Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation d'images
Cas de la télédétection - Classi�cation multirésolution
Pierre Gançarski
ICube
CNRS - Université de Strasbourg
2013
Pierre Gançarski Analyse urbaine et télédétection 1/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 2/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 3/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 4/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 5/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 6/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
Multistratégie
Multirésolution
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 7/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Approche multiresolution
Approches classiques
Regrouper des objets à un niveau d'analyse pour former les objets
au(x) niveau(x) supérieur(s)
=⇒ Comment choisir les objets à regrouper : risque d'explosion
combinatoire
Approche descendante
Simuler le processus d'interprétation visuel
Guidée par des connaissances du domaine : utilisation de
critères thématiques structurants (élongation, ...) dans la
création des régions
Guidée par l'expert : reproduction du �geste� de segmentation
Pierre Gançarski Analyse urbaine et télédétection 8/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution
Principe
1 Segmentation de l'image (à la résolution r) guidée par
l'expert :pour chaque cluster de régions
Demander à l'expert de guider la segmentation d'une (ouplusieurs) régions correspondant à un type donnéRecopier son geste sur l'ensemble des objets de même type.
2 Clustering multirésolution des segments en c clusters (en
utilisant la résolution r + 1)
3 Projection des régions (regroupées en c clusters) dans la
résolution r + 1 (servira d'entrée de la étape r + 1)
4 Retour en 1
Pierre Gançarski Analyse urbaine et télédétection 9/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : schéma général
Segmentation
Example-based segmentation
Multiresolution clustering
Multiresolution clustering
Input Output
Resolution R1
Segmentation result
Segmentation result
Segmentation result
Clustering result
Clustering result
Process
3
3
1
1
1
2
2
Step 1
Step 2
Step n
ImageI1
Resolution R2 ImageI2
Resolution Rn ImageIn
SI ,1
SI ,2
SI ,nSn
Segmentation S2
Segmentation S1
Example-based segmentation
Example-based segmentation
Example-based segmentation
Example-based segmentation
Example-based segmentation
Example-based segmentation
Pierre Gançarski Analyse urbaine et télédétection 10/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : segmentation
Segmentation non supervisée
Segmenter �globalement� une image est di�cile :
suivant les types d'objets, leur �représentation� dans l'imagepeut être di�érentePar exemple, la taille des segments, seuil sur les réponsesradiométriques, etc.
→ Paramétrer un algorithme global est quasi-impossible
Proposition : Segmentation guidée
Pour chaque type d'objets, demander à l'expert de guider la
segmentation d'une (ou plusieurs) régions correspondant à un
type donné
Recopier son geste sur l'ensemble des objets de même type.
Pierre Gançarski Analyse urbaine et télédétection 11/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : segmentation guidée
Idée
Utilisation des clusters précédement calculé
Utilisation d'un algorithme de segmentation facile à guider :
Arbre binaire de partition
Segmentation guidée (étape r)
Pour chaque cluster ci dé�ni à l'étape r − 1
1 Demander à l'expert de segmenter un des segments projetés
depuis la résolution r − 1 en jouant sur l'arbre de partition
2 �Recopier� son geste sur l'ensemble des segments projetés du
cluster ci
Pierre Gançarski Analyse urbaine et télédétection 12/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : segmentation guidée
Segmentation
Interactive Tree-cut
Input
Output
Process
1
3
Segmentations hierarchy Binary Partition tree Segmentations
hierarchy Binary Partition treeSegmentations hierarchy Binary Partition tree
Binary Partition tree Binary Partition tree Binary Partition tree
BPT computation
Tree-cut learning
BPT computation BPT computation
Automatic Tree-cut2 3 3 Automatic Tree-cut3
Segmentation Segmentation
Reproduction du geste
Pierre Gançarski Analyse urbaine et télédétection 13/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : segmentation guidée
Input
Resolution R ImageI Segmentation
resultSI
Example-based segmentation
Example-based segmentation
Example-based segmentation
Output
Pierre Gançarski Analyse urbaine et télédétection 14/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : clustering des régions
Types des régions
Comment créer les di�érents �types� de régions sans aucune
indication sur leurs vraies natures (= classes thématiques)
Clustering multirésolution
Idée : Utiliser la résolution r + 1 pour classi�er les segments
extraits à la résolution r
→ Utilisation de leur composition radiométrique à la résolution
r + 1
Pierre Gançarski Analyse urbaine et télédétection 15/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : clustering des régions
Image 1Resolution R1
Segmentation
Image 2Resolution R2
Clustered Image
100%
C10%
50%
C2 C3 C4 C5 C6
Region Image100%
C10%
50%
C2 C3 C4 C5 C6
100%
C10%
50%
C2 C3 C4 C5 C6
100%
C10%
50%
C2 C3 C4 C5 C6
Final clustered Image Resolution R1
Segmentation Algorithm
ClusteringAlgorithm
HistogramComputation
ClusteringAlgorithm
Input OutputProcess
1
2
3 4
Pierre Gançarski Analyse urbaine et télédétection 16/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : données
10 m 2m
0,60cm
Pierre Gançarski Analyse urbaine et télédétection 17/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : vérités terrain
10 m 2m
0,60cm
Source : Anne Puissant (LIVE)
Pierre Gançarski Analyse urbaine et télédétection 18/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 10m
Pierre Gançarski Analyse urbaine et télédétection 19/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 2m
Pierre Gançarski Analyse urbaine et télédétection 20/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 60cm
Pierre Gançarski Analyse urbaine et télédétection 21/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 10m sur un crop
Pierre Gançarski Analyse urbaine et télédétection 22/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 2m sur un crop
Pierre Gançarski Analyse urbaine et télédétection 23/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Classi�cation multi-résolution : résultats à 60cm sur un crop
Pierre Gançarski Analyse urbaine et télédétection 24/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 25/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 26/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
1 Contexte
2 Analyse d'images de télédétection
3 Avancées récentes
4 Intégration de connaissances
5 Approche multitemporelle
6 Perspectives
Pierre Gançarski Analyse urbaine et télédétection 27/28
Contexte Analyse d'images de télédétection Avancées récentes Intégration de connaissances Approche multitemporelle Perspectives
Fin de la deuxième partie
à suivre
Pierre Gançarski Analyse urbaine et télédétection 28/28