classification support vector machine algorithme choisi : support vector machine (svm) supervisé...
TRANSCRIPT
Classification
Support Vector Machine
Algorithme choisi : Support Vector Machine (SVM)► supervise ► methode statistique ► peu de zones echantillons pour
l’apprentissage (polygones au format shape)
► definir un hyperplan : minimiser la marge maximale (distance entre l’hyperplan et les echantillons les plus proches)
Trois differentes categories sont choisies : Voirie Bâtiments Vegetation
Conclusion
INSA de Strasbourg - TOPOGRAPHIE
Soutenance du XX Septembre 2013
Contact : [email protected]
UNSW, Samsung LIMHigh St, Kensington NSW 2052AUSTRALIA
FUSION DE DONNEES LiDAR ET MULTISPECTRALES
Etude des techniques de segmentation, de classification et d’extraction de donnees LiDAR, d’images multispectrales et de leur fusion
Proposition d’une nouvelle technique de traitement de la fusion des donnees et analyse des resultats
Ophelie SINAGRA
Mots clésLiDAR – Images multispectrales – Classification supervisee – Support Vector Machine (SVM) – Indices multispectraux – Hauteur
Introduction L’objectif de cette recherche est de developper une technique permettant la fusion des donnees afin de proceder a une classification rapide et efficace a l’aide d’un algorithme choisi. Certaines contraintes se posent alors telles que les differentes resolutions spatiales de l’image et du nuage de points ou encore le choix de l’algorithme. L’etude des precedentes recherches a permis de determiner une nouvelle approche qui consiste a creer plusieurs rasters a l’aide des donnees de differentes sources, de les assembler afin de n’obtenir qu’un seul et unique raster compose de plusieurs couches, et pour finir d’utiliser un algorithme de classification supervisee sur le raster creeB .
Données
Image multispectrale
LiDAR
Deux types de donnees :
Capteur : QuickBird. 4 Bandes : bleue, rouge, verte et
proche-infrarouge Resolution spatiale : 2.44 mètres. Système : Date : 10 Mai 2002
Fusion
Hauteur
Indices de végétation
Fusion = Assemblage de couches en un seul raster
LiDAR : coordonnees tridimensionnelles ► Extraction des informations et conversionTrois pour la creation du raster representant la variation d’altitude entre les points du sursol par rapport au MNT :
Fusion des données Les rasters crees doivent être assembles afin de n’avoir que des rasters composes de plusieurs bandes et ainsi pouvoir parler de fusion des donnees.
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 vegetation : indicateurs numeriques utilisant plusieurs bandes de l’image multispectrale et fournissant des informations sur la presence ou non d’element vegetal.
Bande Rouge
Bande PIR
Bande Bleue
Calcul des indices
GEMISAVINDVI
GEMISAVINDVI
Hauteur
Zones échantillons
Classification SVM
Résultats
• Methode d’estimation de la qualite de la classification : Comparaison avec une reference• Reference : nuage de points LiDAR classe manuellement + indice NDVI (les donnees etant
acquises a des moments differents, la vegetation a beaucoup evolue. Les pixels de la couche NDVI dont les comptes numeriques ont une valeur superieure a 0,2 ont ete extraits et utilises dans la reference).
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 %
Tests supplémentaires
Determination des couches importantes: classification effectuee sur des rasters comprenant moins de couches (une ou deux couches ont ete supprimees).Seule la couche hauteur (issue du lever LiDAR) combinee avec la couche NDVI ou avec la couche SAVI s’avère utile: la precision de la classification est alors de 84.2%. Lorsque les informations issues du LiDAR ne sont pas utilisees la precision de la classification baisse de près de 20%.
CouchesPrécision totale de
la classification
NDVI + SAVI + GEMI 63.1 %NDVI + SAVI + H 84.3 %GEMI + SAVI + H 83.7 %NDVI + GEMI + H 83.7 %
NDVI + H 84.2 %SAVI + H 84.2 %
Les differents tests effectues permettent de definir les elements indispensables a 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 qualite de la classification et auxquels il est primordial de porter une grande attention sont les paramètres de l’algorithme SVM et les polygones delimitant les zones d’apprentissage. De plus, la resolution spatiale des donnees et l’espacement temporel entre les acquisitions influenceront aussi nos resultats. Il est important d’avoir des donnees acquises dans un espace de temps reduit.
Dans le futur, il sera interessant de normaliser l’intensite de chaque point du lever LiDAR et d’utiliser cette donnee pour calculer l’indice NDVI. En effet, il est possible de substituer cette information a la bande du proche-infrarouge. L’indice pourra alors être de nouveau calcule avec cette nouvelle bande et la bande rouge d’une image satellite ou d’une image aerienne (meilleure resolution spatiale). Cette couche pourra être assemblee avec un raster reprenant les hauteurs des points avant d’être utilisee pour une classification avec l’algorithme SVM.
SolutionsTransformation avec polynôme du
premier degreRecalage des grilles
Problèmes rencontresDifferents systèmes de coordonnees et
differentes projections.Decalage entre les grilles du raster issu du
LiDAR et des rasters issus des bandes multispectrales.
WGS dans la projection UTM zone 32N.
GEMISAVINDVI
Hauteur
• image multispectrale • nuage de points LiDAR
Zone etudiee : ville de Strasbourg (Bas-Rhin, France) ► quartiers de la Krutenau, de l’Esplanade et le centre historique.
• Nombre de points: 122,000• Densite: 1.3 points / mètre carre• Système : NTF dans la projection Lambert zone I.• Date : le 5 Septembre 2004
= couche hauteur (LiDAR) + NDVI + SAVI + GEMI (Image satellite) Comparaison : vert = bien classe – rouge = mal classe