ANALYSER UN HISTOGRAMME ... Fiche méthode sur l'analyse d'un histogramme ... Les histogrammes sont généralement utilisés pour comparer.
LIRE ET ANALYSER UN GRAPHIQUE 1. Présenter le document
Doc 1 : graphique en courbe. Doc 2 : Histogramme. Doc 3 : Diagramme circulaire. 2. Expliquer comment le diagramme est construit.
Comment utiliser les histogrammes dune image numérique
L'analyse de ce diagramme peut aider à déterminer le nombre de classes le plus intéressant à obtenir par visualisation du résultat sur l'image
Tutoriel 3 : Grahiques avec SAS/GRAPH
Les différents types de symboles (1 à 99) sont définis afin de décrire les Le graphe légitime est un diagramme bâton pas un histogramme qui corres-.
Statistiques descriptives et exercices
tableaux les histogrammes et les graphiques
FICHE METHODOLOGIQUE Comment réussir une construction
Comment réussir une construction graphique ? (ex: courbe ou histogramme). Un graphique est un moyen visuel de représenter comment varie une grandeur en
Cours de statistique descriptive - Archive ouverte HAL
2 août 2016 à construire des graphiques. (histogramme camembert
Que représente un graphe ? Mettre un titre à un graphe Analyser un
Exemple de titre: « Le graphe ci dessus représente la variation de . Analyser un graphe ... Type de graphique (points courbe
CamilleSalou
Commentutiliser les
histogrammesd'une imagenumériqueÉCOLENATIONALE DESSCIENCESGEOGRAPHIQUES.
6et 8avenueBlaise Pascal
77455Marne laValléeCedex 2
www.ensg.ign.fr©IGN 2005
Tabledes matières
ChapitreI. ImageetHistogramme ... ... .................................5 PartieA. Lienentreimage ethistogramme. ... ... ... ........................5 PartieB. Différentstypesd'histogrammes ... ... .............................6 PartieC. Analysedel' histogrammed'uneimage numérique.. ... ... ... ... .7 ChapitreII. Méthodesimplifiéepour imageenniveaux degris: PartieA. Principeduseuillage ... ... .........................................10 PartieB. Exemples.. ........................................................14 ChapitreIII. Méthodesdeclassification ... ... ..........................15 PartieA. Méthodesdeclassification nonsupervisée. ... ... ... ..............17 Introduction.... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ..171.La ClassificationAscendanteHiérarchique ... ... ...... ... ... ... ... ... ... .17
2.La méthodedescentres mobiles.. ... ... ...... ... ... ... ... ... ... ... ... .20
PartieB. Méthodesdeclassification supervisée.. ... ... .....................21 Introduction.... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ..211.La classificationhypercube. ... ...... ... ... ... ... ... ... ... ... ... ... ... .22
2.La classificationparmaximum devraisemblance. ... ... ... ...... ... ... ... 23
Tabledes illustrations.. ....................................................26Préambule
Introduction
Dansune image,toutn'est pastoujoursanalysable, voirevisible,d'un simplecoup d'oeil,et l'informationcontenueest rarementquantifiablede manièreimmédiate. Alors,comment saisiraumieux, defaçonqualitative etquantitative,l'information contenuedans lesdifférentspixels del'image,sachant qu'unseulpixel synthétise parfoisplusieurs informationsdifférentes? Eneffet, certainssatellitespermettent d'obtenirdesimages prisessimultanémentdans différents" canaux»(= bandesspectrales): cesimagesqui apportentuneinformation plusdiversifiée sontappeléesmultispectrales. Parexemple,une imagemultispectrale d'undes satellitesSPOT(1, 2ou3)se décomposeclassiquementen 3images superposées,acquises dansdifférentscanaux. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.1 :DÉCOMPOSITIOND 'UNEIMAGE MULTISPECTRALESURPLUSIEURS CANAUX Unesimple imagecouleurpeut égalementêtreconsidérée commemultispectrale puisqu'elleest codéesurles troisplanscouleurs primaires:le rouge,levert etlebleu. Dansde nombreuxdomaines,tels quel'environnement,l'urbanisme etlamédecine notamment,l'image bruten'aaucun intérêt,sonanalyse estsimplement inenvisageabledans cetétat: ilestnécessaire d'enextraireles régionsclefspour la rendreréellement utile,dela simplifier,desynthétiser l'informationcontenuedans les différentspixels... C'estpourquoisavoir repérerdefaçon plusoumoins automatique leszones homogènesdel'image serévèlefondamental. Denombreusesméthodes ont étémises aupointdans cebut: beaucoups'appuientsur l'analyseetl'utilisation des histogrammesde l'image.Parmitoutes cesméthodes,aucune n'estparfaite,aucune n'estuniversellement meilleurequeles autres.Alors,comment choisir,dansune situationprécise, laméthodela plusadaptée? Découvronsd'abord commentanalyserune imageàtravers seshistogrammes,puis étudionsles différentesfaçonsde segmenter,etmême plutôtdeclasser cetteimageen zoneshomogènes, grâceànotre connaissancedel'histogramme etauxmodifications qu'onpeut luifairesubir. Noustraiteronspremièrement delaméthode laplus rudimentaire,le seuillage,puisnous aborderonsdestechniques declassificationplus élaborées,en séparantlesméthodes automatiséesdecelles nécessitantl'intervention d'unspécialiste.Introduction4
ChapitreI
Imageet
Histogramme
PartieA. Lienentreimage ethistogramme
Commençonspar unpetitrappel. Uneimageest composéedepixels. Chacund'eux possèdeune valeurradiométriquepar canalquicompose l'image.Sion reprend l'exemplede l'imagesatellitaleSPOT, chaquepixela troisvaleursradiométriques différentes.Ces valeurssonten principecodéessur 8octetset serépartissentdonc sur256niveaux degris.On peutobserverla fréquenced'apparitiondes différentsniveaux
