introduction à la classification des données de télédétection · u.m.r. tetis module...

UMR TETIS Cemagref-CIRAD-ENGREF

Introduction à la classificationdes données de télédétection

5 mars 2007

U.M.R. TETIS Module Extraction de l’information en télédétection 2/�48

Plan

• Principes généraux– Classifications, évaluation, post-classification

• Classification : Approche supervisée– Extraction de l'information utile– Stratification– L’apprentissage– Classifications supervisées

• Classification : Approche non supervisée• Évaluation de la classification• Post-classification• Méthodes récentes

– Approche Orienté-Objet– Classifications floues


Principe général (1/3) Les éléments de la classification

• Problème général de classification– Ranger des individus caractérisés par des variables

dans des classes

• En télédétection :– Individus = pixels

– Variables = canaux spectraux

– Classes = nomenclature


Image de départ(2 canaux)

Image classée

Analysede l'image

Canal n°1

Canal n°2

Partition del'espace des variables

Principe général (2/3)De “l’espace” géographique à “l’espace” radiométrique

Classification des pixelsGénéralisation


• Approche non-supervisée (non dirigée) :� partition automatique de l'espace des variables

� intervention post-classification

• Approche supervisée (dirigée) :� partition dirigée de l'espace des variables à l'aide de

données de terrain

�intervention du thématicien avant, pendant et après laclassification

Principe général (3/3) Modes de partition de l'espace des variables


Choix des variables (canaux originaux ou néo-canaux)

Sélection desdonnées utiles

Découpage de l’espace en “ zones d’iso-raisonnement ”

Stratification

Approche supervisée Étapes de la démarche dirigée

App

roch

e su

pervisée

Cartes thématiques, statistiques de l’occupation du sol...

Restitutiondes résultats

Confrontation du résultat de la classificationaux connaissances de terrain

Évaluation

Application des règles de décision à l’ensemble des pixels à classer

Classification

Définition des règles de décision à partir des zones de référence

Apprentissage


Choix des variables (canaux)pour la classification :

ne retenir que l'information utilecompte tenu des objectifs assignés


Stratification

Apprentissage

Classification

App

roch

e su

pervisée

Résultats

Evaluation

Sélection des données utiles (1/2)

Objectif :


• Critères statistiques– élimination de canaux trop redondants (matrice de corrélation)

– Canaux synthétiques décorrélés (ACP) - mais attention perte desens physique

• Critères physiques– intérêt thématique d'un canal (ex : PIR pour le thème "eau")

– création de nouveaux canaux (ex. indice de végétation)

Sélection des données utiles (2/2)Selon critères

App

roch

e su

pervisée


segmenter l'image en partiesde même apparence

définir des zonesd'égale valeur de raisonnement

Objectif :

A

pproch

e su

pervisée


Stratification

Apprentissage

Classification

Résultats

Evaluation

La stratification (1/6)


variabilité géographique variabilité spectrale

exemple lié à la cible

même réponse pour 2 classessur 2 milieux différents

cas n°1 cas n°2

La stratification (2/6)Quand faut-il stratifier ?

App

roch

e su

pervisée

Milieu en eau Milieu terrestre

réponse différ. pour même classesur 2 situations topo

Stratification par type de sol Stratification avec MNT


La stratification (3/6) Critères endogènes à l’image

• Stratification manuelle par photo-interprétation destextures et structures

• Stratification automatique :– classification sommaire (seuillage)– classification automatique– application de filtres passe-bas afin de faire apparaître les

grandes unités de l'image

• Difficulté : relier ces segmentations à desdéterminants physiques

App

roch

e su

pervisée


Seuillage

limite de la zone incendiée

image SPOT (niveau 1B)

Séparation zone brûlée / zone non brûlée

La stratification (4/6)exemple de critère endogène

App

roch

e su

pervisée


La stratification (5/6) Critères exogènes à l’image

• Recherche du zonage pertinent– carte pédo-géologique

– carte agro-pédologique

– carte des petites régions naturelles

– carte agro-climatique

– modèle numérique de terrain (MNT) ...

