Des résultats expérimentaux sont montrés dans la thèse sur quatre images aéroportées hyperspectrales, enregistrées par les capteurs AVIRIS et ROSIS, avec différents contextes (zones urbaines, agricoles et volcaniques), différentes résolutions spatiales (1.3 m et 20 m) et différents nombres de canaux spectraux (de 102 à 200 bandes). Cette section présente des résultats d’évaluation expérimentale sur une image de Indian Pines.
L’image Indian Pines est une zone de végétation, qui a été enregistrée par le capteur AVIRIS en Indiana du nord-ouest. L’image a des dimensions spatiales de 145 × 145 pixels, une résolution spatiale de 20 m par pixel, et une résolution spectrale de 200 bandes. Seize classes d’intérêt sont considérées, qui sont détaillées dans le Tableau R.1, avec le nombre d’échantillons pour chaque classe dans la vérité de terrain. L’image en fausses couleurs et la vérité de terrain sont présentées sur la Figure R.2. Nous avons aléatoire-ment choisi 50 échantillons pour chaque classe de la vérité de terrain comme échantillons d’apprentissage, sauf pour les classes “luzerne”, “herbe/pâturage-tondue” et “avoine”. Ces classes contiennent un faible nombre d’échantillons dans la vérité de terrain. Par conséquent, seulement 15 échantillons pour chacune de ces classes ont été aléatoirement choisis comme échantillons d’apprentissage. Les échantillons restants
(a) (b) (c) (d)
(e) (f) (g) (h)
(i) (j) (k) (l)
(m) (n) (o) (p)
Figure R.2: Image de Indian Pines. (a) Image en fausses couleurs (bandes 837, 636, et 537 nm). Vérité de terrain : Maïs-no till, Maïs-min till, Maïs, Soja-no till, Soja-min till, Soja till, Luzerne, Herbe/pâturage, Herbe/arbres, Herbe/pâturage-tondue, Andain, Avoine, Blé, Bois, Btm-herbe-arbre, andTours. (c-p) Cartes de classification. (c) ML. (d) SVM. (e) ECHO. (f) NE. (g) SVMMRF-E. (h) MLMSF+MV. (i) WH+MV. (j) EM+MV. (k) RHSEG+MV. (l) SVM-WH. (m) SVMMSF. (n) SVMMSF+MV. (o) MC-MSF. (p) MSSC-MSF.
Table R.1: Précisions de classification pour l’image Indian Pines utilisant des méthodes pixel par pixel (approches spectrales) et spectro-spatiales, classes d’intérêt et nombre d’échantillons dans la vérité de terrain (No. d’Éch) : précision globale (Overall Accuracy : OA), précision moyenne (Average Accuracy : AA), coefficient Kappa (κ) et précisions pour chaque classe.
No. Méthodes spectrales
ECHO Méthodes de stratégie 1 d’Éch 3-NN ML SVM SVMMRF-NE SVMMRF-E OA - 66.27 75.41 78.17 82.64 92.05 91.83 AA - 76.77 79.61 85.97 83.75 95.83 95.69 κ - 62.04 72.25 75.33 80.38 90.93 90.71 1 - Maïs-no till 1434 41.84 71.39 78.18 83.45 93.28 98.48 2 - Maïs-min till 834 62.24 63.01 69.64 75.13 83.93 90.82 3 - Maïs 234 73.37 85.87 91.85 92.39 99.46 98.37 4 - Soja-no till 968 67.43 79.43 82.03 90.10 98.58 98.91 5 - Soja-min till 2468 53.91 52.65 58.95 64.14 82.09 76.92 6 - Soja till 614 64.72 85.99 87.94 89.89 97.70 97.34 7 - Luzerne 54 84.62 48.72 74.36 48.72 97.44 97.44 8 - Herbe/pâturage 497 86.35 93.51 92.17 94.18 97.54 97.54 9 - Herbe/arbres 747 91.97 94.69 91.68 96.27 97.70 97.56 10 - Herbe/pâturage-tondue 26 100 36.36 100 36.36 100 100 11 - Andain 489 95.67 97.72 97.72 97.72 99.54 99.54 12 - Avoine 20 80.00 100 100 100 100 100 13 - Blé 212 99.38 98.15 98.77 98.15 99.38 99.38 14 - Bois 1294 86.17 95.42 93.01 94.21 98.39 99.04 15 - Btm-herbe-arbre 380 45.15 73.03 61.52 81.52 88.18 79.70 16 - Tours 95 95.56 97.78 97.78 97.78 100 100
ont composé l’ensemble d’essai.