degris dansuneimage monocanaleparun histogrammemono-dimensionnel.IMG.2 :IMAGESET LEURSHISTOGRAMMESEN NIVEAUXDEGRIS
Tousles logicielsdetraitement d'imagespermettentd'ailleurs devisualisercet histogramme,et beaucoupdonnentmême certainesdeses valeursstatistiques: moyenne,écart-type, médiane...L'analysede cethistogrammepeut serévéler intéressanteà plusieurstitres: onpeutdétecter del'informationpeu oupasvisible sur l'image,on peutobserverla formedela distributioneten tirerdesconclusions sur l'existenceou nondeplusieurs classessignificatives,etc....PartieB. Différentstypesd'histogrammes
Uneimage multispectralepeutdonner lieuàplusieurs typesd'histogrammes.En effet, unhistogramme monodimensionnelpeutêtre calculépourchaque canaldel'image, commesi lecontenude chacund'euxétait uneimageen niveauxdegris :cela constituesouvent unepremièreanalyse intéressante.Maison peutégalementétudier leshistogrammes multidimensionnelsdel'image (engénéralbi- outri- dimensionnels).A partirdedeux canauxparticulièrementsignificatifs del'image,la constructiond'un histogrammebidimensionnels'avère instructive:l'histogramme est alorsconstitué dedeuxaxes perpendiculairesreprésentantchacun descanaux,et l'effectif,dans l'image,dechaque coupledevaleurs radiométriques,estreprésenté par unecouleur.Imageet Histogramme6
IMG.3 :EXEMPLEDE DIAGRAMMEBIDIMENSIONNEL
Au-delàde deuxàtrois dimensions,leshistogrammes deviennenttropcompliqués à visualiseret àinterpréteret perdentdoncleur intérêt.PartieC. Analysedel' histogrammed'uneimage
numérique Ladistribution desradiométriesdans uneimageest rarementgaussienne: les histogrammesunidimensionnels sontsouventbi- outri-modaux ettotalement dissymétriques(peu devaleursà droite),ilarrive mêmequedeux populationsbien distinctesressortent directementsurl'histogramme.Imageet Histogramme7
IMG.4 :ETUDED 'UNHISTOGRAMME UNIDIMENSIONNEL
L'analysedes histogrammesbidimensionnelspeut égalementnousapprendre énormémentde choses:si lespointsd'effectifs importantssontplutôt alignés,onpeut endéduire unecorrélationentre lescanauxétudiés, c'est-à-direuneredondance de l'information(par exemple,deuxcanaux dansledomaine duvisible).En général,plusImageet Histogramme8
unhistogramme bidimensionnelestétalé dansl'ensembledes directions,plusil est intéressantdu faitdela diversitédeses valeurs. Sion veuttravaillerl'information produiteparl'étude dedeuxcanaux trèscorrélés,il suffitd'étudier l'histogrammeayantsur unaxela sommedesvaleurs despixelsdans lesdeux canaux,etsur unautreleur différence,celase révèlesouventpertinent (les différencessautent plusfacilementaux yeux,l'histogrammeest bienplusétalé), mais malheureusementil estensuiteassez durd'interpréterthématiquement lesobjets concernésà partirdescomptes numériques. Demême que,surl'histogramme d'unseulcanal, différentsmodes(= ils correspondentaux "bosses» del'histogramme)sont souventidentifiables,des noyaux,représentatifs desdiverstypes d'objetsprésentssur l'image,ressortenten généralsur leshistogrammesmultidimensionnels.IMG.5 :ANALYSED 'UNDIAGRAMME BIDIMENSIONNEL
Imageet Histogramme9
ChapitreII
Méthodesimplifiée
pourimage en niveauxde gris: seuillagePartieA. Principeduseuillage
Apartir deshistogrammesunidimensionnels del'image,on peutaisémentpratiquer unesegmentation, voireuneclassification rudimentaireetcela paruneopération toute simpleappelée leseuillage. Leseuillage effectuéavecun seuiluniquerevient àuneopération debinarisation. Soit I(x,y),la valeurradiométriquedu pixeldecoordonnées (x,y)dansl'image, siI(x,y) >T, Tétant leseuilfixé, lepixelprend lavaleur1, sinonilprend lavaleur0. Lespixelsont étéclassés endeuxcatégories, onacréé uneimagebinaire ennoiret blanc.IMG.6 :DÉCOMPOSITIOND 'UNEBINARISATION
Onpeut égalementpratiquerle multi-seuillage.Soiton utilisedeuxseuils, T1etT2, et oneffectue ànouveauune binarisationdel'image. Soiton utilisedeuxseuils, T1etT2, etoneffectue ànouveauune binarisationde l'image.La nouvellevaleurdu pixelestalors :¨0si I(x,y) ¨1si T1<=I(x,y)<=T2
¨0si I(x,y)>T2.
L'opérationparaît trèssommairecependant ellepermetd'isoler facilementdesthèmes trèscaractéristiques contenusdansl'image, etquicorrespondent auxdifférentesbosses del'histogramme. Parexemple,en télédétection(=techniques d'observationdes caractéristiquesd'un objetsanscontact physiqueaveccelui-ci), onpeutaisément identifierde cettefaçonles pixelsdel'eau dansuncanal infrarouge. Méthodesimplifiée pourimageen niveauxdegris :seuillage11 IMG.7 :HISTOGRAMMEDU CANALINFRAROUGED 'UNEIMAGE SATELLITALE:MISEEN ÉVIDENCEDELA BOSSEDEL 'EAU Plusieursseuils peuventégalementêtre établisafinde regrouperlespixels dans différentesclasses, ensuiteonpeut affecterunecouleur àchacunede cesclassespour analyserla distributiongéographiquede sespixelsdans l'image.Onpeut ainsifairele lienentre lesaspectsspectraux etgéographiquesdes différentsobjetsde l'image. Mêmesi lasegmentationeffectuée directementsurl'histogramme n'estpasdes plus pertinentes,elle prépareplutôtbien uneclassificationplus pousséeenisolant les groupesde pixelsd'interprétationtriviale, etenpermettant d'élaborerdeszones dites" d'apprentissage», dontonconnaît désormaislasignification etquiserviront ainside référencepour identifier,grâceà uneinterprétationspectrale, leszonesrévélées par
