MASTER 1 : Télédétection et Système d’Information Géographique (T&SIG)

Travaux Pratiques:
Classification

Réaliser par : Sous la direction de :

MOHAMED GHOULAM/Hayat
Mr. ALAMI MACHICHI
Table des matières
INTRODUCTION ......................................................................................................... 4
Image utilisée: ...........................................................................................................5
Méthode utilisée: ...................................................................................................... 5
Méthode ......................................................................................................................... 6
Prétraitement .................................................................................................... 6
Nombre de classes ............................................................................................. 6
Données (entrainement,test) ............................................................................ 6
Segmentation ..................................................................................................... 6
Entrainement: ................................................................................................... 7
Validation: ......................................................................................................... 9
CONCLUSION ............................................................................................................10
Liste des figures

Figure 1: Extrait de l’image ...........................................................................................5

Figure 2 Résultat de la segmentation. ............................................................................6
Figure 3: Résultat de la classification ............................................................................8
 INTRODUCTION

Le traitement avancé d'images est une discipline spécialisée qui repousse les
limites de la manipulation et de l'analyse des images numériques. En utilisant
des techniques et des algorithmes avancés, il permet d'explorer des domaines
tels que la reconnaissance d'objets

Objectif
L'objectif principal de ce travail pratique est de développer une expertise
pratique dans l'utilisation de techniques avancées de traitement d'images ,
Nous allons explorer des concepts et des méthodes dans l’application de
QGIS

Dans un 1er temps nous allons extrait une image satellitaire pour rédiger
la segmentation , Entrainement du modèle ainsi que la classification
 Image utilisée:
L’image utilisée pour ce TP est une photographie aérienne du Programme National
d’Imagerie Agricole (NAIP) des Etats-Unis.

cFImageⅢ
Ⅱ Figure 1: Extrait de l’image

Méthode utilisée:

Téléchargement d’image
NAIP

Prétraitements

Nombre de classe (choisir les

échantillons)

Validation Données(traitement,test)

Segmentation

Entrainement(Algorithme)

Classification
 Méthode

 Prétraitement  Nombre de classes

L’image ci-dessus est donc le résultat

des prétraitements effectués sur
Numéro Classe
1 Bâtiment
2 Arbre
3 Route
4 Végétation

 Données (entrainement,test)  Segmentation

Results
l'entraînement vise à apprendre au modèledisplay
à est de diviser une image ou un ensemble
partir des données d'entraînement, tandis que de données en plusieurs segments ou
le test évalue la performance du modèle sur
régions distinctes. Chaque segment
de nouvelles données non vues auparavant.
représente une partie spécifique de
Ces deux étapes sont essentielles pour
l'image ou des données qui partage des
développer et évaluer des modèles
d'apprentissage automatique efficaces. caractéristiques similaires. c’est
l’opération d’assemblage des pixels entre
Ici nous utilisons les deux types de données
eux selon
pour empêcher à l’algorithme de reconnaitre
certains critères. L’algorithme de
les zones
segmentation choisi est : Mean-shift avec
qu’il connait déjà. Ainsi nous avons créé
deux base de données solides les unes pour
l’entrainement et les autres pour le teste.
Remarque : Nous avons créé des données
de type point pour afin joindre avec les
segments qu’on va générer.
 Figure 2:Résultat de la segmentation.

 Entrainement:
C’est l’étape déterminante dans une classification basées objets .nous devons donc
déterminer les polygones d’entrainement et les polygones de teste. Les tableau si
contre donne l’ensemble de polygones ayant servi d’entrainement de notre modèle.

Objets Nb de polygones
Objets Nb de polygones
Bâtiment 12
Bâtiment 28
Arbre 14
Arbre 35
Route 11
Route 27
Végétation 7
Végétation 19

Données d’entrainement Données de tests

En ce qui concerne les attributs, nous avons choisi les attributs issu des statistiques
incluant certains attributs comme le NDVIA.
L’algorithme utilisé est celui de SVM c’est en effet un classificateur qui travaille avec
plusieurs classes en binaire ( O V A) c’est-à-dire qu’il compare chaque classe par
rapport aux autres classes.
  Classification

L'objectif de classification est de catégoriser des données dans des classes prédéfinies
en fonction de leurs caractéristiques,
Les algorithms de classification couramment utilizes sont les
arbres,bâtiment,route,végétation
Pour évaluer ce modèle de classification on a utilicer la matrice de confusion

Figure 3: Résultat de la classification

  Validation:
Pour valider le modèle, nous allons présenter ici la matrice de confusion et la valeur
du kappa
On évalue aussi la précision globale et les erreurs de commission et d’omission entre
les classes

#Reference labels (rows):1,2,3,4

#Produced labels (columns):1,2,3,4
6,0,6,0
0,14,0,1
0,0,11,0
0,1,0,7
(les lignes représentent les classes réelles et les colonnes représentent les classes
prédites par le modèle
Chaque cellule de la matrice contient le nombre d'observations qui appartiennent à
une classe réelle spécifique et qui ont été prédites comme appartenant à une classe
prédite spécifique
 CONCLUSION

En somme toute la classification basée objet est une classification qui donne des
renseignements
sur l’approche contextuelle des objets ce que la classification basée pixel ne nous
donne pas. Elle se base en plus de la propriété spectrale des objets, sur leurs
géométries, leurs textures et l’information contextuelle. Mais il faut souligner que la
réalisation de cette classification nécessite l’expertise du terrain et l’ingéniosité de
l’utilisateur.
Cela elle est encore meilleure lorsque nous somme avec une très haute résolution.
Bien définir la classe et la prise en compte des attributs permettrait d’obtenir une
bonne classification de ce type.

01
03 Plan：
02 Plan：