Nous comparons les méthodes suivantes pour la classification de l’image Indian Pines : • Méthodes pixel par pixel (spectrales) : 3-NN, ML et SVM.
• Méthodes spectro-spatiales proposées précédemment : ECHO.
• Méthodes de stratégie 1 (cf. Section 2.1) : SVMMRF-NE et SVMMRF-E. Classification probabiliste SVM, suivie d’une régularisation spatiale basée sur des MRFs, sans et avec la fonction de contour flou dans le terme d’énergie spatiale, respectivement.
• Méthodes de stratégie 2 (cf. Section 2.2 et Section 2.4) : WH+MV, EM+MV et RHSEG+MV. Segmentation par les méthodes de la ligne de partage des eaux, du groupement spectral, et de RHSEG, respectivement, suivie du vote majoritaire sur la classification spectrale pixel par pixel, en utilisant les voisinages adaptatifs définis par la carte de segmentation.
• Méthodes de stratégie 3 (cf. Section 2.3 et Section 2.4) :
– SVM-WH. Sélection des marqueurs utilisant des SVM probabilistes, suivie de la construction
de la ligne de partage des eaux.
– MLMSF et MLMSF+MV. Sélection des marqueurs utilisant des valeurs discriminantes de ML
suivie de la construction d’une forêt couvrante de poids minimal, sans et avec post-traitement, respectivement.
Table R.2: Précisions de classification pour l’image Indian Pines utilisant des méthodes basées sur une segmentation : précision globale (Overall Accuracy : OA), précision moyenne (Average Accuracy : AA), coefficient Kappa (κ) et précisions pour chaque classe.
Méthodes de stratégie 2 Méthodes de stratégie 3
WH EM RHSEG SVM ML MLMSF SVM SVMMSF MC- MSSC-+MV +MV +MV -WH MSF +MV MSF +MV MSF MSF OA 86.63 83.60 90.86 85.99 76.25 89.50 88.41 91.80 86.66 92.32 AA 91.61 85.34 93.96 86.95 82.32 91.45 91.57 94.28 92.58 94.22 κ 84.83 81.43 89.56 83.98 73.31 88.01 86.71 90.64 84.82 91.19 1 94.22 89.09 90.46 80.35 75.94 92.63 90.97 93.21 83.82 89.74 2 78.06 75.64 83.04 71.94 58.29 71.05 69.52 96.56 74.62 86.99 3 88.59 65.22 95.65 73.37 67.93 92.93 95.65 95.65 96.74 95.11 4 96.30 88.14 92.06 98.91 86.29 96.08 98.04 93.91 93.36 91.84 5 68.82 65.67 84.04 80.48 50.37 81.76 81.97 81.97 72.91 89.16 6 90.78 95.04 95.39 84.75 94.68 95.57 85.99 97.16 95.92 97.34 7 94.87 94.87 92.31 94.87 87.18 92.31 94.87 94.87 94.87 94.87 8 95.08 93.96 94.41 95.30 95.30 96.42 94.63 94.63 98.21 94.63 9 97.99 96.41 97.56 92.97 94.55 97.13 92.40 97.27 97.70 97.85 10 100 100 100 100 45.45 81.82 100 100 100 100 11 99.54 99.32 99.54 99.54 97.04 99.32 99.77 99.77 99.54 99.77 12 100 40.00 100 100 100 100 100 100 100 100 13 99.38 98.77 98.15 99.38 98.15 98.15 99.38 99.38 99.38 99.38 14 97.11 96.70 98.63 99.36 96.70 97.19 97.59 99.68 98.47 99.44 15 69.39 66.67 82.12 55.45 71.52 73.03 68.79 68.79 77.88 73.64 16 95.56 100 100 64.44 97.78 97.78 95.56 95.56 97.78 97.78
– SVMMSF et SVMMSF+MV. Sélection des marqueurs utilisant des SVM probabilistes, suivie
de la construction d’une forêt couvrante de poids minimal, sans et avec post-traitement, respectivement.