uneclassification plusrecherchée. Onpeut fixerlesseuils dedifférentesmanières :sion connaîtlesobjets delascène de départ,on peutsebaser, soitsurdes mesureseffectuéessur leterrain,soit surdes modèlesde comportementsspectraux,sinon onpeutétudier l'histogrammeafin d'isolerles différentsmodes. Méthodesimplifiée pourimageen niveauxdegris :seuillage12 IMG.8 :EXEMPLEDE COMPORTEMENTSSPECTRAUX
Leseuillage peutégalementse fairedefaçon automatique:on séparelesclasses de façonà optimiseruncritère donnéouon peutrepérerses différentes"bosses »parune détectionautomatique desmaximaet minimalocauxde l'histogrammelissé. Méthodesimplifiée pourimageen niveauxdegris :seuillage13 PartieB. Exemples
Exemple
IMG.9 :DÉCOMPOSITIOND 'UNSEUILLAGE "MULTI-CLASSES» Méthodesimplifiée pourimageen niveauxdegris :seuillage14 ChapitreIII
Méthodesde
classification Généralités
Lesméthodes deseuillagebien qu'intéressantesrestentinsuffisantes dansde nombreuxcas. Ilfautdonc utiliserdesméthodes unpeuplus élaboréespouraméliorer laprécision delaclassification. Uneimage peutêtreassimilée àunnuage depointsdans l'espacemultidimensionnel desradiométries :eneffet, chaquepixela pourcoordonnéesdans cetespacesa valeur radiométriquesur chacundescanaux dontondispose. IMG.10 :REPRÉSENTATIOND 'UNEIMAGE DANSL'ESPACEDES RADIOMÉTRIES Commeà toutnuagede points,onpeut doncluiappliquer lesméthodesstatistiques classiquesafin deconstituerdes classesdepixels, qu'onidentifieraensuite sur l'image.Les méthodesstatistiquesutilisées entraitementde l'imagesontglobalement prometteuseset découlentprincipalementde calculsdeprobabilités etdedistances mathématiques.Cependant, aucunedeces méthodesn'estparfaite etnes'adapte mieuxque touteautreà l'ensembledessituations envisageableslorsquela nécessité d'uneclassification enzoneshomogènes seprésente.Avant deselancer, têtebaissée, dansn'importe quelleméthodede classification,ilest nécessairederéfléchir aux donnéesdu problème:précision souhaitée,coûtde l'opérationenvisageable(en temps eten argent:temps decalcul,investissement enmatérielet enpersonnel), homogénéitéa priorideszones del'imagemère (présenced'ombresou dereflets, bruitagede l'image,contoursflous...), caractéristiquesdesbandes spectralesetdes populationsétudiées... Choisirunemauvaise méthode,c'estse précipiterfatalement versl'erreur :laconnaissance desesobjectifs etdeslimites etavantagesde ses donnéesest essentielle! Onpeut choisird'effectuerune classificationdefaçon visuelleouautomatique :le traitementd'image constituelapartie automatique,plusobjective etsouventplus rigoureuse.Par uneclassification,on cherchetoujoursà fairecorrespondredes zones d'intérêtdont onconnaîtles caractéristiques,lesclasses d'information,avecdes groupesde pixelsayantpresque lesmêmescaractéristiques spectralessurl'ensemble descanaux, lesclassesspectrales. Encequi concernelesméthodes statistiques possibles,leur nombreesttrès importantet,dans cecours,nous nousappuierons seulementsur desméthodesutilisant leshistogrammes,et quirestentparticulièrement utiliséesen traitementd'image,même sipourcertaines classificationsparticulières, desméthodes reposant,notamment,sur desréseauxde neuronesonttendance àse développerde plusenplus danslarecherche entraitementd'images. Parmices méthodes,ontrouve deuxfamillestrès différentes:les classificationsnon superviséeset lesclassificationssupervisées. Lesméthodesde classificationnon superviséeproposent desregroupementsselon lastructuredes pixelsprésentsdans l'image,sans informationapriori surleszones quel'onsouhaite identifier,tandis qu'uneméthode declassificationsupervisée chercheàassimiler touslespixels de l'imageaux pixelsdezones d'apprentissage,définiesgéographiquement surl'image ouradiométriquement sursonhistogramme. IMG.11 :ILLUSTRATIONDES DEUXTYPESDE CLASSIFICATIONS:ÀGAUCHE NON-SUPERVISÉE,ÀDROITE SUPERVISÉE.
Ensuiteil faudraveillerà choisirlaméthode laplusadaptée ànoshypothèses. Quelle Méthodesde classification16
quesoit laméthodechoisie, onpeuttoujours mettrelerésultat envaleuren attribuant unelégende àl'ensembledes classestrouvées(chaque thèmeauraune couleur particulièredans l'image),cequi rendensuitetoute analyseducontenu etdela structurede l'imageplusaisée. PartieA. Méthodesdeclassification nonsupervisée Introduction
Dansles méthodesdeclassification nonsupervisée,le traitementsefait uniquement surles donnéesnumériquesde l'image:il n'yapas declassesdéfinies aprioridès le départ.Une foislasegmentation effectuée,alorsseulement, l'analystechercheà interpréter,si possibledefaçon utile,lesdifférentes classestrouvées.Bien sûr, l'analysten'est pastotalementabsent duprocessusde segmentation:il choisitcertains paramètres(nombre declasses,distance entrelesclasses, méthodestatistique...). L'interprétationdes classesobtenuesest souventdifficile,mais lesclassificationsnon superviséessont idéalesàtitre depré-classificationou lorsqu'onnedispose de quasimentaucune informationdeterrain surl'image.Elles proposentsouventune partitionde l'image,crééeà partird'undécoupage issudel'(des) histogramme(s), mettanten évidencedesnoyaux auxquelsonrattache lespointsplus éloignésgrâceà uncalcul dedistance.Les deuxméthodesstatistiques lesplususitées enclassification nonsupervisée sontlaClassification AscendanteHiérarchique(CAH) etlaméthode descentres mobiles.Etudionsdonc cesdeuxméthodes particulières. 1.La ClassificationAscendanteHiérarchique
