SOYEZ LES BIENVENUS

APPROCHES FLOUES POUR LA CLASSIFICATION DES IMAGES

MULTISPECTRALES.
APPLICATIONS AUX IMAGES XS DE SPOT

PLAN

- Introduction
- Gnralits sur le Traitement dImages
- La logique Floue en Traitement dImages
- Conception et Ralisation
- Exprimentaton
- Conclusion

INTRODUCTION

INTRODUCTION
Le traitement dimages numrique est en plein
progrs, et ses dernires annes, la production de
documents par lintermdiaire des images
satellitaire a subi dimportantes volutions. La
classification est une des mthodes mathmatique
danalyse dimages, dans ce mmoire nous avons
choisi de lutiliser par une approche floue afin de
cartographier les diffrents thmes doccupation
des sols.

GNRALITS SUR LE TRAITEMENTS

DIMAGES

CHAPITRE I : GENERALITES SUR LE TRAITEMENTS

DIMAGES

Classification Automatique est une technique

mathmatique qui facilite ltude dune population
deffectif, un ensemble de donnes formes pas des
donnes homognes qui se ressemble au sens dun
critre qui constitue une classe.

CHAPITRE I : GENERALITES SUR LE TRAITEMENTS

DIMAGES
Types

dimages :
- Bitmap
- Image vectorielle
Quelque concepts et dfinition :
- Pixel
- La luminance
- Le contraste
- Palette de couleurs

CHAPITRE I : GENERALITES SUR LE TRAITEMENTS

DIMAGES

Le codage des couleurs :

Image binaire : peut prendre le noir ou le blanc.
Image niveaux de gris : est une image noir et
blanc
Image couleurs : bass sur le RVB

CHAPITRE I : GENERALITES SUR LE TRAITEMENTS

DIMAGES

Format de fichiers :
Windows Bitmap (BMP)
Tagged Image File Format (TIFF)
Joint Photographic Expert Group (JPEG)
Graphics interchange Format (GIF)
Portable network Graphics (PNG)

CHAPITRE I : GENERALITES SUR LE TRAITEMENTS

DIMAGES

Quelque Traitements dimages :

Binarisation
Convolution
Filtrage

LA LOGIQUE FLOUE EN TRAITEMENT DIMAGES

CHAPITRE II : LA LOGIQUE FLOUE EN TRAITEMENTS

DIMAGES

Une Classification consiste attribuer chaque

pixel une classe.
Les mthode de classification :
Classification supervise
Classification non supervise

CHAPITRE II : LA LOGIQUE FLOUE EN TRAITEMENTS

DIMAGES

Les mthodes de classification supervise :

- Algorithme de Bayes
- Algorithme K plus proche voisins (K-PPV)
- Reseaux de neurones multi couches
Les mthodes de classification non supervise :
- Algorithme des C-moyennes
- Algorithme K Means
- Mthode des Fuzzy C-Means (FCM)

CHAPITRE II : LA LOGIQUE FLOUE EN TRAITEMENTS

DIMAGES

Systme Neuro Flous :

Notions fondamentales sur les rseaux de neurones :
- Le neurone biologique : est le composant
cellulaire de base du cerveau.
- Le neurone artificiel : cest un modle
mathmatique simplifi du neurone biologique.

CHAPITRE II : LA LOGIQUE FLOUE EN TRAITEMENTS

DIMAGES

Lapprentissage : est la modification des poids de

connexions afin dadapter le traitements effectu
par le rseau une tche particulire.
Types dapprentissages :
- Apprentissage supervis
- Apprentissage non supervis
- Apprentissage auto-supervis

CONCEPTION ET RALISATION

CHAPITRE III : CONCEPTION ET REALISATION

Lenvironnement de travail :
Nous avons choisi MATLAB MATrix
LABoratory , cest un logiciel de programmation
de 4eme gnration. Il a t conu en 1970 par
Cleve Moler. Par dfaut, toute les variables sont
des tableaux, il permet de faire de la
programmation matricielle ce qui rend la
manipulation des images plus aises.

CHAPITRE III : CONCEPTION ET REALISATION

Prsentation des algorithmes :

Pour mettre en place nos algorithmes, nous avons
utilis une structure de donnes de faon a
exploit aisment les fonctionnalits de
MATLAB.

