Loading

Module 1: Filtrage et classification des images

Notes d'étude
Study Reminders
Support
Text Version

Classification de l'image supervisée

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Vidéo 1

Bonjour à tous et bienvenue à une nouvelle discussion et que nous allons avoir sur les techniques de classification supervisée des images. Nous discuterons aussi des limites de la classification supervisée ou des techniques globales de classification. Comme nous le savons, nous avons déjà discuté de cette partie du fait qu'il existe deux types de classification que nous faisons dans la télédétection ou sur les images de télédétection. La première est une classification non supervisée dont nous avons déjà discuté et une autre est la classification supervisée. Comme nous en avons également discuté, mais très brièvement, je mentionnerai le but de la classification est de créer un à partir d'une image d'image de changement continu pour créer une carte et c'est une meilleure interprétation et facile à utiliser par les décideurs. Donc, deux techniques qu'on est sans surveillance, c'est-à-dire entièrement basées sur l'ordinateur, il n'y a pas beaucoup d'intervention humaine. Et la classification supervisée que, dans chaque étape, les interventions humaines sont là et surtout pour les ensembles de formation qui est la chose la plus importante ici. Et sur la base des ensembles de formation, puis des statistiques correspondantes, puis en choisissant la technique de classification appropriée, nous allons pour la classification et enfin nous allons aussi pour l'évaluation de la précision que je vous démontrerai lors de la prochaine démonstration que nous aurons après cette discussion sur la classification supervisée. Une classification supervisée parce qu'il y a des interventions humaines est là et, par conséquent, une connaissance préalable de cette zone est requise et seule la classification supervisée peut être effectuée. Si une information préalable sur la région dont fait partie l'image satellite, si cette information n'est pas disponible, alors on devrait passer à une classification non supervisée plutôt qu'à une classification supervisée. Cependant, si l'on est un très bon sur les techniques d'interprétation d'images et qu'il y a beaucoup d'expérience dans l'interprétation des images, on peut alors recourir à la classification supervisée parce qu'on choisit des ensembles de formation et qui sont à la base de la classification supervisée. S'il y a une confiance dans le choix des ensembles de formation dans la classification supervisée, il est alors possible que la classification supervisée puisse être réalisée avec une bonne précision. Donc, où vous savez que cette chose doit vraiment se rappeler qu'une connaissance préalable est très nécessaire parce que l'expérience est là de l'interprétation de l'image, alors on peut sentir que des classes différentes qui sont présentes dans l'image ou la scène peuvent avoir un type conventionnel. Par exemple, les classes de couverture conventionnelles pour un exemple signifie qu'elles peuvent être des forêts de type différent selon la densité. On peut dire une forêt dense ou une forêt ouverte, et ensuite nous pourrions avoir des terres agricoles dans cette scène et nous pourrions avoir construit des terres, nous pourrions avoir des terrains nus et vous savez wasteland genre de chose. Tout cela peut donc être placé dans les classes de couverture conventionnelles. Si une image appartient à une zone vallonnée, il faut être très prudent. Si l'image appartient à la zone côtière, une autre forme de soins est nécessaire. Toutefois, il est toujours nécessaire de souligner ici que les connaissances préalables sont nécessaires. Si ce n'est pas là et que l'expérience s'il n'est pas là, il pourrait y avoir une autre source d'information autre que le lecteur de cartes peut également être utilisé pour la formation ou la création des ensembles de formation. Ainsi, les sites de formation ou les ensembles de formation sont choisis pour chacune de ces classes manuellement et ceci est fait manuellement de grossier