Sonprincipe estassezsimple :àchaque itération,oncommence parréunir,dans une mêmeclasse, lesdeuxpixels lesplusproches endistancedans l'espaceradiométrique, ensuiteon remplacecetteclasse parunpixel moyenquila représentependantles itérationssuivantes, jusqu'àceque laclassesoit avaléeparune autreclasse,puis on itèrece processus,jusqu'àce qu'iln'yait plusqu'uneseule classe. Méthodesde classification17
IMG.12 :ETAPESD 'UNECLASSIFICATION ASCENDANTEHIÉRARCHIQUE Lesétapes delaclassification sontmodéliséessur undiagramme,appelé dendrogramme: onpeuty identifierlesclasses quiontfusionné pourcréerune classe plusimportante etévaluerla distanceentreles différentesclasses(deux classes extrêmementéloignées tarderontàêtre réuniesdansune classeplusimportante). L'analysede cediagrammepeut aideràdéterminer lenombrede classesleplus intéressantà obtenir,parvisualisation durésultatsur l'image,notamment. Méthodesde classification18
IMG.13 :DENDROGRAMME:PREMIÈREANALYSE
L'interprétationnécessite àlafois laconsultationdu dendrogramme,dela distribution spatialedes pixelsclassés,dans l'image,etde l'histogrammedesvaleurs spectrales. Envertu detoutça, unesignificationpeut êtreaccordéeaux différentsgroupeset, selonleur proximité,onpeut envisagerderegrouper oudediviser lesdifférentes classes,pour obtenirdesgroupes pluscohérentset sipossibleayant unréelsens. Cette techniquede classificationesttout àfaitsatisfaisante pourunereconnaissance, un classementglobal desunités,la définitionausein del'imagede grandeszones thématiquesou encoreunerecherche thématiqueprécise.Elle al'avantagede présenterdes tempsdecalcul relativementcourts.Toutefois, ilfautse méfierduchoix desparamètres surladistance, ilspeuventconduire àdesrésultats trèsdifférents,et il fauttenir comptedela difficultéd'interprétation,qui nécessiteuneétude minutieuseet simultanéedes différentsaspectsdes classesdepixels (dendrogramme,spatialisation dansl'image, histogramme),souventassez longue. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.14 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARCAH Méthodesde classification19
2.La méthodedescentres mobiles
Cettefois, ilfautdéterminer lenombrede classesaudébut dutraitement.Une quantité depixels équivalenteàce nombreestdéterminé aléatoirement:ces pixels constituerontles centresdesclasses aupremiertour. Ensuitechaquepixel estmisdans laclasse ayantlecentre leplusproche :cequi nousdonnele nombredeclasses désiré. Onprend lescentresde gravitédeces nouveauxensembles: ilsdeviennentles nouveauxcentres declasseet onréitèrel'opération consistantàrattacher chaquepixel àla classequipossède lecentrele plusproche.En principe,oncontinue ceprocessus jusqu'àce qu'ilyait stabilitédesclasses etdeleurs centres.Certainslogiciels demandentle nombred'itérationau départetc'est ànousde nousassurerque ce nombresera suffisantpouratteindre laconvergence.On peutobserverl'évolution des classesdirectement surl'histogramme. IMG.15 :ETAPESDE LAMÉTHODEDES CENTRESMOBILES
Laméthode d'interprétationdesclasses, obtenuesàtravers cetteméthode,est similaire àcelle delaCAH :fortsde notreclassification,nous pouvons,grâceune étude minutieusede larépartitionspectrale (histogramme)etspatiale (image)despixels, essayerde donnerunsens auxdifférentesclasses. Moinspréciseque laprécédente, cetteméthode s'utiliseraavanttout pourallerà ladécouverted'une imagetotalement inconnueou pourévaluerla qualitéd'uneCAH. Eneffetelle estvraimenttrès rapide, Méthodesde classification20
etpermet dejugerde lastabilitédes classesdéfiniesà traversleurvitesse de convergence.Par contre,lerésultat peutêtreinfluencé parlechoix despremiers centres: ilpeutêtre intéressantderelancer plusieursfoiscette méthodeafinde voirsi onobtient toujourslesmêmes classes. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.16 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARCENTRESMOBILES PartieB. Méthodesdeclassification supervisée Introduction
Poureffectuer uneclassificationsupervisée, ilfautdétenir desinformationssur les objetsde l'imagequel'on chercheàrévéler, surlescaractéristiques deszones homogènes.L'analyste, leplussouvent unspécialiste,détermine lalégendede la classification,qu'il souhaiteobtenir,et sélectionnedansl'image ousurl'histogramme deséchantillons depixelsappartenant auxdifférentesclasses définies.Ces échantillonsdépendent desconnaissancesde l'expert,desinformations dontildispose surl'image. C'estàl'ordinateur querevientensuite d'analyserlesdonnées numériques deces échantillonspourdéterminer lasignaturespectrale desdifférentesclasses d'objets,selon uneméthodechoisie parl'analyste.Les méthodeslesplus courantes, reposantsur uneanalysede l'histogramme,sontla classificationhypercubeet la classificationpar maximumdevraisemblance. Méthodesde classification21
1.La classificationhypercube
Cetteclassification s'appuieuniquementsur lemodèleradiométrique :plusde calculs dedistance oudeprobabilités, ils'agiten quelquessorted'un seuillage multidimensionnel.On partdeséchantillons définis,parl'expert, grâceàdes mesures surle terrainouà unelocalisationgéographique d'objetsconnus.L'ordinateur calcule pourchaque classelesintervalles radiométriquesconcernéssur chaquecanal: ceux-ci serventde référenceetpermettent lacréationde "cubes» (=enréalité, cesontplus desparallélépipèdes rectangles)dansl'hyperplan radiométriqueeneffectuant l'intersectiondes intervallesrepéréssur leshistogrammesde chacundescanaux. Siles cubesne sechevauchentpas dansl'espaceradiométrique, lasegmentationest correcte. Deuxtypes d'approchesontpossibles :l'approcheunidimensionnelle ou multidimensionnelle. Avecla premièreapproche,les découpagessonteffectués surchaquecanal individuellement,et ensuitecroiséspour obtenirdesparallépipèdes rectangles. Malheureusement,on obtientbeaucoupde classesvidesou quasividesainsi quede classescentrales importantesreprésentantplusieurs objetsdifficilementdissociables parle biaisd'unseul canal. IMG.17 :DÉCOUPAGEEN HYPERCUBESPARAPPROCHE UNIDIMENSIONNELLE Avecl'approche multidimensionnelle,lesparallépipèdes rectanglessontcrées directementsur l'histogrammeà3 dimensions(dansle casdetrois canaux). Méthodesde classification22
