La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Classification Support Vector Machine Algorithme choisi : Support Vector Machine (SVM) supervisé méthode statistique peu de zones échantillons pour lapprentissage.

Présentations similaires


Présentation au sujet: "Classification Support Vector Machine Algorithme choisi : Support Vector Machine (SVM) supervisé méthode statistique peu de zones échantillons pour lapprentissage."— Transcription de la présentation:

1 Classification Support Vector Machine Algorithme choisi : Support Vector Machine (SVM) supervisé méthode statistique peu de zones échantillons pour lapprentissage (polygones au format shape) définir un hyperplan : minimiser la marge maximale (distance entre lhyperplan et les échantillons les plus proches) Trois différentes catégories sont choisies : Voirie Bâtiments Végétation Conclusion INSA de Strasbourg - TOPOGRAPHIE Soutenance du XX Septembre 2013 Contact : UNSW, Samsung LIM High St, Kensington NSW 2052 AUSTRALIA FUSION DE DONNEES LiDAR ET MULTISPECTRALES Etude des techniques de segmentation, de classification et dextraction de données LiDAR, dimages multispectrales et de leur fusion Proposition dune nouvelle technique de traitement de la fusion des données et analyse des résultats Ophelie SINAGRA Mots clés LiDAR – Images multispectrales – Classification supervisée – Support Vector Machine (SVM) – Indices multispectraux – Hauteur Introduction Lobjectif de cette recherche est de développer une technique permettant la fusion des données afin de procéder à une classification rapide et efficace à laide dun algorithme choisi. Certaines contraintes se posent alors telles que les différentes résolutions spatiales de limage et du nuage de points ou encore le choix de lalgorithme. Létude des précédentes recherches a permis de déterminer une nouvelle approche qui consiste à créer plusieurs rasters à laide des données de différentes sources, de les assembler afin de nobtenir quun seul et unique raster composé de plusieurs couches, et pour finir dutiliser un algorithme de classification supervisée sur le raster créé́. Données Image multispectrale LiDAR Deux types de données : Capteur : QuickBird. 4 Bandes : bleue, rouge, verte et proche-infrarouge Résolution spatiale : 2.44 mètres. Système : Date : 10 Mai 2002 Fusion Hauteur Indices de végétation Fusion = Assemblage de couches en un seul raster LiDAR : coordonnées tridimensionnelles Extraction des informations et conversion Trois pour la création du raster représentant la variation daltitude entre les points du sursol par rapport au MNT : Fusion des données Les rasters créés doivent être assemblés afin de navoir que des rasters composés de plusieurs bandes et ainsi pouvoir parler de fusion des données. Classification des points du sol et du sursol Calcul de la hauteur des points du sursol Substitution à la coordonnée Z Conversion du nuage en raster résolution 2.44 m Hauteur Indices de végétation : indicateurs numériques utilisant plusieurs bandes de limage multispectrale et fournissant des informations sur la présence ou non délément végétal. Bande Rouge Bande PIR Bande Bleue Calcul des indices GEMI SAVI NDVI GEMI SAVI NDVI Hauteur Zones échantillons Classification SVM Résultats Méthode destimation de la qualité de la classification : Comparaison avec une référence Reference : nuage de points LiDAR classé manuellement + indice NDVI (les données étant acquises à des moments différents, la végétation a beaucoup évolué. Les pixels de la couche NDVI dont les comptes numériques ont une valeur supérieure à 0,2 ont été extraits et utilisés dans la référence). Tests supplémentaires Détermination des couches importantes: classification effectuée sur des rasters comprenant moins de couches (une ou deux couches ont été supprimées). Seule la couche hauteur (issue du lever LiDAR) combinée avec la couche NDVI ou avec la couche SAVI savère utile: la précision de la classification est alors de 84.2%. Lorsque les informations issues du LiDAR ne sont pas utilisées la précision de la classification baisse de près de 20%. Les différents tests effectués permettent de définir les éléments indispensables à une bonne classification: une couche issue du lever LiDAR, reprenant linformation concernant la hauteur des points du sursol, et une issue de limage multispectrale, avec le calcul dun indice multispectral par exemple. Les facteurs influant la qualité de la classification et auxquels il est primordial de porter une grande attention sont les paramètres de lalgorithme SVM et les polygones délimitant les zones dapprentissage. De plus, la résolution spatiale des données et lespacement temporel entre les acquisitions influenceront aussi nos résultats. Il est important davoir des données acquises dans un espace de temps réduit. Dans le futur, il sera intéressant de normaliser lintensité de chaque point du lever LiDAR et dutiliser cette donnée pour calculer lindice NDVI. En effet, il est possible de substituer cette information à la bande du proche-infrarouge. Lindice pourra alors être de nouveau calculé avec cette nouvelle bande et la bande rouge dune image satellite ou dune image aérienne (meilleure résolution spatiale). Cette couche pourra être assemblée avec un raster reprenant les hauteurs des points avant dêtre utilisée pour une classification avec lalgorithme SVM. Solutions Transformation avec polynôme du premier degré Recalage des grilles Problèmes rencontrés Différents systèmes de coordonnées et différentes projections. Décalage entre les grilles du raster issu du LiDAR et des rasters issus des bandes multispectrales. WGS dans la projection UTM zone 32 N. GEMI SAVI NDVI Hauteur image multispectrale nuage de points LiDAR Zone étudiée : ville de Strasbourg (Bas-Rhin, France) quartiers de la Krutenau, de lEsplanade et le centre historique. Nombre de points: 122,000 Densité: 1.3 points / mètre carré Système : NTF dans la projection Lambert zone I. Date : le 5 Septembre 2004 = couche hauteur (LiDAR) + NDVI + SAVI + GEMI (Image satellite) Comparaison : vert = bien classé – rouge = mal classé


Télécharger ppt "Classification Support Vector Machine Algorithme choisi : Support Vector Machine (SVM) supervisé méthode statistique peu de zones échantillons pour lapprentissage."

Présentations similaires


Annonces Google