• informations à introduire dans la géométrie de l'imageApp

roch

e su

pervisée


La stratification (6/6) exemple de critère exogène

Etude de la reprise végétale en tenant compte de l' antécédent forestierau travers de la cartographie de l'Inventaire Fores tier National (IFN)

Cartographie forestièreavant incendie (IFN)

Image SPOT(normalisation du relief souhaitable)

App

roch

e su

pervisée

Classesforestières

avantincendie

= strates pour analyse du

comportement radiométrique


1. établir la nomenclature dela classification

2. fournir les échantillonspermettant d'initialiser etde valider la classification

Objectifs :

A

pproch

e su

pervisée


Stratification

Apprentissage

Classification

Résultats

Evaluation

L’apprentissage (1/8)


• Localiser, extraire et caractériser les composantes d'unéchantillon représentatif

• La démarche d'échantillonnage dépend du type de paysage

– paysage présentant des limites claires (ex : parcellaire agricole)

– paysage sans limites claires (ex : zone de continuum végétalex. maquis)

• Plusieurs types d'apprentissage

L’apprentissage (2/8)Principes et contraintes

App

roch

e su

pervisée


Aléatoire

Systématique

Raisonné

Globale

Stratifiée

Point

Ligne (transect)

Surface (Segment)

Positionnement

Entité géographique enquêtée

Stratification

L’apprentissage (3/8)éléments de conception

App

roch

e su

pervisée


L’apprentissage (4/8) objets support d’apprentissage

• Points : méthode par tirage aléatoire ou systématique

• Segments à frontières repérables sur le terrain : méthode desondage stratifiée, aléatoire ou systématique

• Segments à forme géométrique (carré) : méthode de sondagealéatoire ou systématique

• Itinéraire : méthode de sondage raisonnéeobservation de parcelles le long d'un itinéraire

• Unité type : méthode de sondage raisonnée et stratifiéeexemple : ensemble des terres d'une exploitation "moyenne"�

App

roch

e su

pervisée


L’apprentissage (5/8)Eléments de choix (1)

• Tenir compte :– de la résolution du capteur

– de la taille des objets

– des hétérogénéités spatiales

– de l’objet d’étude (saison / phénologie / dynamique)

�� Problème de nomenclature et de niveau d’organisationApp

roch

e su

pervisée


L’apprentissage (6/8) Eléments de choix (2)

• Si la taille des objets >> à la résolution– faibles contraintes dans la collecte (enquêtes par point, par transect,

par segment) : cas des régions à "limites nettes".

• Si la taille des objets << à la résolution– fortes contraintes dans la collecte (ex. enquêtes par transect) :

cas des régions à "limites floues"– recherche de motifs paysagers, de structurations spatiales, etc.

• Si l’objet d’étude varie beaucoup d’une saison à l’autre– choisir la bonne période en fonction des possibilités d’acquisition

des satellites : cas des régions agricoles, urbaines...

App

roch

e su

pervisée


L’apprentissage (7/8)Échantillonnage par segments carrés

enquête du segment

(souvent avec aide photo aérienne,

même ancienne de qqs années)

Positionnement des segments :

- taux de sondage

- superficie des segments

App

roch

e su

pervisée

• Avantages– Bon compromis résultats / temps passé (sous réserve représentativité

des segments)


• Validation intra-classe– vérifier l'homogénéité radiométrique de chaque échantillon

et des échantillons appartenant à la même classe

– vérifier les hypothèses à la base des méthodes de classification

ex : hypothèse gaussienne

• Validation inter-classe– comparaison des populations de pixels

– matrice de confusion en pré-classification(cf. évaluation)

L’apprentissage (8/8)Validation de l’apprentissage

App

roch

e su

pervisée


1 - Choix d'un modèle de classification

2 - Définition des paramètres de ce modèle

3 - Application à l'image

Trois étapes :

App

roch

e su

pervisée


Stratification

Apprentissage

Classification

Résultats

Evaluation

Classifications – Généralités (1/2)


Classifications - Généralités (2/2)Les méthodes de classification

Supervisée Non supervisée

Métrique

Arithmétique

Statistique

Méthodes

Type de classification

��

��

��

��


100

20

image brute

canal XS3

canal XS2

1

image classée

canal XS3

canal XS2

1 2

34

100

20

Classifications supervisées (1/7)Principe général

App

roch

e su

pervisée


Classifications supervisées (2/7)méthodes disponibles

• Méthode de classification de type métrique– exemple : classification par distance minimum

• Méthode de classification de type arithmétique– exemple : classification par hypercube

• Méthode de classification de type statistique– exemple : classification par maximum de vraisemblance

sous hypothèse gaussienne

App

roch

e su

pervisée


canal 2

canal 1

exemple :Distance euclidienne

Pixel classé dans classedont il est le plus proche

centres des classesestimés à partir despixels d'apprentissage(barycentre)

Limites de classe :Médiatrices des segments

reliant les centres de classes

Centre classe 1

Centre classe 2

Centre classe 3

Classification supervisée (3/7) de type métrique par distance minimum

App

roch

e su

pervisée


Cette méthode n'utilise :- ni la notion de distance,- ni d'hypothèse sur les propriétés de distribution des valeurs

radiométriques des pixels dans l'espace des variabl es

Blé

canal 1

canal 2

Orge

Forêt

Maïs

VigneVerger

problème desrecouvrementsentre classes

Classification supervisée (4/7)de type arithmétique par hypercube (ou méthode des bornes)