IMG.18 :DÉCOUPAGEEN HYPERCUBESPARAPPROCHE MULTIDIMENSIONNELLE L'interprétationde l'imageestensuite plusfacile,si onachoisi descouleurs significativespour représenterlesdifférentes classesd'objets,et concernesurtoutla structurespatiale desélémentsdans l'image. Cetteméthode esttotalementassistée carl'analystedétermine toutpasà pas.La qualitéde laclassificationrepose doncentièrementsur laqualitédu spécialisteet l'exactitudedes modèlesradiométriqueschoisis. Ilestpréférable dechoisirune approchemulticanale, maisceladépend deslimitesimposées parlapuissance de l'ordinateur.Avec cetteméthode,tous lespixelsn'appartenant pasàune classe prédéfiniesont regroupésdansune mêmeclassesouvent représentéeennoir, pour montrerson absencedesignification :ils'agit despixelsnon classés. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.19 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARHYPERCUBES 2.La classificationparmaximum devraisemblance
Sansdoute laplusutilisée, laclassificationpar maximumdevraisemblance découle d'uneméthode probabiliste:pour chaquepixelon déterminesaprobabilité d'appartenirà uneclasseplutôt qu'àuneautre. Ons'appuie surlarègle deBayes: P(Ci/p)=P(p/Ci)*P(Ci)/P(p), avecP(Ci/p) =probabilitéd'être danslaclasse isachantqu'on estlepixel p, P(p/Ci)= probabilitéd'êtrele pixelpsachant qu'onsetrouve danslaclasse i, P(Ci)= probabilitéd'appartenirà laclassei etP(p)= probabilitéd'êtrele pixelp. Onaffecte doncpà laclassei siP(p/Ci)*P(Ci)> P(p/Cj)*P(Cj)pourtoute classej. Méthodesde classification23
Unseuil deprobabilitéen dessousduquelun pixelestjugé commemalclassé peutêtre fixé,le pixelestalors placédansune classederejet. Laplupartdu temps, l'appartenancegénérale àuneclasse estestiméecomme équiprobable. Pourréaliser laclassification,on commenceparchoisir deséchantillons,dont on vérifiela qualitéens'appuyant surl'analysestatistique desvaleurscaractéristiques des histogrammesmonodimensionnel, puisappliquela méthodedeclassification eton étudieensuite laqualitédu résultatenobservant lecomportementspectral des échantillons,le tauxderejet etlatable deperformance(= tableaurévélantle nombre depixels bienclassés,mal classésetrejetés selondifférentsseuils derejet). L'interprétationde laclassificationobtenue seferaplutôt entermede structurespatiale commepour laméthodeprécédente etseraplus oumoinsdifficile selonlechoix des couleursdes couleurs. Cettetechnique declassificationest toutàfait satisfaisanted'unpoint devue mathématiquecar lespixelssont classésenfonction d'uneprobabilitéce quiest souhaitableen traitementdel'image, enparticulieren télédétectionoùun mêmeobjet peutcontenir despixelsaux valeursradiométriquestrès différentes.Elleprésente aussi l'avantagede donnerfacilementune mesuredela qualitédela classification,etde permettrel'amélioration delaclassification paritération.Par contre,laqualité dela classificationest fortementliéeà lavaleurdu spécialiste:son expérienceetsa connaissancedu sujetdel'image. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.20 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARMAXIMUMDE VRAISEMBLANCE Méthodesde classification24
Synthèse
Contexte
Dansle domainedela segmentationd'images,on recourtsouventaux méthodesde classification.L'un desinitiateursde cettetendance,serait A.G.Wackerdont les travauxen 1969,dansle domainedela télédétection,sontcités commelapremière utilisationdes méthodesdeclassification àdesfins desegmentationd'images. Depuis, nombreuxsont ceuxquise sontpenchéssur cettepossibilité,et lesméthodeset algorithmesde classificationappliquésà lasegmentationd'image necessentde se multiplier. Dès1977, leschercheursOhlander, PriceetReddy, delaCarnegie MellonUniversity, uneuniversité américaine,sontparmi lespremiersà proposeruneméthode de segmentation Exercicespossibles :
¨Analysesinteractives d'histogrammes(mono-ou bi-dimensionnel)d'images multispectrales ¨Ateliermontrant l'influenced'unseuillage radiométriquesurl'image ¨Problèmeconcret :choixde laméthodela plusadaptéeen fonctiondesparamètres duproblème (enaccordavec lesobjectifs,peu coûteuseentemps...) ¨Exerciceouvert oùilrevient àl'élèved'autocritiquer seschoixen observantle renduvisuel desaclassification. Tabledes illustrations
Img.1Décompositiond'une imagemultispectralesur plusieurscanaux- © "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.3; Img.14ImageSPOT etrésultatde saclassificationpar CAH-© "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.19; Img.16ImageSPOT etrésultatde saclassificationpar centresmobiles- © "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.21; Img.19ImageSPOT etrésultatde saclassificationpar hypercubes-© "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.23; Img.20ImageSPOT etrésultatde saclassificationpar maximumde vraisemblance- ©"Traitementdes donnéesdetélédétection"/Mr et MmeGirard /Editionsdela Boyère-p. 24;
quotesdbs_dbs10.pdfusesText_16
¨1si T1<=I(x,y)<=T2
¨0si I(x,y)>T2.