sur des images numériques que je vais vous montrer aussi. Et chaque site de formation représente essentiellement une classe et il n'est pas nécessaire que pour chaque classe, un seul ensemble de formations soit collectant qui puisse être de nombreux ensembles de formation pour une classe peut être collectant. Par exemple, si je vois et que beaucoup de zones ont des forêts alors dans des zones différentes, je vais collecter des ensembles de formation et ensuite dire que si les caractéristiques spectrales de ces formations sont les mêmes que celles de la forêt. Ainsi, chaque site de formation ou classe de résultats dans un nuage de points que nous allons voir à travers une figure dans une dimension qui est l'espace de mesure à travers trois nuages de points dimensionnels, ces nuages peuvent également être montrés. Et ceci représente la variabilité des différentes caractéristiques spectrales des pixels ou signatures dans cette classe. Donc, quelle que soit la variation de cette classe, j'ai pris l'exemple de la forêt.
Donc, quelle que soit la variabilité de la signature spectrale d'une classe de forêt, ils sont regroupés en un seul. Comme par exemple ici ce que nous voyons est un pré c'est un côté et une image est là d'appartenir à une zone côtière et différents ensembles de formation ont été sélectionnés ici. Et si je me concentre sur les zones jaunes, alors c'est vous savez qu'une partie du plan d'eau a été sélectionnée et où elle dit que les sédiments qu'ils ont dans les sédiments, ce qui signifie qu'ils pourraient être suspendus ou que la turbidité pourrait être présente. Mais si vous venez très près des zones côtières, vous êtes en présence de plus de sédiments. Donc ils sont le côté est choisi ici est différent qui est sédiment. Et puis vous savez aussi que l'eau de mer a été sélectionnée là où nous ne voyons aucune signature ou preuve de sédiments, alors c'est l'eau de mer qu'elle a été choisie. De même dans l'ensemble de la zone, ces choses ont été sélectionnées pour une zone verte, deux sites de formation ont été sélectionnés qui est une cellule de sanité et, dans un premier temps, certains noms peuvent être donnés. Mais plus tard sur ces noms peut être changé, c'est pour l'ensemble de formation. Et un autre est là, comme ici les arbres ont été clairement identifiés et qu'il y a donc 2 ensembles de formation presque pour chaque classe au moins il y a 2 ensembles de formation pour chaque classe sont là. C'est toujours une bonne pratique et, tout en faisant cette classification supervisée, il faut sélectionner au moins 2 ensembles de formation pour chaque classe à l'intérieur de cette image. Ainsi, nous obtenons une meilleure variabilité des caractéristiques spectrales par rapport à chaque classe. Et on dit qu'il y a eu et cela signifie que l'ordinateur a été formé sur ces questions. L'étape suivante est d'assigner chaque classe à une classe spectrale et qui apparaissent ou qui appartiennent à leurs valeurs de pixels et à l'intérieur de ce que vous savez parce que nous allons effectuer sur les images de couleur ou les fausses couleurs composites ainsi sur les bandes constituantes. Et puis il y a des algorithmes de regroupement qui sont également utilisés pour qui regarde ces nuages de pixels dans un espace n dimensionnel. Ensuite, la mesure est également faite selon le type d'algorithme utilisé. Et les pixels qui ne tombent dans aucune de ces classes sont classés comme vous le savez sans classification ou ne donnant pas de formation là-bas. Par exemple, ici un 3 bends de 3 dimensions ont été utilisés dans ce schéma et a ce qu'il montre la bande 4 bande 5 et la bande 6. Et ce sont les clusters qui ont été utilisés ici, par exemple, ils peuvent être des clusters pour une zone et d'autres clusters peuvent être les vagues de surface et un autre cluster est ici et ainsi de suite. Maintenant, comment le cluster sera affecté comment cela sera fait et que nous verrons que les algorithmes basés sur les différents algorithmes utilisés dans l'espace de mesure pour corriger le fait que ce cluster appartient à une classe particulière.