App

roch

e su

pervisée


compte numérique (canal XS3)

nb de pixels

blanc

noir

seuil0 255

extraction de l’eau

cas de 2classes

Classification supervisée (5/7) de type arithmétique par seuillage

App

roch

e su

pervisée


P(x/C2)

P(x/C1)

X

Fon

ctio

n de

den

sité

de

prob

abili

té

représentation des fonctions de densités

de probabilités conditionnelles d’un

attribut x pour des points images

provenant de 2 classes C1 et C2

q = 1, 2, ...

∫+∞

∞−

= 1)./( dxCqxp

La règle de Bayes permet de calculer :

∑=

==,...2,1

)()./()()(

)()./()/(

q

CqpCqxpxpavecxp

CqpCqxpxCqp

Classification supervisée (6/7)de type statistique : maximum de vraisemblance

App

roch

e su

pervisée


Le choix de la méthode dépend de la structure des d onnées.Mais seule l'approche statistique permet d'atteindr e un taux d'erreur minimal

Classifications supervisées (7/7)Comparaison des méthodes de classification supervisée

classification pardistance minimale

Canal 2

Canal 1

classification parhypercubes

Canal 2

Canal 1

classification parmaximum de vraisemblance

Lignes d'équidensitéde probabilité

Canal 2

Canal 1


C1xC2xC3x

Tirage au hasard des centres

C1xC2x C3x

Constitution des classes L’utilisateur

départ :

choix du nombre declasses

critères d’arrêt desitérations :

choix du nombre maximaldes itérations (k)

OU

seuil de stabilité desclasses

Approche non supervisée (1/2)méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques)

astuce : choisir double dunbre souhaité de classes

C’1x

C’2x

C’3x

Calcul des nouveaux centres

C’’ 1x

C’’ 2x

C’’ 3x

Constitution des classes

K itérations


92

91

96

95

9493

60

70

80

90

100

110

120

130

40 50 60 70 80 90 100 110 120

Rouge

Pro

che

Infr

a R

ouge

Année4

12

3

59

10

867

Numéro de la classe

12345678910

91

96

exemple : cartographie en 10 classesà partir de

6 images SPOT (1991 à 1996)

Approche non supervisée (2/2)méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques)


étape essentielle de la démarche de cartographie


Stratification

Apprentissage

Classification

App

roch

e su

pervisée

vérification de lacohérence des paramètres

de classification

validation du modèlede classification

parcelles enquêtées

validationterrain

Evaluation

Résultats

Évaluation de la classification (1/10)


La précision des résultats cartographiques peut être évaluée par :

– la précision géométrique• précision de la délimitation des limites des objets

– la précision sémantique• identification du contenu des objets cartographiés

Évaluation de la classification (2/10)Composantes de l'évaluation


• Il existe une limite théorique de la précision :– fonction du taux de pixels thématiquement "purs",

– lui même relié à la résolution du capteur et à la taille des objets

• L'évaluation de la précision n'a qu'une valeur relative,– la référence elle-même étant une représentation du terrain

(la ‘vérité-terrain’ existe-t-elle ?)

Évaluation de la classification (3/10)Conditions de l'évaluation


• Évaluation globale :– évaluation qualitative :

• Comparaison visuelle avec des données exogènes (photo-aériennes, cartes, etc.)

– évaluation quantitative :• comparaison des superficies obtenues avec des données

exogènes (statistiques agricoles, etc.)

• comparaison des populations de pixels provenant des parcelles d'apprentissage avec celles provenant de la cartographie obtenue

• Évaluation spatialisée

Évaluation de la classification (4/10)Types d'évaluation


Évaluation de la classification (5/10) Notion de précision statistique et géographique

A B

A B

A Bvérité terrain

classifications

Précision

statistique

100%

100%

géographique(cartographique)

100%

0%


Évaluation de la classification (6/10) évaluation spatialisée à l’aide de la matrice de confusion

Xij : nb de pixels appartenant sur le terrain à la classe Cj et classés dans CiX.j : somme des Xij sur la colonne jXi. : somme des Xij sur la ligne iX.. : somme en ligne et en colonne (nombre total de pixels d�’apprentissage)

X1 … X1j … X1n X1....Xi … Xij … Xin Xi.

...X … Xnj … Xnn Xn.

