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

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

Interprétation automatique

Présentations similaires


Présentation au sujet: "Interprétation automatique"— Transcription de la présentation:

1 Interprétation automatique
Module 3B Interprétation automatique

2 Interprétation automatique
Plusieurs façons de faire des classifications Reconnaissance des formes Intelligence artificielle

3 Interprétation automatique
Reconnaissance des formes (pattern recognition): branche des sciences informatiques  appliquées aux images : identifier des objets sur des images via l’extraction des trais caractéristiques (teinte/couleur, texture, etc.) d’une quantité importante des données bruitées (définition adaptée de Gonzalez, 1978) Espace de représentation

4 Interprétation automatique
Intelligence artificielle: branche des sciences informatiques  appliquées aux images : créer des machines capables de raisonner à la manière d’un photo-interprète Systèmes experts; systèmes à base de connaissances Vision par ordinateur; systèmes de compréhension d’images; Réseaux neuromimétiques; algorithmes génétiques, etc.

5 Reconnaissance des formes: Classification multispectrale

6 Les traits diagnostiques
Agencement spatial/voisinage Géométrie des figures Statistiques spatiales Arêtes / Linéaments Texture Teinte/Couleur Mesures Contrairement aux traits diagnostiques évalués qualitativement lors de la photo-interprétation, les traits diagnostiques utilisés en classification sont des mesures que nous pouvons prendre sur les images.

7 Les teintes & couleurs

8 Les teintes/couleurs Bande rouge Bande PIR L’histogramme nous donne une bonne idée de la distribution des teintes de gris dans une bande spectrale. Les pics  les valeurs les plus fréquentes des classes en présence; Les fonds des vallées  Les valeurs limites des classes

9 À quelles classes correspondent les pics?
Teinte  dépend du flux Le flux  dépend de la réflectance

10 À quelles classes correspondent les pics?
Teinte  dépend du flux Le flux  dépend de la réflectance

11 L’histogramme à deux dimensions

12 L’histogramme à deux dimensions
Plus facile de départager les classes

13 L’histogramme à n-dimensions → n bandes spectrales
En mathématiques on peut étendre cette notion de l’histogramme à plus de deux dimensions et construire ainsi des histogrammes en trois, quatre, …, n dimensions. Nous pouvons ainsi mieux mettre en application le principe de la télédétection selon lequel chaque objet (ou classe d’objets) a sa propre signature dans le spectre. En d’autres mots en utilisant plusieurs bandes spectrales nous pouvons en trouver au moins une où la réflectance d’un objet quelconque diffère significativement de celle des tous les autres objets. En travaillant à plus de 3-dimensions nous passons grâce aux mathématiques d’aller au-delà de notre propre capacité de différencier les objets par leur couleur.

14 Les classificateurs Les programmes informatiques appelés «classificateurs» opèrent de cette manière: Dans un premier temps, ils prélèvent un échantillon des pixels des images et ils construisent un histogramme à des dimensions égales au nombre de bandes spectrales utilisées. Ils cherchent alors d’une façon automatique les pics et les fonds des vallées des histogrammes.

15 Les classificateurs Dans le jargon de la reconnaissance des formes, l’espace à plusieurs dimensions où l’on construit notre histogramme est appelé ‘espace de représentation’. Les fonds des vallées sont appelés les limites des classes, et les sous-espaces circonscrits par ces limites, les domaines des classes. Une fois les domaines trouvés, il est facile de classifier l’ensemble des pixels de l’image. Les valeurs d’un pixel quelconque sont considérés comme des coordonnées pour localiser ce pixel dans l’espace de représentation. La classe correspondant au domaine où ce pixel est localisé devient automatiquement la classe du pixel en question.

16 Chaque pixel constitue une unité géographique dont la classe d’appartenance est recherchée Chaque pixel est caractérisé par son vecteur de mesures (pattern)

17 L’espace de représentation et les méthodes de classification
Idéalement, chaque classe d’objets est représentée par un point unique dans cet espace. À cause des variations des conditions d'illumination et des 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

18 F C B Bande 1 Bande 2 S x F : feuillus C : conifères B : béton S : sol à nu Exemple Quatre domaines ont été identifiés, le pixel X dont la classe est recherchée, est représenté dans l’espace de représentation par un point. Il tombe dans le domaine de feuillus…la classe feuillus lui est alors assignée.

19 Les classificateurs dirigés et non dirigés
Nous pouvons procéder de deux façons : soit fournir au classificateur des échantillons de pixels distincts par classe ou laisser le classificateur sans « direction » à établir par tâtons les classes présentes sur les images. La première façon est appelée classification dirigée et la deuxième, classification non dirigée.

20 La classification dirigée par distance minimale
Une classification dirigée: l’utilisateur fournit des échantillons de pixels par classe L’algorithme calcule le centre de chaque classe (moyennes) Illustration

21 Distance minimale Parmi ces distances quelle est la plus courte?
Etc. Parmi ces distances quelle est la plus courte? On assigne le pixel 1 à la classe pour laquelle la distance est minimale

22 Les domaines des classes
L’algorithme n’a pas besoin de chercher ces limites. Définition implicite.

23 Exemple: image SPOT-5 avec 4 bandes spectrales
Les échantillons fournis au classificateur qui calcule le centre de chaque classe.

24 Suite de l’exemple Un pixel de l’image prend les valeurs suivantes dans les quatre bandes: [ ]. À quelle classe appartient-il? Le classificateur calcule dans l’espace de représentation les distances entre le pixel et tous les centres des classes (6 ici) … pour les autres classes Le pixel est attribué à la classe dont le centre est le plus proche du pixel. Dans cet exemple: la classe 5

25 La pratique: choix des échantillons par classe

26 La classification finale selon les échantillons fournis

27 Exemple: image SPOT à 4 bandes

28 Choix de pixels échantillons
Classes: Eau; Gazon; Boisés; Sol à nu; Bâti; Surfaces pavées.

29 Diffusogrammes ROUGE-PIR
Image entière

30 Diffusiogrammes ROUGE-PIR
Image entière EAU

31 Diffusogrammes ROUGE-PIR
Image entière GAZON

32 Diffusiogrammes ROUGE-PIR
Image entière BOISÉ

33 Diffusiogrammes ROUGE-PIR
Image entière SOL À NU

34 Diffusiogrammes ROUGE-PIR
Image entière BÂTI

35 Diffusiogrammes ROUGE-PIR
Image entière SURFACES PAVÉES

36 CLASSIFICATION FINALE
Eau Gazon Boisés Sol à nu Bâti Surfaces pavées


Télécharger ppt "Interprétation automatique"

Présentations similaires


Annonces Google