Vidéo 2

Donc l'algorithme qui est utilisé est la distance minimale à la classification principale et donc que nous trouvons que vous savez le regroupement de la façon dont le regroupement est là s'il est très ouvert, alors cette distance minimale par rapport à la moyenne va être grande. Mais s'il y a des clusters serrés, cela peut être l'une des options parmi les algorithmes. Un autre algorithme peut être une classification de vraisemblance maximale gaussienne selon laquelle la probabilité est basée sur la probabilité. Et puis il y a aussi une classification parallèle et nous allons voir bientôt un chiffre à travers lequel nous essaierons de comprendre toutes ces 3 techniques de classification bien connues qui sont utilisées dans la classification de supervision. Et chacun si nous mettons si nous utilisons le même ensemble d'entraînement de la même image, mais lorsque nous classons à l'aide de ces trois algorithmes différents, il est très probable que nous pourrions obtenir 3 résultats différents mais et peut-être très proches. Par exemple, la méthode la plus simple qui est la première qui est la distance minimale est la moyenne dans laquelle le point central théorique du cluster ou du nuage de points est tracé. Et basé sur les valeurs moyennes de ce cluster et le point d'inconnaissance est affecté au plus proche de ceux-ci et ce point est alors assigné la classe de couverture. De même et maintenant nous allons le voir et cela dans un espace de 2 dimensions plutôt qu'en 3 et juste pour comprendre et il s'agit d'une estimation grossier. Mais les trois méthodes que je viens de mentionner ont été utilisées. Donc c'est ici la première partie supérieure gauche A montre les différents groupes de classes et classes différentes sont montrés ici comme les cercles sont le maïs et ça pour le foin et d'autres zones urbaines et le wasteland.
Maintenant, quand on va pour la première technique qui est simple la distance minimale à la moyenne, c'est combien la distance est calculée un point est la moyenne globale est plus rapide ici calculée et ensuite on trouve que le cluster a une distance minimale par rapport à la moyenne et ensuite la moyenne de chacun de ces clusters sont alors leurs classes sont assignées différentes classes et ensuite vous allez pour la classification. Donc, si nous regardons que la distance minimale que le point de centre théorique ou le nuage de points est tracé. C'est donc ce que le point central théorique de la théorie des nuages est tracé ici. Et en se basant sur les valeurs moyennes de ces clusters, un point d'inconnaissance est affecté au plus proche de ceux-ci et le point a ensuite attribué la classe de couverture. C'est ainsi que la distance minimale moyenne pour la classification moyenne ou l'algorithme fonctionne. Lorsque nous allons pour le deuxième comme simplifié ou parallélépipède que vous savez plutôt que le maximum de vraisemblance, le troisième que nous allons prendre. Donc, dans un simple parallélépipède ce que nous trouvons et ce différent type de et au lieu de la moyenne et ce sont des boîtes ou de la démarcation isdone sur un espace de deux dimensions. Et puis, quels que soient les pixels qui se trouvent dans ces délimitations, on les attribue à une classe particulière et cet algorithme est appelé parallélépipède simple. Il y a un parallélélisme imprécis que vous pouvez voir que les grandes grappes sont bien, mais lorsque nous nous concentrons ici, nous trouvons que, comme pour cet exemple de classe hay ici, un grand domaine a été pris et donc il y a des chevauchements également. Donc, afin d'éviter ces chevauchements et un comme ceux-ci sont les chevauchements que vous voyez ici et ce sont les chevauchements et ils apporteront des erreurs dans notre classification. Donc dans un cas précis, ces chevauchements sont évités et plutôt que de créer des rectangles ou vous savez au carré pour couvrir chaque classe une boîte très précise est créée comme ici comme vous pouvez le voir ici et de même. Donc cela donnera une classification plus précise et c'est pourquoi il est appelé une classification précise du même exemple ici est aussi dans cette partie qui est de l'eau de déchets ou peut-être désolé peut-être la classe d'eau. De même, il peut s'agir de méthodes différentes d'une classe spectrale et peut être représentée ici et dans le graphique de dispersion bivariée. Maintenant la deuxième option qui était là le second algorithme qui est la probabilité maximale qu'elle soit basée sur la probabilité grossier. Donc les contours sont tracas et quand vous vous éloignez du centre du cluster la probabilité réduit d'obtenir ces pixels dans cette classe particulière depuis le centre. Donc les contours expriment essentiellement la probabilité que tout point qui appartient à une classe particulière si je prends ceci comme exemple puis en classe qui est la base de la vraisemblance maximale méthode étrange de classification.
Donc les pixels qui ont ces valeurs ont la plus grande possibilité de probabilité d'être classés plus précisément et comme je m'éloigne du centre, la probabilité diminue. Il se peut donc qu'il y en ait d'autres dans la zone frontalière et qu'il y ait un problème parce que ces contours d'autres classes pourraient également se chevauchou. Il n'est pas nécessaire que ces contours doivent être circulaires ces contours peuvent aussi avoir une forme électrique électrique. Et ce que nous disons les contours équiprobabilités aussi, de même la classification peut être faite. On peut donc dire qu'il y a une technique globale de classification 4 qui sont des algorithmes qui sont utilisés dans la classification supervisée une est la distance minimale pour dire alors que vous connaissez la norme cette classification parallélépipède, puis la classification exacte parallélépipède et la dernière est la probabilité maximale qui est basée sur la base de la probabilité. Comme mentionné précédemment, vous pouvez voir que les différents algorithmes choisissent différentes classes basées sur certaines méthodes. Certains utilisent la moyenne certaines sont en utilisant vous savez que les limites pour définir différentes classes dans