L'opérationparaît trèssommairecependant ellepermetd'isoler facilementdesthèmes trèscaractéristiques contenusdansl'image, etquicorrespondent auxdifférentesbosses del'histogramme. Parexemple,en télédétection(=techniques d'observationdes caractéristiquesd'un objetsanscontact physiqueaveccelui-ci), onpeutaisément identifierde cettefaçonles pixelsdel'eau dansuncanal infrarouge. Méthodesimplifiée pourimageen niveauxdegris :seuillage11 IMG.7 :HISTOGRAMMEDU CANALINFRAROUGED 'UNEIMAGE SATELLITALE:MISEEN ÉVIDENCEDELA BOSSEDEL 'EAU Plusieursseuils peuventégalementêtre établisafinde regrouperlespixels dans différentesclasses, ensuiteonpeut affecterunecouleur àchacunede cesclassespour analyserla distributiongéographiquede sespixelsdans l'image.Onpeut ainsifairele lienentre lesaspectsspectraux etgéographiquesdes différentsobjetsde l'image. Mêmesi lasegmentationeffectuée directementsurl'histogramme n'estpasdes plus pertinentes,elle prépareplutôtbien uneclassificationplus pousséeenisolant les groupesde pixelsd'interprétationtriviale, etenpermettant d'élaborerdeszones dites" d'apprentissage», dontonconnaît désormaislasignification etquiserviront ainsideréférencepour identifier,grâceà uneinterprétationspectrale, leszonesrévélées par
uneclassification plusrecherchée. Onpeut fixerlesseuils dedifférentesmanières :sion connaîtlesobjets delascène de départ,on peutsebaser, soitsurdes mesureseffectuéessur leterrain,soit surdes modèlesde comportementsspectraux,sinon onpeutétudier l'histogrammeafin d'isolerles différentsmodes. Méthodesimplifiée pourimageen niveauxdegris :seuillage12IMG.8 :EXEMPLEDE COMPORTEMENTSSPECTRAUX
Leseuillage peutégalementse fairedefaçon automatique:on séparelesclasses de façonà optimiseruncritère donnéouon peutrepérerses différentes"bosses »parune détectionautomatique desmaximaet minimalocauxde l'histogrammelissé. Méthodesimplifiée pourimageen niveauxdegris :seuillage13PartieB. Exemples
Exemple
IMG.9 :DÉCOMPOSITIOND 'UNSEUILLAGE "MULTI-CLASSES» Méthodesimplifiée pourimageen niveauxdegris :seuillage14ChapitreIII
Méthodesde
classificationGénéralités
Lesméthodes deseuillagebien qu'intéressantesrestentinsuffisantes dansde nombreuxcas. Ilfautdonc utiliserdesméthodes unpeuplus élaboréespouraméliorer laprécision delaclassification. Uneimage peutêtreassimilée àunnuage depointsdans l'espacemultidimensionnel desradiométries :eneffet, chaquepixela pourcoordonnéesdans cetespacesa valeur radiométriquesur chacundescanaux dontondispose. IMG.10 :REPRÉSENTATIOND 'UNEIMAGE DANSL'ESPACEDES RADIOMÉTRIES Commeà toutnuagede points,onpeut doncluiappliquer lesméthodesstatistiques classiquesafin deconstituerdes classesdepixels, qu'onidentifieraensuite sur l'image.Les méthodesstatistiquesutilisées entraitementde l'imagesontglobalement prometteuseset découlentprincipalementde calculsdeprobabilités etdedistances mathématiques.Cependant, aucunedeces méthodesn'estparfaite etnes'adapte mieuxque touteautreà l'ensembledessituations envisageableslorsquela nécessité d'uneclassification enzoneshomogènes seprésente.Avant deselancer, têtebaissée, dansn'importe quelleméthodede classification,ilest nécessairederéfléchir aux donnéesdu problème:précision souhaitée,coûtde l'opérationenvisageable(en temps eten argent:temps decalcul,investissement enmatérielet enpersonnel), homogénéitéa priorideszones del'imagemère (présenced'ombresou dereflets, bruitagede l'image,contoursflous...), caractéristiquesdesbandes spectralesetdes populationsétudiées... Choisirunemauvaise méthode,c'estse précipiterfatalement versl'erreur :laconnaissance desesobjectifs etdeslimites etavantagesde ses donnéesest essentielle! Onpeut choisird'effectuerune classificationdefaçon visuelleouautomatique :le traitementd'image constituelapartie automatique,plusobjective etsouventplus rigoureuse.Par uneclassification,on cherchetoujoursà fairecorrespondredes zones d'intérêtdont onconnaîtles caractéristiques,lesclasses d'information,avecdes groupesde pixelsayantpresque lesmêmescaractéristiques spectralessurl'ensemble descanaux, lesclassesspectrales. Encequi concernelesméthodes statistiques possibles,leur nombreesttrès importantet,dans cecours,nous nousappuierons seulementsur desméthodesutilisant leshistogrammes,et quirestentparticulièrement utiliséesen traitementd'image,même sipourcertaines classificationsparticulières, desméthodes reposant,notamment,sur desréseauxde neuronesonttendance àse développerde plusenplus danslarecherche entraitementd'images. Parmices méthodes,ontrouve deuxfamillestrès différentes:les classificationsnon superviséeset lesclassificationssupervisées. Lesméthodesde classificationnon superviséeproposent desregroupementsselon lastructuredes pixelsprésentsdans l'image,sans informationapriori surleszones quel'onsouhaite identifier,tandis qu'uneméthode declassificationsupervisée chercheàassimiler touslespixels de l'imageaux pixelsdezones d'apprentissage,définiesgéographiquement surl'image ouradiométriquement sursonhistogramme.IMG.11 :ILLUSTRATIONDES DEUXTYPESDE CLASSIFICATIONS:ÀGAUCHE NON-SUPERVISÉE,ÀDROITE SUPERVISÉE.
