Extraction de caractéristiques pour la classification d’images

Présentation au sujet: "Extraction de caractéristiques pour la classification d’images"— Transcription de la présentation:

1 Extraction de caractéristiques pour la classification d’images
Faculté des Sciences – Rabat Extraction de caractéristiques pour la classification d’images satellitaires que l’on peut représenter en niveaux de gris 19/02/2019 RIA06 Hanifi Majdoulayne

2 Introduction aux images satellitaires Démarche et résultats Conclusion
Plan Introduction aux images satellitaires Démarche et résultats Conclusion

3 Introduction aux images satellitaires
Analyse Interprétation But : Extraction d’information Reconnaissance d’objets Classification 19/02/2019 RIA06 Hanifi Majdoulayne

4 RIA06 Hanifi Majdoulayne
Définition Une image satellitaire naît d’un capteur situé sur le satellite, et d’une scène observée. Un capteur est caractérisé par un certain nombre de bandes, de 1 à 200, dont chacune correspond à une longueur d’onde. Le capteur synthétise pour chaque bande une image en niveau de gris Dans notre travail, et dans un premier temps, nous allons traiter les images satellites de type SPOT. que l’on peut représenter en niveaux de gris 19/02/2019 RIA06 Hanifi Majdoulayne

5 RIA06 Hanifi Majdoulayne
Démarche Notre travail se situe au niveau de quatre étapes : Découpage l’image en des régions pour faire l’apprentissage. Prétraitement des textures basé sur le codage des niveaux de gris. diminuer la taille de la matrice de cooccurrence (9*9 au lieu de 256*256) Extraction de caractéristiques de texture. Classification. 65 45 14 25 21 55 78 7 Il consiste à affecter à chaque pixel d’une région une valeur résumant une certaine information locale autour de ce dernier. 19/02/2019 RIA06 Hanifi Majdoulayne

6

7 Résultats Nombre d’exemples par classe
Précision globale de classification(%) Avec codage 18 66.20 Sans codage 55.46 Sans codage Avec codage Mer Zone urbaine Forêt Sol Route 58% 96% 10% 83% 87% 100% 30% 50% 19/02/2019 RIA06 Hanifi Majdoulayne

8 RIA06 Hanifi Majdoulayne
Conclusion La classification par SVM utilisant l’approche de codage a fourni de bons résultats. Pour retrouver des classes plus reconnaissables : Base d’apprentissage plus pertinente. Varier les paramètres intervenants. 19/02/2019 RIA06 Hanifi Majdoulayne