Algorithme utilisé : k-means disponibele avec la fonction wekaKMeans ()
Etapes : 1-choix de nombre des clusters voulus : var nombre_clust= 6 // 10 , 11 …. 2-training : instruction principale : var Tr = input_clust_img.sample({ region: rectangle, scale: 30, numPixels: 5e3, // nombre des pixels pour l'entrainement }); 3-classification : appliquer l'algorithme k-means , utiliser la fonction avec le paramètre Tr comme une base de classification Instruction principale : var clusters = ee.Clusterer.wekaKMeans(nombre_clust).train(Tr); Classification supervise -Algorithme utilisé : fonction random forest disponible sous le nom smileRandomForest(nombre_classes) -Etapes : 1-Choix du nombre des classes : var nombre_classes=6 2- choix des point représentatifs pour chaque classes : le nombre dépends de : le nombre des classes , la qualité de l’image et la richesse des information (voir images des points en GEE) 3-creation d'une collection des points similaires (feature collection a partir des points ) chaque feature collection sera la représentante de la classe et elle sera utilisée par le classifieur en phase d'entrainement pour trouve les points similaires par la suite en phase de classification 4-associe a chaque feature collection (classe) un drapeau (une propriété) , un variable avec un nom et une valeur par exemple : pour la class 1 le variable en crée le variable : landcover , il prend la valeur 0 , pour la deuxième class le variable landcover prend 1 ………….. 5-determier les qualités (propriétés ) susceptible d'êtres utiles pour faire la différentiation entres les classes Par exemple : les pixels varie selon les valeurs de : var bands_class = [ "B2", "B3", "B4", "B5", "B6", "B7"] 6- a partir des features collection (avec les drepeaux numérotés associés ) , en crée une feature collection FINAL par assemblage ou le fusionnement en utilisant la fonction : .merge() Instruction principale: var classes =feature_collection1.merge (feature_collection12 ).merge(feature_collection3)…………………………… 7-prepartion des data pour le training : instruction principale : var Tr= image.select( bands_class ).sampleRegions({ collection: classes, properties: ['landcover'], scale: 30 }); 8- choix du nombre d'arbres : var nombre_arbres=10 par exemple 9- training : instruction principale : var classifieur = ee.Classifier.smileRandomForest(nombre_arbres).train({ features: Tr, classProperty: 'landcover', inputProperties: bands_class }); 10-classification : instruction principale : Var img_classified = image.select(bands_class).classify(classifieur); Post-classification Appliquer au variable : classifieur • confusion matrix : matrice represents la precision de classification var matrice_precision = classifier.confusionMatrix(); • Le performance : indice de qualite applique a au confusion matrix : var indice_perf= matrice_precision .accuracy(); • indice Consumer index : var CA = matrice_precision .consumersAccuracy(); • Indice de kappa : var Kappa = matrice_precision .kappa(); • Quelle est la classe le bien classe : var Order = matrice_precision.order(); Histogrammes : histogramme de clustring -il indique une valeur de fréquence ou plage pour chaque cluster 1-en peut utiliser ui.Chart.image.histogram() et lire les fréquences 2-ou : -2.1 après clustring (et l'obtention de n clusters par exemple ), en obtiendra une image avec n bandes -2.2 pour chaque cluster en utilise d’abord le reducrer ee.reducer.mean(), il y aura alors n pixels representatifs -2.3 afficher la valeur
Détection des piétons: S'il vous plaît, suggérez un sous-titre pour un livre intitulé « Détection des piétons » dans le domaine de la « Vision par ordinateur ». Le sous-titre suggéré ne doit pas contenir de ':'.