Vous êtes sur la page 1sur 20

UNIVERSIT LIBANAISE ECOLE DOCTORALE DES SCIENCES ET DE TECHNOLOGIES Rapport du Stage Master 2 Recherche Pour Lobtention du diplme du Master

2 Recherche en Informatique et Tlcommunication

DTECTION DES CHANGEMENTS POUR LES OBSERVATOIRES PHOTOGRAPHIQUES DU PAYSAGES


Directeur de Recherche M. Alain CROUZIL M. Jean-Baptiste PUEL Prsent Par Mario Youssef GHARIB Soutenu le 7 Juillet 2011 devant le jury: Responsable du Stage M. Bilal CHEBARO Rapporteur M. Ahmad GHADDAR Examinateur M. Mohammad KOBEISSI

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Introduction
Objectif: dtecter des changements significatifs pour des observatoires photographiques du paysage.
Observatoire photographique du paysage: il est constitu de sries de clichs, reprsentant un certain territoire, prise au sol des grands intervalles de temps Srie photographique: (srie rcente, sries avec images anciennes). Problmes particuliers: la dtection des changements soulve des problmes particuliers Les grandes intervalles temporels: (par exemple 2, 3, parfois des dizaines dannes) entrainent beaucoup de changements dans les images. Si une image a t prise plusieurs annes aprs une autre image: problmes de trouver les points de vues, les cadrages, etc.
Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

2/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Introduction
Les mthodes classiques de detection des changements:
Ils ont tendance dtecter des changements partout dans limage. Ils sont bases sur les variations du niveau de gris/couleur des pixels.

Alternative: Effectuer une classification des pixels en composants du paysage et puis on dtecte les changements.
Les classifications :

Classification non-supervise: aucun supervision.


Classification supervise: supervision de la part dun oprateur. Classification semi-supervise: tombe quelque part entre les deux.
Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

3/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Introduction
Les principaux objectifs de ce travail de recherche sont les suivants :
effectuer un tat de lart des mthodes de classification des pixels dune image ; valuer les performances de ces mthodes sur une sries de clichs provenant dobservatoires photographiques du paysage ; proposer une mthode permettant de mettre en vidence les changements significatifs dans une srie de photographies.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

4/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Les mthodes de classification


Dfinition: Opration de segmentation dimage, utiliser pour rassembler des pixels entre eux suivant des critres prdfinis.
Objectif: faire correspondance entre les classes spectrales (ex. RGB) et les classes dinformation (lments paysagers). Comment fonctionne la classification: besoin dun ensemble de donnes: Libelles, note {(xi, yi)}. Non-libelles, note {xi}.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

5/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Les mthodes de classification


Algorithme de classification:
Besoin de construire un Ensemble dApprentissage: Ensemble de donnes reprsentent des objets spcifiques, qui peuvent tre libelles, ou non-libelles.

Vecteur dattribut: chaque donne est reprsente par un vecteur dattribut, not:

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

6/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes de classification supervises


Dfinition: permet de prdire les classes correctes des donnes futures, avec une supervision de la part dun oprateur.
Algorithme: K plus proches voisins (KNN) Trouver les K instances xi1 xik les plus proches de x* au sens de la distance d (.) Sortie: y* est la majorit des classes yi1 yik, dpartager les ex-quo alatoirement.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

7/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes de classification semi-supervises


Dfinition: Ce sont oprations de segmentation dimage, en utilisant un Ensemble dApprentissage de donnes libelles et non-libelles.
Hypothse: Quantit des donnes libelles {(xi, yi)} <<<< Quantit de donnes non-libelles {xi} Exemple dapprentissage:

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

8/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes de classification semi-supervises


Type dapprentissage semi-supervise:
Apprentissage inductif: effectue lapprentissage dun classifieur f: XY pour que f soit une bonne prvision sur les donnes futures. Apprentissage transductif: effectue lapprentissage dun classifieur f : X pour que f soit une bonne prvision sur les donnes non-libelles. Les mthode dapprentissage semi-supervise discutes sont: Auto-apprentissage (Self-Training) Co-apprentissage (Co-Training) Machine vecteur de support semi-supervise (S3VM)
Mario Gharib (UL/UPS)

l+u

l+u

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

9/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes dauto-apprentissage (Self-Training)


Dfinition: Simple modle de classification, caractrise par le fait que la procdure dapprentissage utilise ses propres prvisions pour rapprendre elle-mme.
Hypothse: Ses propres prdictions, tendent tre correctes Le choix de la fonction f est laisse ouvert.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

10/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Algorithme dauto-apprentissage (Self-Training) 1NN


Tant que U est non vide, faire 1.Effectuer lapprentissage de f avec L (apprentissage supervis) et appliquer f sur U

2.Retirer S de U avec un haut degr de confiance et ajouter S L.