X. … X.j … X.n X..

Classification

Vérité-terrain

Xii


Évaluation de la classification (7/10)Précisions et Types d’erreur

• Paramètres par classe dérivés de la matrice de confusion :• Précision du producteur (producer’s accuracy)

- probabilité pour un pixel de la classe Ck sur le terrain d’être bienclassé en Ck sur la carte : EC = (Xkk/X.k)*100

- Complément à 100% : Erreur de commission

• Précision de l'utilisateur (user’s accuracy)- probabilité pour un pixel classé en Ck sur la carte d’appartenir à Ck sur

le terrain EO = (Xkk/Xk.)*100- Complément à 100% : Erreur d’omission

• Erreur statistiqueproportion de pixels classés en Ck par rapport au nombre de pixels

réellement en Ck sur le terrainEA = (Xk./X.k)*100


Evaluation de la classification (8/10) Types d’erreur

• Quelques paramètres globaux dérivés de la matrice de confusion

• Erreur de commission moyennemoyenne des EC sur les n classes

• Erreur d’omission moyennemoyenne des EO sur les n classes

• Précision géographique globalesomme de la diagonale

PGG = [(ΣΣΣΣiXij)/X..]*100


Evaluation de la classification (9/10)matrice de confusion

exemple : 5 classes avec 100 pixels par classe

Précision géographique Précision statistique

Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Total

Classe 1 100 100

Classe 2 10 50 10 5 25 100

Classe 3 80 20 100

Classe 4 20 10 65 5 100

Classe 5 0 15 5 5 75 100

Total 110 85 105 95 105 500

Classification

Ter

rain


• Dans le cas de classifications pixel à pixel– 1 pixel = 1 objet

• Lors de l'apprentissage (en pré-classification)– cohérence des paramètres estimés pour le modèle de classification, mais ce

n'est pas une validation !

• Pour valider le modèle de classification– à partir de parcelles de validation (non utilisées lors de l'apprentissage)

– ces parcelles doivent constituer un échantillon représentatif et couvrir defaçon homogène le territoire

Evaluation de la classification (10/10)Emploi de la matrice de confusion


• Processus itératif «�classification / évaluation�» : améliorationprogressive

• Amélioration à partir des matrices de confusion– redécoupages de classes radiométriques en sous-classes avant de relancer

la classification– regroupements visuels ou numériques des sous-classes d’une même classe– regroupement des classes thématiques trop confondues

• Probabilité de correcte affectation (max. de vraisemblance)– utilisation du plan de probabilité comme plan masque pour retravailler les

pixels classés avec une faible probabilité– modification du seuil de rejet avant de relancer la classification

Post-classification (1/2) Amélioration des images classées


• Probabilité à priori (max. de vraisemblance)– pondération des classes en fonction de leur répartition dans la réalité (selon

données statistiques, expertises …)– utile pour retravailler les classes qui se confondent

=> amélioration des statistiques

• Choix de l’algorithme et de l’approche de classification

• Filtrage des images classées– ex : filtre d’homogénéisation

• Introduction de variables exogènes– comme néocanaux (ex: pente, altitude…)– comme plans masques (ex: villes et réseaux tirés de BD IGN)– comme éléments d’homogénéisation (ex: limites du parcellaire)

Post-classification (2/2)Amélioration des images classées


Autres approches de classification Approche Orienté-Objet (AOO)

• Contexte AOO en télédétection– Imagerie THR : augmentation hétérogénéité

ex. variabilité intra-parcellaireex. forêt -> arbre -> composantes de l'arbre :(1) partie du houppier au soleil, (2) partie du houppier à l'ombre, (3) ombre portée

• Objet d'intérêt : segment (≠≠≠≠ pixel)• Méthode

– Segmentation– Calcul de paramètres par segment

• radiométriques : moyenne, écart-type, texture• Identification des segments voisins

• Exemple d'intérêt– Arbre = 3 segments côte à côte, de taille et radiométrie correspondant aux

3 composantes (1) houppier au soleil, (2) houppier à l'ombre, (3) ombre portée


Autres approches de classification Classifications floues (1/2)

• Logique booléenne– Ex. classification sur 3 classes, variable taille

• frontière franche, étanche à x = x0 :avant x0 : n'appartient pas, après x0 : appartient

– Logique booléenne dans• Plus proche voisin, hypercube,

maximum vraisemblance…

• Logique floue (fuzzy logic)– Frontière floue

• Variation progressive de probabilité

d'appartenance sur intervalle [x0, x1]

x0 x1


Autres approches de classification Classifications floues (2/2)

• Combinaison de fonctions d'appartenance– Par ex. par pondération des canaux

introduction à la classification des données de télédétection · u.m.r. tetis module...

Documents