Support Vector Machine

Présentation au sujet: "Support Vector Machine"— Transcription de la présentation:

1 Support Vector Machine
FUSION DE DONNEES LiDAR ET MULTISPECTRALES Etude des techniques de segmentation, de classification et d’extraction de données LiDAR, d’images multispectrales et de leur fusion Proposition d’une 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 L’objectif de cette recherche est de développer une technique permettant la fusion des données afin de procéder à une classification rapide et efficace à l’aide d’un algorithme choisi. Certaines contraintes se posent alors telles que les différentes résolutions spatiales de l’image et du nuage de points ou encore le choix de l’algorithme. L’étude des précédentes recherches a permis de déterminer une nouvelle approche qui consiste à créer plusieurs rasters à l’aide des données de différentes sources, de les assembler afin de n’obtenir qu’un seul et unique raster composé de plusieurs couches, et pour finir d’utiliser un algorithme de classification supervisée sur le raster créé́. Classification Support Vector Machine Algorithme choisi : Support Vector Machine (SVM) ► supervisé ► méthode statistique ► peu de zones échantillons pour l’apprentissage (polygones au format shape) ► définir un hyperplan : minimiser la marge maximale (distance entre l’hyperplan et les échantillons les plus proches) Trois différentes catégories sont choisies : Voirie Bâtiments Végétation GEMI SAVI NDVI Hauteur Zones échantillons Classification SVM 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 d’altitude entre les points du sursol par rapport au MNT : image multispectrale nuage de points LiDAR Zone étudiée : ville de Strasbourg (Bas-Rhin, France) ► quartiers de la Krutenau, de l’Esplanade et le centre historique. Résultats WGS dans la projection UTM zone 32N. Méthode d’estimation 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). Nombre de points: 122,000 Densité: 1.3 points / mètre carré Système : NTF dans la projection Lambert zone I. Date : le 5 Septembre 2004 Erreur de Commission 6.69 % Précision pour l'utilisateur 93.31 % Erreur d'Omission 9.68 % Précision pour le réalisateur 90.32 % Erreur d’Affectation 16.37 % Précision totale 83.63 % Comparaison : vert = bien classé – rouge = mal classé = couche hauteur (LiDAR) + NDVI + SAVI + GEMI (Image satellite) 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 s’avère 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%. Couches Précision totale de la classification NDVI + SAVI + GEMI 63.1 % NDVI + SAVI + H 84.3 % GEMI + SAVI + H 83.7 % NDVI + GEMI + H NDVI + H 84.2 % SAVI + H 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 l’image multispectrale et fournissant des informations sur la présence ou non d’élément végétal. Conclusion Bande Rouge Bande PIR Bande Bleue Calcul des indices GEMI SAVI NDVI Les différents tests effectués permettent de définir les éléments indispensables à une bonne classification: une couche issue du lever LiDAR, reprenant l’information concernant la hauteur des points du sursol, et une issue de l’image multispectrale, avec le calcul d’un 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 l’algorithme SVM et les polygones délimitant les zones d’apprentissage. De plus, la résolution spatiale des données et l’espacement temporel entre les acquisitions influenceront aussi nos résultats. Il est important d’avoir des données acquises dans un espace de temps réduit. Dans le futur, il sera intéressant de normaliser l’intensité de chaque point du lever LiDAR et d’utiliser cette donnée pour calculer l’indice NDVI. En effet, il est possible de substituer cette information à la bande du proche-infrarouge. L’indice pourra alors être de nouveau calculé avec cette nouvelle bande et la bande rouge d’une image satellite ou d’une image aérienne (meilleure résolution spatiale). Cette couche pourra être assemblée avec un raster reprenant les hauteurs des points avant d’être utilisée pour une classification avec l’algorithme SVM. Fusion des données GEMI SAVI NDVI Hauteur Les rasters créés doivent être assemblés afin de n’avoir que des rasters composés de plusieurs bandes et ainsi pouvoir parler de fusion des données. 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. UNSW, Samsung LIM High St, Kensington NSW 2052 AUSTRALIA INSA de Strasbourg - TOPOGRAPHIE Soutenance du XX Septembre 2013 Contact :