– MC-MSF et MSSC-MSF. Sélection des marqueurs utilisant la méthode des classifieurs
mul-tiples (Multiple Classifiers : MCs) pixel par pixel et spectro-spatiaux, respectivement, suivie de la construction d’une forêt couvrante de poids minimal.
Le choix des paramètres pour ces méthodes est décrit dans la Section 2.4. Les Tableaux R.1 et 2.3 rapportent les précisions de classification globales : précision globale (Overall Accuracy : OA), précision moyenne (Average Accuracy : AA), coefficient Kappa (κ) et les précisions pour chaque classe pour les méthodes décrites. Les cartes de classification correspondantes sont montrées sur la Figure R.2. Á partir de ces résultats et des résultats obtenus sur les autres images, les conclusions suivantes peuvent être tirées :
1. La méthode des SVM s’est avérée efficace pour la classification spectrale des données de grande dimension.
2. Il est avantageux de considérer des dépendances spatiales entre les pixels en effectuant la classifi-cation.
3. Les méthodes de classification spectro-spatiale développées dans le cadre de cette thèse donnent des meilleurs résultats que le méthodes ECHO et EMP proposées précédemment.
4. La régularisation basée sur les MRFs s’est avérée être un outil puissant pour l’analyse contextuelle des images. Les techniques de classification développées basées sur les MRFs (les méthodes SVMMRF-NE et SVMMRF-E ) sont efficaces et suffisamment robustes pour classifier différents genres d’images. La technique SVMMRF-E inclut l’information de countour dans la régularisation contextuelle et fournit ainsi des cartes de classification avec des frontières précises.
5. En analysant plusieurs méthodes de segmentation non-supervisée, nous concluons que les techniques de segmentation dans le domaine spatial semblent être préférables lorsque l’image contient des classes avec des réponses spectrales similaires (par exemple, des images d’une zone de végétation, dans lesquelles on voudrait distinguer différentes espèces de végétation). Si une image contient des classes avec des réponses spectrales différentes, les techniques de segmentation dans le domaine spectral donnent de bons résultats. En outre, ces méthodes peuvent être utiles si une image contient beaucoup de structures petites et complexes qui risquent d’être assimilées avec de plus grandes régions voisines (par exemple, des images de zones urbaines). Finalement, les méthodes fonctionnant dans le domaine spatial et spectral sont prometteuses pour obtenir une segmentation précise de différentes images.
6. La méthode proposée de combinaison d’une carte de classification des SVM pixel par pixel et d’une carte de segmentation, utilisant une règle de vote majoritaire, s’est avérée être une technique efficace pour la classification contextuelle.
7. La segmentation par croissance de régions basée sur des marqueurs définis automatiquement est une technique prometteuse pour l’analyse contextuelle d’image. L’utilisation des résultats de classification probabiliste afin de sélectionner les pixels les plus fiablement classés comme des marqueurs des régions spatiales s’est avérée être une approche efficace. En particulier, il est avantageux d’utiliser un classifieur SVM, l’information spatiale et des techniques de MC dans la procédure de sélection de marqueurs. La méthode basée sur MSF pour une segmentation par marqueurs donne de bien meilleurs résultats que la technique de la ligne de partage des eaux contrôlée par marqueurs, et ainsi elle s’est avérée être une technique efficace et robuste de segmentation. La méthode MSSC-MSF a rapporté les meilleurs ou près des meilleurs résultats de classification pour toutes les images considérées et est ainsi fortement conseillée pour la classification contextuelle précise des données hyperspectrales.