CHAPITRE III : CONCEPTION ET REALISATION

Algorithme K-Means :
Dans cet algorithme, le choix des centres initiaux
seffectue sur la base dun tirage alatoire. Les
points sont gomtriquement reprsents dans
lespace vectoriel muni dune distance.

CHAPITRE III : CONCEPTION ET REALISATION

Etape 1 : On choisit par un tirage alatoire sans

remise k points parmi n points.
Chaque point est affect une classe et une seule
classe qui est localise.
Apres avoir affecter tous les points on obtient k
classes.

CHAPITRE III : CONCEPTION ET REALISATION

Etape 1 : On choisit par un tirage alatoire sans

remise k points parmi n points.
Chaque point est affect une classe et une seule
classe qui est localise.
Apres avoir affecter tous les points on obtient k
classes.

CHAPITRE III : CONCEPTION ET REALISATION

Etape 2 : Calcule du centre de gravit de chaque

classe k.
Etape 3 : On dtermine k nouveaux classes en
calculant les centre de gravit des classes obtenue
ltape 2.

CHAPITRE III : CONCEPTION ET REALISATION

Larrt de lalgorithme : il se fait lorsque :

- Deux itration successives conduisent une
mme partition.
- Lorsque on fixe un critre darrt tel que le
nombres ditrations.

CHAPITRE III : CONCEPTION ET REALISATION

Algorithme FCM :
Il ncessite la connaissance pralable du nombre
de clusters et gnre les classes par un processus
itratif.

CHAPITRE III : CONCEPTION ET REALISATION

Etape 1 : Fixation arbitraire dune matrice

dappartenance.
Etape 2 : Le calcul des centroides des classes.
Etape 3 : Le rajustement de la matrice
dappartenance suivant la position des centroides.
Etape 4 : Calcul du critre de minimisation et
retour ltape 2 sil ya non convergence de
critre.

CHAPITRE III : CONCEPTION ET REALISATION

Larrt de lalgorithme : il se fait lorsque :

- Deux itration successives conduisent une
mme partition.
- Lorsque on fixe un critre darrt tel que le
nombres ditrations.

EXPERIMENTATION

CHAPITRE IV : EXPERIMENTATION
Les donnes utilises :
Limage est une fentre multispectrale 256 x 256,
extraite des donnes XS de SPOT de la rgion de
Oued Aissi.
Limage a un sol de rsolution de 30 x 30m et
couvre plus de 58 millions de m. Une rgion
diversifi idal pour tester les techniques
dveloppes.

CHAPITRE IV : EXPERIMENTATION
-

Figure 1 : canal de la bande verte XS1.

Figure 2 : canal de la bande rouge XS2.

Figure 1

Figure2

CHAPITRE IV : EXPERIMENTATION
- Figure 3 : canal de la bande infrarouge XS3.
- Figure 4 : composition colore usuelle (RVB) des trois
bandes prcdentes (Figure 1, 2 et 3).

Figure 3

Figure 4

CHAPITRE IV : EXPERIMENTATION
Prsentations des rsultats :
Nous avons procd deux analyses non
supervise allant de 3 4 classes et ce pour
estimer laffectation des diffrents thmes
doccupation des sols.

CHAPITRE IV : EXPERIMENTATION
K-Means : les figures suivantes reprsentes les
rsultats obtenues.

Figure 5 k-means
avec 3 classes

Figure 6 k-means
avec 4 classes

CHAPITRE IV : EXPERIMENTATION
FCM : les figures suivantes reprsentes les
rsultats obtenues.

Figure 7 FCM
avec 3 classes

Figure 8 FCM
avec 4 classes

CONCLUSION

CONCLUSION
Chaque point a une probabilt dapartenance
chaque groupe (classe) avec la mthode FCM,
plutt que compltement un seul cluster avec KMEANS. La classification Neuro Floue amliorera
encore les rsultats cause de lutilisation dautres
informations, ce qui nest pas le cas de KMEANS, on conclue que FCM et plus performant.

MERCI POUR VOTRE

ATTENTIONS