Ensuiteil faudraveillerà choisirlaméthode laplusadaptée ànoshypothèses. QuelleMéthodesde classification16
quesoit laméthodechoisie, onpeuttoujours mettrelerésultat envaleuren attribuant unelégende àl'ensembledes classestrouvées(chaque thèmeauraune couleur particulièredans l'image),cequi rendensuitetoute analyseducontenu etdela structurede l'imageplusaisée. PartieA. Méthodesdeclassification nonsuperviséeIntroduction
Dansles méthodesdeclassification nonsupervisée,le traitementsefait uniquement surles donnéesnumériquesde l'image:il n'yapas declassesdéfinies aprioridès le départ.Une foislasegmentation effectuée,alorsseulement, l'analystechercheà interpréter,si possibledefaçon utile,lesdifférentes classestrouvées.Bien sûr, l'analysten'est pastotalementabsent duprocessusde segmentation:il choisitcertains paramètres(nombre declasses,distance entrelesclasses, méthodestatistique...). L'interprétationdes classesobtenuesest souventdifficile,mais lesclassificationsnon superviséessont idéalesàtitre depré-classificationou lorsqu'onnedispose de quasimentaucune informationdeterrain surl'image.Elles proposentsouventune partitionde l'image,crééeà partird'undécoupage issudel'(des) histogramme(s), mettanten évidencedesnoyaux auxquelsonrattache lespointsplus éloignésgrâceà uncalcul dedistance.Les deuxméthodesstatistiques lesplususitées enclassification nonsupervisée sontlaClassification AscendanteHiérarchique(CAH) etlaméthode descentres mobiles.Etudionsdonc cesdeuxméthodes particulières.1.La ClassificationAscendanteHiérarchique
Sonprincipe estassezsimple :àchaque itération,oncommence parréunir,dans une mêmeclasse, lesdeuxpixels lesplusproches endistancedans l'espaceradiométrique, ensuiteon remplacecetteclasse parunpixel moyenquila représentependantles itérationssuivantes, jusqu'àceque laclassesoit avaléeparune autreclasse,puis on itèrece processus,jusqu'àce qu'iln'yait plusqu'uneseule classe.Méthodesde classification17
IMG.12 :ETAPESD 'UNECLASSIFICATION ASCENDANTEHIÉRARCHIQUE Lesétapes delaclassification sontmodéliséessur undiagramme,appelé dendrogramme: onpeuty identifierlesclasses quiontfusionné pourcréerune classe plusimportante etévaluerla distanceentreles différentesclasses(deux classes extrêmementéloignées tarderontàêtre réuniesdansune classeplusimportante). L'analysede cediagrammepeut aideràdéterminer lenombrede classesleplus intéressantà obtenir,parvisualisation durésultatsur l'image,notamment.Méthodesde classification18
IMG.13 :DENDROGRAMME:PREMIÈREANALYSE
L'interprétationnécessite àlafois laconsultationdu dendrogramme,dela distribution spatialedes pixelsclassés,dans l'image,etde l'histogrammedesvaleurs spectrales. Envertu detoutça, unesignificationpeut êtreaccordéeaux différentsgroupeset, selonleur proximité,onpeut envisagerderegrouper oudediviser lesdifférentes classes,pour obtenirdesgroupes pluscohérentset sipossibleayant unréelsens. Cette techniquede classificationesttout àfaitsatisfaisante pourunereconnaissance, un classementglobal desunités,la définitionausein del'imagede grandeszones thématiquesou encoreunerecherche thématiqueprécise.Elle al'avantagede présenterdes tempsdecalcul relativementcourts.Toutefois, ilfautse méfierduchoix desparamètres surladistance, ilspeuventconduire àdesrésultats trèsdifférents,et il fauttenir comptedela difficultéd'interprétation,qui nécessiteuneétude minutieuseet simultanéedes différentsaspectsdes classesdepixels (dendrogramme,spatialisation dansl'image, histogramme),souventassez longue. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.14 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARCAHMéthodesde classification19
2.La méthodedescentres mobiles
Cettefois, ilfautdéterminer lenombrede classesaudébut dutraitement.Une quantité depixels équivalenteàce nombreestdéterminé aléatoirement:ces pixels constituerontles centresdesclasses aupremiertour. Ensuitechaquepixel estmisdans laclasse ayantlecentre leplusproche :cequi nousdonnele nombredeclasses désiré. Onprend lescentresde gravitédeces nouveauxensembles: ilsdeviennentles nouveauxcentres declasseet onréitèrel'opération consistantàrattacher chaquepixel àla classequipossède lecentrele plusproche.En principe,oncontinue ceprocessus jusqu'àce qu'ilyait stabilitédesclasses etdeleurs centres.Certainslogiciels demandentle nombred'itérationau départetc'est ànousde nousassurerque ce nombresera suffisantpouratteindre laconvergence.On peutobserverl'évolution des classesdirectement surl'histogramme.IMG.15 :ETAPESDE LAMÉTHODEDES CENTRESMOBILES
Laméthode d'interprétationdesclasses, obtenuesàtravers cetteméthode,est similaire àcelle delaCAH :fortsde notreclassification,nous pouvons,grâceune étude minutieusede larépartitionspectrale (histogramme)etspatiale (image)despixels, essayerde donnerunsens auxdifférentesclasses. Moinspréciseque laprécédente, cetteméthode s'utiliseraavanttout pourallerà ladécouverted'une imagetotalement inconnueou pourévaluerla qualitéd'uneCAH. Eneffetelle estvraimenttrès rapide,Méthodesde classification20
etpermet dejugerde lastabilitédes classesdéfiniesà traversleurvitesse de convergence.Par contre,lerésultat peutêtreinfluencé parlechoix despremiers centres: ilpeutêtre intéressantderelancer plusieursfoiscette méthodeafinde voirsi onobtient toujourslesmêmes classes. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.16 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARCENTRESMOBILES PartieB. Méthodesdeclassification superviséeIntroduction
Poureffectuer uneclassificationsupervisée, ilfautdétenir desinformationssur les objetsde l'imagequel'on chercheàrévéler, surlescaractéristiques deszones homogènes.L'analyste, leplussouvent unspécialiste,détermine lalégendede la classification,qu'il souhaiteobtenir,et sélectionnedansl'image ousurl'histogramme deséchantillons depixelsappartenant auxdifférentesclasses définies.Ces échantillonsdépendent desconnaissancesde l'expert,desinformations dontildispose surl'image. C'estàl'ordinateur querevientensuite d'analyserlesdonnées numériques deces échantillonspourdéterminer lasignaturespectrale desdifférentesclasses d'objets,selon uneméthodechoisie parl'analyste.Les méthodeslesplus courantes, reposantsur uneanalysede l'histogramme,sontla classificationhypercubeet la classificationpar maximumdevraisemblance.Méthodesde classification21
1.La classificationhypercube
