D veloppement et  valuation de nouvelles m thodes de classification spatiale-spectrale dimages hyperspectrales

D veloppement et valuation de nouvelles m thodes de classification spatiale-spectrale dimages hyperspectrales PowerPoint PPT Presentation


  • 191 Views
  • Uploaded on
  • Presentation posted in: General

Download Presentation

D veloppement et valuation de nouvelles m thodes de classification spatiale-spectrale dimages hyperspectrales

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


2. Imagerie hyperspectrale : Haute résolution spectrale (quelques dizaines à quelques centaines de bandes, ???˜10 nm)? Bandes spectrales étroites et contigües : un pixel est un spectre finement échantillonné caractéristique du matériau observé Nous travaillerons exclusivement sur des images hyperspectrales, c'est-à-dire des images comportant un très grand nombre de bandes étroites et contigües s'étalant sur un certain intervalle de longueurs d'onde. Les méthodes de classification traitant ce genre de données le font le plus souvent uniquement du point de vue spectral et délaissent l'information contextuelle. L'objectif de la thèse est de développer une ou plusieurs méthodes traitant simultanément les deux informations. Ajouter un schéma avec 2/3 spectres, ne pas oublier de parler de la résolution spatiale.Nous travaillerons exclusivement sur des images hyperspectrales, c'est-à-dire des images comportant un très grand nombre de bandes étroites et contigües s'étalant sur un certain intervalle de longueurs d'onde. Les méthodes de classification traitant ce genre de données le font le plus souvent uniquement du point de vue spectral et délaissent l'information contextuelle. L'objectif de la thèse est de développer une ou plusieurs méthodes traitant simultanément les deux informations. Ajouter un schéma avec 2/3 spectres, ne pas oublier de parler de la résolution spatiale.

3. Extraction et traitement de l'information Spectrale : Unmixing spectral (N-FINDR, Pixel Purity Index, Convex Cone Analysis, etc...)? Indices spectraux, ACP, MNF Spatiale : Bancs de filtres Matrices de co-occurrence Spectres de texture Modèles Markoviens Décomposition en ondelettes Lors de la réalisation de l'état de l'art, j'ai tout d'abord considéré séparement les méthodes d'extraction de l'information spectrale et spatiale. ... Pour classifier les données extraites, on dispose d'un grand nombre d'outil tels que : ... Le traitement simultanné des deux informations peut être fait de deux façons différentes. Les méthodes marginales reposent sur un ensemble de classification, une par composante de l'image. Les divers résultats de classification sont ensuites fusionnés. Les méthodes vectorielles reposent quant à elle sur une unique classification considérant la valeur vectorielle d'un pixel et non plusieurs valeurs scalaires. Pour les listes de méthode ne pas laisser entendre qu’on les a toutes faites puisque ce n’est pas le cas.Lors de la réalisation de l'état de l'art, j'ai tout d'abord considéré séparement les méthodes d'extraction de l'information spectrale et spatiale. ... Pour classifier les données extraites, on dispose d'un grand nombre d'outil tels que : ... Le traitement simultanné des deux informations peut être fait de deux façons différentes. Les méthodes marginales reposent sur un ensemble de classification, une par composante de l'image. Les divers résultats de classification sont ensuites fusionnés. Les méthodes vectorielles reposent quant à elle sur une unique classification considérant la valeur vectorielle d'un pixel et non plusieurs valeurs scalaires. Pour les listes de méthode ne pas laisser entendre qu’on les a toutes faites puisque ce n’est pas le cas.

4. Application de filtres en parallèle pour la création d'un vecteur d'images texturales Filtre de Gabor massivement utilisé Filtrage passe-bande capable d'extraire les composants d'une bande de fréquence spécifique dans une image Mathématiquement, une gaussienne modulée par une sinusoïde : Je vais maintenant présenter les méthodes d'extraction d'information spatiale que j'ai étudié plus en détails. La méthode par bancs de filtres consiste à convoluer l'image avec une série de filtres de fréquence et d'orientation différentes. Parmi la myriade de filtre existant, le filtre de Gabor est le plus utilisé. ... Vous avez une illustration du filtre en haut à droite. En dessous, deux images comportant un certain nombre de textures et le filtrage de ces images (avec le filtre du slide). Les zones comportant une texture rectiligne verticale sont très bien mises en évidence.Je vais maintenant présenter les méthodes d'extraction d'information spatiale que j'ai étudié plus en détails. La méthode par bancs de filtres consiste à convoluer l'image avec une série de filtres de fréquence et d'orientation différentes. Parmi la myriade de filtre existant, le filtre de Gabor est le plus utilisé. ... Vous avez une illustration du filtre en haut à droite. En dessous, deux images comportant un certain nombre de textures et le filtrage de ces images (avec le filtre du slide). Les zones comportant une texture rectiligne verticale sont très bien mises en évidence.

