Segmentation et classification par machine learning d'images satellites

Thèmes abordés

Segmentation, classification d'images satellites, machine learning, algorithme de Watershed, filtre gaussien, radiométrie, Anisotropic Diffusion, codes Python, image IRC, pixels

Résumé du document

Il est difficile d'obtenir des résultats convaincants en appliquant l'algorithme de Watershed sur l'image initiale. En effet, le bruit de l'image provoque une sursegmentation si on laisse les paramètres "Depth Threshold" et "Flood Level" relativement bas (inférieur à 5% pour le premier, à 20% pour le second). En revanche, les augmenter conduit assez brusquement à une perte d'information : les chemins et les espaces verts fusionnent, tandis que les ombres du château et ses multiples détails continuent de provoquer de très petites régions en grand nombre.

Extraits

[...] En contrepartie, on obtient une bien meilleure précision sémantique : tous les détails perdus avec la méthode 2.1 ressortent. Il convient cependant de regarder les images plus en détail sur QGIS par exemple pour bien apprécier les nuances, notamment à propos de la quantité de bruit (les images sont dans l'archive). La classification 2.1 possède des couleurs différentes, car une classe a été perdue, ce qui rend bien compte de la perte de détails de cette méthode. De gauche à droite : la classification initiale, la classification 2.1 et la 2.3 . [...]

[...] Il y en a une en effet puisque l'on passe de entités vectorielles à mais globalement, le résultat est semblable. Bien qu'un humain discerne mieux les différents éléments de l'image radiométrique, il y a encore énormément de bruit et les contours ne sont pas suffisamment mieux définis. Le problème est le même qu'avant avec une influence moindre. Il y a tout de même du progrès, car si l'on applique un filtre gaussien à cette image (sigma = on n'obtient que 4600 régions et sémantiquement c'est un peu plus efficace : les contours les plus marquants sont isolés (Durance, axe routier) même s'ils sont tout de même morcelés en différentes régions. [...]

[...] TP2 - Analyse OBIA Les codes Python des exercices suivants sont disponibles dans l'archive. Exercice 2.1 Résultats : la première image est la classification originale donnée dans l'exercice. La seconde est la classification pour laquelle chaque pixel d'un même segment possède comme classe celle majoritaire parmi les pixels de son segment. Exercice 2.2 Résultats : on retrouve ici l'image IRC initiale et l'image IRC moyennée, c'est-à-dire dans laquelle chaque pixel d'un segment possède comme valeur la moyenne des radiométries des pixels de ce segment. [...]

[...] Segmentation et classification par machine learning d'images satellites TP1 - Watershed : Château de Chambord Il est difficile d'obtenir des résultats convaincants en appliquant l'algorithme de Watershed sur l'image initiale. En effet, le bruit de l'image provoque une sursegmentation si on laisse les paramètres Depth Threshold et Flood Level relativement bas (inférieur à pour le premier, à 20% pour le second). En revanche, les augmenter conduit assez brusquement à une perte d'information : les chemins et les espaces verts fusionnent, tandis que les ombres du château et ses multiples détails continuent de provoquer de très petites régions en grand nombre. [...]

[...] On constate clairement qu'une image lissée donne un bien meilleur résultat. Image lissée : DT = FL = 10% Image lissée : DT = FL = 20% TP1 - Watershed : Les Mées L'exécution du Watershed avec les paramètres par défaut sur l'image S1_Mees.tif donne un résultat inutilisable puisqu'il est composé d'une multitude de minuscules régions qui comptent rarement plus d'une quinzaine de pixels. Cela est dû à l'image initiale, qui ne possède aucun contour facilement discernable radiométriquement : les pixels, même contigus, ont des valeurs très dispersées. [...]