Cetteclassification s'appuieuniquementsur lemodèleradiométrique :plusde calculs dedistance oudeprobabilités, ils'agiten quelquessorted'un seuillage multidimensionnel.On partdeséchantillons définis,parl'expert, grâceàdes mesures surle terrainouà unelocalisationgéographique d'objetsconnus.L'ordinateur calcule pourchaque classelesintervalles radiométriquesconcernéssur chaquecanal: ceux-ci serventde référenceetpermettent lacréationde "cubes» (=enréalité, cesontplus desparallélépipèdes rectangles)dansl'hyperplan radiométriqueeneffectuant l'intersectiondes intervallesrepéréssur leshistogrammesde chacundescanaux. Siles cubesne sechevauchentpas dansl'espaceradiométrique, lasegmentationest correcte. Deuxtypes d'approchesontpossibles :l'approcheunidimensionnelle ou multidimensionnelle. Avecla premièreapproche,les découpagessonteffectués surchaquecanal individuellement,et ensuitecroiséspour obtenirdesparallépipèdes rectangles. Malheureusement,on obtientbeaucoupde classesvidesou quasividesainsi quede classescentrales importantesreprésentantplusieurs objetsdifficilementdissociables parle biaisd'unseul canal. IMG.17 :DÉCOUPAGEEN HYPERCUBESPARAPPROCHE UNIDIMENSIONNELLE Avecl'approche multidimensionnelle,lesparallépipèdes rectanglessontcrées directementsur l'histogrammeà3 dimensions(dansle casdetrois canaux).Méthodesde classification22
IMG.18 :DÉCOUPAGEEN HYPERCUBESPARAPPROCHE MULTIDIMENSIONNELLE L'interprétationde l'imageestensuite plusfacile,si onachoisi descouleurs significativespour représenterlesdifférentes classesd'objets,et concernesurtoutla structurespatiale desélémentsdans l'image. Cetteméthode esttotalementassistée carl'analystedétermine toutpasà pas.La qualitéde laclassificationrepose doncentièrementsur laqualitédu spécialisteet l'exactitudedes modèlesradiométriqueschoisis. Ilestpréférable dechoisirune approchemulticanale, maisceladépend deslimitesimposées parlapuissance de l'ordinateur.Avec cetteméthode,tous lespixelsn'appartenant pasàune classe prédéfiniesont regroupésdansune mêmeclassesouvent représentéeennoir, pour montrerson absencedesignification :ils'agit despixelsnon classés. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.19 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARHYPERCUBES2.La classificationparmaximum devraisemblance
Sansdoute laplusutilisée, laclassificationpar maximumdevraisemblance découle d'uneméthode probabiliste:pour chaquepixelon déterminesaprobabilité d'appartenirà uneclasseplutôt qu'àuneautre. Ons'appuie surlarègle deBayes: P(Ci/p)=P(p/Ci)*P(Ci)/P(p), avecP(Ci/p) =probabilitéd'être danslaclasse isachantqu'on estlepixel p, P(p/Ci)= probabilitéd'êtrele pixelpsachant qu'onsetrouve danslaclasse i, P(Ci)= probabilitéd'appartenirà laclassei etP(p)= probabilitéd'êtrele pixelp. Onaffecte doncpà laclassei siP(p/Ci)*P(Ci)> P(p/Cj)*P(Cj)pourtoute classej.Méthodesde classification23
Unseuil deprobabilitéen dessousduquelun pixelestjugé commemalclassé peutêtre fixé,le pixelestalors placédansune classederejet. Laplupartdu temps, l'appartenancegénérale àuneclasse estestiméecomme équiprobable. Pourréaliser laclassification,on commenceparchoisir deséchantillons,dont on vérifiela qualitéens'appuyant surl'analysestatistique desvaleurscaractéristiques des histogrammesmonodimensionnel, puisappliquela méthodedeclassification eton étudieensuite laqualitédu résultatenobservant lecomportementspectral des échantillons,le tauxderejet etlatable deperformance(= tableaurévélantle nombre depixels bienclassés,mal classésetrejetés selondifférentsseuils derejet). L'interprétationde laclassificationobtenue seferaplutôt entermede structurespatiale commepour laméthodeprécédente etseraplus oumoinsdifficile selonlechoix des couleursdes couleurs. Cettetechnique declassificationest toutàfait satisfaisanted'unpoint devue mathématiquecar lespixelssont classésenfonction d'uneprobabilitéce quiest souhaitableen traitementdel'image, enparticulieren télédétectionoùun mêmeobjet peutcontenir despixelsaux valeursradiométriquestrès différentes.Elleprésente aussi l'avantagede donnerfacilementune mesuredela qualitédela classification,etde permettrel'amélioration delaclassification paritération.Par contre,laqualité dela classificationest fortementliéeà lavaleurdu spécialiste:son expérienceetsa connaissancedu sujetdel'image. ©"Traitement desdonnéesde télédétection"/MretMme Girard/Editionsde laBoyère IMG.20 :IMAGESPOTETRÉSULTAT DESACLASSIFICATION PARMAXIMUMDE VRAISEMBLANCEMéthodesde classification24
Synthèse
Contexte
Dansle domainedela segmentationd'images,on recourtsouventaux méthodesde classification.L'un desinitiateursde cettetendance,serait A.G.Wackerdont les travauxen 1969,dansle domainedela télédétection,sontcités commelapremière utilisationdes méthodesdeclassification àdesfins desegmentationd'images. Depuis, nombreuxsont ceuxquise sontpenchéssur cettepossibilité,et lesméthodeset algorithmesde classificationappliquésà lasegmentationd'image necessentde se multiplier. Dès1977, leschercheursOhlander, PriceetReddy, delaCarnegie MellonUniversity, uneuniversité américaine,sontparmi lespremiersà proposeruneméthode de segmentationExercicespossibles :
¨Analysesinteractives d'histogrammes(mono-ou bi-dimensionnel)d'images multispectrales ¨Ateliermontrant l'influenced'unseuillage radiométriquesurl'image ¨Problèmeconcret :choixde laméthodela plusadaptéeen fonctiondesparamètres duproblème (enaccordavec lesobjectifs,peu coûteuseentemps...) ¨Exerciceouvert oùilrevient àl'élèved'autocritiquer seschoixen observantle renduvisuel desaclassification.Tabledes illustrations
Img.1Décompositiond'une imagemultispectralesur plusieurscanaux- © "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.3; Img.14ImageSPOT etrésultatde saclassificationpar CAH-© "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.19; Img.16ImageSPOT etrésultatde saclassificationpar centresmobiles- © "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.21; Img.19ImageSPOT etrésultatde saclassificationpar hypercubes-© "Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsde laBoyère- p.23; Img.20ImageSPOT etrésultatde saclassificationpar maximumde vraisemblance- ©"Traitementdes donnéesdetélédétection"/Mr etMmeGirard /Editionsdela Boyère-p. 24;
quotesdbs_dbs10.pdfusesText_16[PDF] commerce de proximité alimentaire
[PDF] commerce de proximité définition
[PDF] commerce de proximité en france
[PDF] commerce de proximité exemple
[PDF] commerce de proximité insee
[PDF] commerce electronique au maroc ppt
[PDF] commerce electronique cours ofppt
[PDF] commerce extérieur algérien 2017
[PDF] commerce extérieur maroc 2015
[PDF] commerce international avantages et inconvénients
[PDF] commerce international et croissance économique (pdf)
[PDF] commerce international et croissance économique pdf
[PDF] commerce international et politiques commerciales
[PDF] commerce international tunisie cours