Fin tant que

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

11/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes de co-apprentissage (Co-Training)


Dfinition: Une extension de lauto-apprentissage, utilise quand on dispose de petites quantits de L avec une grande quantit U.
Hypothse: Lexistence dun partitionnement des donnes en deux vues. Nimporte quelle vue doit tre suffisante pour effecteur lapprentissage dun classifier en donnant suffisamment de L. Les vues doivent tre conditionnellement indpendantes tant donne la classe

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

12/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Algorithme de co-apprentissage (Co-Training)


Tant que U est non vide refaire 1.Effectuer lapprentissage de f (1) avec L1 et f (2) avec L2 et appliquer f (1) et f (2) sur U sparment 2. Ajouter (x, f (1)(x)) L2 et (x, f (2)(x)) L1 et retirer ces donnes de U Fin tant que

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

13/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Mthodes de machine vecteur de support (S3VM)


Dfinition: Base sur SVM, permet de sparer les donnes uniquement en 2 groupes.
Objectif: Trouver la marge max. tel que L et U soient au dehors de la marge. Exemple: SVM et S3VM

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

14/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthodes de classification supervises Mthodes de classification semi-supervises - Mthode dauto-apprentissage (Self-Training) - Mthode de co-apprentissage (Co-Training) - Mthode de machine vecteur de support (S3VM)

Algorithme de S3VM (one-versus-one)


Pour i allons de 1 jusqu m-1 faire Pour j+1 allons de 1 jusqu m faire 1. Effectuer lapprentissage de fij sur Lij (donnes libelles i et j) 2. Appliquer fij sur U et ajouter le rsultat dans test Libeller les donnes {xk} de U, en utilisant le maximum des sommes des lments des lignes k de test, afin dajouter toutes les donnes de U L.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

15/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Algorithme: Implmentation en utilisant MATLAB Evaluations Rsultats exprimentaux

Algorithme: Implmentation en utilisant MATLAB


Lecture dune photo: en utilisant les 3 bandes RGB
Cration de lEnsemble dApprentissage: en utilisant par exemple un carre de 10x10 pixels par classe. Cration du Vecteur dApprentissage: lensemble L est conserv dans un vecteur dapprentissage. Classification de U: effectuer lapprentissage de f sur L, et appliquer f U Mise jour de L: en ajoutant les donnes de U les plus confiants L.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

16/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Algorithme: Implmentation en utilisant MATLAB Evaluations Rsultats exprimentaux

Itinraire N 04 : Les infrastructures du Nord-Pas-de-Calais


Srie photographique du point de vue n32 Dourges Lieu-dit Les Douchis

Rsultat de la classification : Self-Training

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

17/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Algorithme: Implmentation en utilisant MATLAB Evaluations Rsultats exprimentaux

Rsultats exprimentaux
Mthode dvaluation: Comparer les images de rfrences avec les images binaires classifies correspondantes, en utilisant:

Rsultats:

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

18/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Mthode de dtection des changements significatifs


1.
2.

Eliminer les erreurs gomtrique et radiomtrique: pour liminer tous les changements dintensits rsultant.
Appliquer un mthode de classification semi-supervise: on propose dutiliser la mthode semi-supervise S3VM, or la sortie est limage classifie et un ensemble des images dlments du paysage. Comparer les images dlments: la comparaison est effectue partir de la diffrenciation de ces images.

3.

4.

Dtection des changements: la comparaison va nous permettre de mise en vidence de tous les changements partir dun image binaire (le rsultat de la diffrenciation des images des lments).
Dtection des Changements pour les Observatoires Photographiques du Paysages
2010 2011

Mario Gharib (UL/UPS)

19/20

Introduction Les mthodes de classification Evaluation des performances des mthodes semi-supervises Mthode de mise en vidence des changements significatifs Conclusion

Conclusion
1.
2. 3.

Effectuer ltat de lart des mthodes de classification.


Appliquer ces mthodes sur une srie de clichs. Tester la performance de ces mthodes.

4.

Proposer une mthode de dtection de changement.

Mario Gharib (UL/UPS)

Dtection des Changements pour les Observatoires Photographiques du Paysages

2010 2011

20/20