5. Spectres de texture Notion d'unité de texture (TU) caractérisant le voisinage immédiat d'un pixel ? A la base de cette méthode, il y a l'unité de texture, une valeur qui permet de caractériser le voisinage local d'un pixel, c'est-à-dire ses huit voisins immédiats. Le schéma en dessous illustre la création d'une telle valeur. Une valeur en base 3 est associée à chaque voisin du pixel, selon s'il est plus petit, égal ou plus grand que le pixel central. Ces valeurs sont ensuite rassemblées pour former un unique nombre en base 3 que l'on convertit en base 10 afin d'obtenir la valeur d'unité de texture. L'histogramme de ces unités de texture est ensuite calculé sur un voisinage beaucoup plus large. C'est ce qu'on appelle un spectre de texture. A partir de ces spectres, on dérive les trois indices texturaux qui sont illustrés à droite. Faire une animation qui laisse apparaître chacun des points successivement, et qui illustre également la procédure de calcul de TU. Ne pas oublier également de préciser que les indices permettent de bien discriminer les trois textures.A la base de cette méthode, il y a l'unité de texture, une valeur qui permet de caractériser le voisinage local d'un pixel, c'est-à-dire ses huit voisins immédiats. Le schéma en dessous illustre la création d'une telle valeur. Une valeur en base 3 est associée à chaque voisin du pixel, selon s'il est plus petit, égal ou plus grand que le pixel central. Ces valeurs sont ensuite rassemblées pour former un unique nombre en base 3 que l'on convertit en base 10 afin d'obtenir la valeur d'unité de texture. L'histogramme de ces unités de texture est ensuite calculé sur un voisinage beaucoup plus large. C'est ce qu'on appelle un spectre de texture. A partir de ces spectres, on dérive les trois indices texturaux qui sont illustrés à droite. Faire une animation qui laisse apparaître chacun des points successivement, et qui illustre également la procédure de calcul de TU. Ne pas oublier également de préciser que les indices permettent de bien discriminer les trois textures.

6. Matrices de co-occurrence Matrice représentant la proportion de pixels passant d'une valeur radiométrique à une autre pour un déplacement D donné et sur un certain voisinage local. La taille des matrices dépend directement de la précision de l'échantillonnage radiométrique. Coefficients spatiaux calculés à partir de ces matrices : énergie, entropie, variance, homogénéité, etc... Même commentaire que précedemment, parler de ce en quoi les indices sont utiles.Même commentaire que précedemment, parler de ce en quoi les indices sont utiles.

7. Processus de classification Obtention des indices spectraux d'une part, et spatiaux d'autre part Concaténation des indices. Classification vectorielle Utilisation de Mixmod : ACP préalable à la classification => permet de se placer dans une base favorable et de limiter le nombre de paramètres en supposant que la matrice de variance/covariance de chaque classe est diagonale. Ne pas forcément mentionne le fait qu’on applique une ACP préalable dans le dernier point.Ne pas forcément mentionne le fait qu’on applique une ACP préalable dans le dernier point.

8. Post-traitement : classification hiérarchique Mixmod propose un nombre de classes optimal généralement différent du nombre de classes de la scène étudiée Classification hiérarchique ascendante : Nombre de classes réel supposé connu Les classes sont successivement fusionnées jusqu'à ce que le nombre de classes désiré soit atteint A chaque itération, seules deux classes sont fusionnées, celles minimisant un certain critère de distance La distance de Ward est la plus couramment utilisée : Classification hiérarchique descendante : procédure inverse

9. Résultats de classification

10. Résultats de classification Passer rapidement là-dessus.Passer rapidement là-dessus.

11. Poursuite de l’état de l’art : segmentation non supervisée de régions texturées basée sur une quantification spectrale et une segmentation spatiale, EM avec champs de Markov, … Etudier les atouts et inconvénient de l'analyse discriminante par rapport à l'ACP en tant qu'algorithme de réduction de dimension préalable Rédaction d'un communication sur les résultats obtenus avec les indices spatiaux et Mixmod. Evaluer l’algorithme sur données réelles (campagne ENVIRO 2009)? Conclusion et perspectives Ne pas parler d’articles mais de méthodes (premier point des perspectives)?Ne pas parler d’articles mais de méthodes (premier point des perspectives)?

  • Login