une partie de celle-ci comme le maximum de vraisemblance est basée sur la probabilité. Et c'est pourquoi il est inévitable que si je mets tous les algorithmes différents sur la même image avec les mêmes ensembles de formation, je suis tenu d'avoir des résultats différents. Maintenant il peut y avoir une question et ce qui est le meilleur et qui ne peut être décidé à partir d'une seule fois que si nous avons des connaissances préalables ou après la classification à travers toutes ces techniques lorsque nous allons faire la vérité au sol. Et nous trouvons qu'un algorithme particulier a donné le meilleur résultat alors pour ce domaine particulier on peut dire que cette technique de classification ou cet algorithme de classification a été bien formé. Mais sur la même image si la saison est modifiée une autre date images il y a une image de date différente de l'année là vous pouvez obtenir des résultats différents. Donc, dans une image donnée minimum dire minimum maximum de vraisemblance, peut-être un plus peut donner des résultats plus meilleurs. Et à une autre date ou une autre saison de la même zone ou peut-être du même capteur si j'utilise à nouveau de la même façon que je peux trouver que la distance minimale pour dire MDM donne de meilleurs résultats. Il s'agit donc d'une base très subjective et la classification la meilleure est de trouver l'exactitude plus tard. L'information préalable ou la connaissance préalable de cette zone sera toujours utile et donnera de meilleurs résultats dans la classification. Maintenant je vais vous montrer les exemples de la classification 2 ou en utilisant 2 classifies l'une est la première option qui est la distance minimale à la moyenne qui est là que vous pouvez voir ici. Et une autre est la méthode basée sur la probabilité sur cette classification qui est la classification de vraisemblance maximale. Et ce que nous constatons que le nombre de classes est resté le même, mais si vous commencez à vous concentrer sur la zone sage ou les différents domaines, vous pouvez trouver que certains obtiennent une meilleure classe mieux classée grâce à une classification certaines classes et certaines sont mieux classées en utilisant une autre classe. Par exemple, ici, je trouve qu'ici, il est de plus en plus probable que la probabilité maximale donne des résultats plus harmonieux. Et bien que les ensembles de formation soient les mêmes qui ont été utilisés pour ces 2 algorithmes de classification. Il y a donc dans la même image la même formation définit 2 différents algorithmes 2 résultats différents. C'est la raison pour laquelle une fois de plus, comme je l'ai dit, il faut vérifier l'exactitude de l'évaluation, alors on peut dire qu'une classification particulière pour cette zone particulière a été trouvée meilleure ou plus appropriée. Cela dit, comme je l'ai dit, cette classification est très subjective. Deuxièmement, jusqu'à présent, je n'ai pas abordé la question de la résolution spatiale. Le plus grossier de la résolution spatiale et de meilleurs résultats que l'on peut avoir parce que la différence dans les caractéristiques spectrales et dans les limites de formation peut ne pas être la plus comparable à celle des images satellitaires à haute résolution spatiale. Donc plus vous connaissez la frontière en termes de résolution spatiale et de même en termes de résolution spectrale aussi. Que si vous avez des plis plus larges comme dans les précédents Landsat MSS ou même Landsat TM, vous pouvez obtenir des résultats très lisses plutôt que des mouchetures dans votre image dans la carte classée. Mais si vous pariez pour des images satellites à haute résolution, la caractéristique spectrale des différents ensembles de formation variera très largement et, par conséquent, la production peut ne pas être aussi précise que celle que l'on aimerait avoir. Cela signifie donc ce que nous pouvons dire à ce stade que l'algorithme de classification dépend aussi d'une résolution spatiale ainsi que de la résolution spectrale ou de la caractéristique. Donc plus grossier ces choses sont les meilleurs résultats que l'on peut obtenir, mais à cette échelle pourrait être bon. Mais nous allons pour une résolution spatiale plus haute résolution spectrale, notre attente par la classification est beaucoup plus et donc nous devons être très prudents tout en choisissant les ensembles de formation sur l'image satellite haute résolution spatiale. Une plus grande attention est requise avec la résolution spatiale élevée par rapport aux images satellites à résolution relativement grossier. Donc c'est ce que beaucoup de l'exactitude de la classification de la classification dépendra de beaucoup de choses en particulier je parle de classification supervisée et parce que cela dépend de la résolution spatiale, cela dépend de la bande que vous avez choisie et ensuite cela dépend de votre formation définir avec précision, avec quelle fiabilité vous avez rassemblé ces ensembles de formation. Ensuite, l'évaluation de la précision de la précision de votre classification peut être évaluée au moyen de la technique statistique et l'exactitude doit être évaluée si l'on souhaite développer une carte d'utilisation des sols très fiable ou une carte de couverture forestière sont hors de cette technique de classification ou d'une carte lithologique, et ensuite la vérité au sol est très nécessaire. Et si un terrain dans le sol s'il a été vérifié comme une image, il a été classé comme un budgie dense ou une forêt dense, mais lorsque nous allons sur le terrain, nous trouvons qu'il s'agit d'une forêt ouverte non dense. Encore une fois, et les ensembles de formation doivent être modifiés et la classification doit être refaite de nouveau pour qu'elle corresponde à la vérité au sol. Il y a donc beaucoup de subjectivité, il n'y a pas moins le but principal ici est de réduire le nombre que vous connaissez l'image que je dis en continu et à travers ces techniques de classification nous réduisons dans certaines catégories et discrétisons le jeu complet de données en peu de classes. Cela amène à la fin de cette brève discussion sur la classification supervisent merci beaucoup.