4. Problématique 59
5.4. Analyse d'erreurs et aspets multitemporels
Avantde nousintéresseràlamiseen oeuvredumodèlede labellisation,nousproposons
d'analyser l'apparitiond'erreursde labellisationen résolvantleproblème (5.2.19) .Pour ela,nous
alulonslaprobabilité,sousleshypothèsesduorollaire5.2.3,d'attribuerunlabelinorretàune
région de lasegmentation. Rappelons que
v(y) = (v t (y)) t ∈T
désigne le veteur desobservations BRen unpixely
,réalisationduproessusaléatoireV (y) = (V t (y)) t ∈T
etm(λ k ) = (m t (λ k )) t ∈T
le veteurtemporeldesmoyennes assoiéesaulabeldelarégion
k
.Pouralulerlaprobabilitéde faire uneerreur de labellisation,onsidéronsl'énergie (5.2.20) duproblème (5.2.19)assoiéeà lavariablealéatoire
V
:E V (λ) = X
y ∈D
BRk V (y) − X
k ∈S
β k (y)m(λ k ) k 2 ,
(5.4.37)où
k . k
désigne lanorme eulidienne.Dénition 5.4.1 Soit
λ = (λ 1 , . . . , λ S )
lalabellisationorrete.Unelabellisationλ ′ = (λ ′ 1 , . . . , λ ′ S )
est dite
1
-optimalesielle vérie.
∀ k 6 = k 0 , λ ′ k = λ k
,.
λ ′ k 0 6 = λ k 0
,oùlarégion
k 0
estentièrementontenuedansunpixelBRy 0
.Onnoteβ k 0 (y 0 )
letauxd'oupationde larégion
k 0
dansle pixely 0
.La proposition 5.4.2 détermine la probabilité qu'une labellisation
1
-optimale soit préférée à lalabellisationorrete.
Proposition 5.4.2 Soit
V
unhampaléatoiregaussienvériantleshypothèsesduorollaire5.2.3.La probabilité pour qu'une labellisation
1
-optimaleλ ′
soit préférée à la labellisation optimaleλ
satisfait
est lafontionde répartitiond'uneloinormale
N (0, 1)
.Démonstration.
Ladiérene d'énergie entre lalabellisationorrete
λ
etune labellisation1
-optimaleλ ′
est nullepartoutsauf surla région
k 0
,ontenue dansle pixely 0
,donPour toute date
t ∈ T
etpourtout pixely ∈ D
BR,dénissonslavariable aléatoireV t (y) = V t (y) − X
k ∈S
β k (y) m t (λ k ) .
(5.4.42)Elleest gaussienneen tantqueombinaisonlinéairedesvariablesaléatoiresgaussiennes
V t (y)
,demoyenne
= 0
d'après l'hypothèse(5.1.7) , (5.4.43)et de variane
t ∈T
est don un veteur gaussien entré et de matrie deovariane
σ 2
N I T
,oùI T
représentelamatrieidentitéendimensionT
(soushypothèsed'indépen-danedesdatesentre ellesetd'égalitédesvarianesdeslasses).Aveesnotations,ladiérene
d'énergie entre les labellisations
λ
etλ ′
vaut alorsE(λ) − E(λ ′ ) = k V (y 0 ) || 2 − || V (y 0 ) + δ(y 0 ) k 2 .
(5.4.45)La quantité
δ(y 0 )
étant onstante, le veteur aléatoireV (y 0 ) + δ(y 0 )
est gaussien, de moyenneδ(y 0 )
et de matriede ovarianeσ N 2 I T
. La probabilité qu'une labellisation1
-optimale xée soitpréférée àlalabellisationorretevaut alors
P E(λ) − E(λ ′ ) ≥ 0
lavariablealéatoire
X
suit une loinormale entrée,de varianeN 4σ 2
k δ(y 0 ) k 2
.Finalement, en notantZ =
√ N k δ(y 0 )k
2σ X
,lavariablealéatoireZ
est entréeréduite,i.e.Z ∼ N (0, 1)
.Laprobabilitéd'erreur sur larégion
k 0
,d'après (5.4.46) ,s'éritalorsP E(λ) − E(λ ′ ) ≥ 0
Soit
G
lafontionde répartition d'uneloinormaleN (0, 1)
,dénieparG(x) = 1
Laprobabilitéqu'une labellisation
1
-optimalesoitpréféréeà lalabellisation orretevaut alorsP E(λ) − E(λ ′ ) ≥ 0
Cetteprobabilitédépend durapportde résolution
N
onsidéré,dutaux d'oupationde larégionerronéeauseindupixelbasserésolutiononerné,del'erreurmoyenneengendréeetdel'éart-type
inter-lasses
σ
(supposé égal pour haque lasse). Le orollaire 5.4.3 donne un enadrement dela probabilité en supposant que toutes les régions de la segmentation ne sont pas trop petites
relativement aupixelbasse résolution.
Corollaire 5.4.3 Si toutes les régions de la segmentation oupent une surfae en proportion
supérieure à
n/N
d'un pixel basse résolution, alors la probabilité de préférer une labellisation1
-optimaleλ ′
à lalabellisationorreteλ
vérie lesdeux inégalitéssuivantes :P (E(λ) − E(λ ′ )) ≥ 0
Sitouteslesrégionsdelasegmentationimpatentunpixelbasserésolutionenproportionsupérieure
à
De plus, lafontion
x 7→ G(x)
est unefontionroissantedex
,donCerésultatdonneunintervallede abilitéen fontiondelatailledespixelsbasserésolution,de la
tailleminimaled'unerégionrelativementàunpixelbasserésolutionetdurapport
min λ6=λ ′ k m(λ) − m(λ ′ ) k
σ
.Remarquons quee dernierrapport s'apparente àunemesurede ontraste,on note
c = min λ 6 =λ ′ k m(λ) − m(λ ′ ) k
σ .
(5.4.60)La gure 5.1 trae les valeurs de e majorant en fontion du ontraste de l'image, pour des
régions de taille minimale
n
N
(ave diérentes valeurs den
N
). Remarquons notamment qu'unelabellisation
1
-optimaleréalisée àpartird'une image de ontraste supérieurà1
a une probabilité inmed'êtrepréféréeàlalabellisationorretesitouteslesrégionsdelasegmentationreprésententuneproportionsupérieureà
30
dupixelBR.Deplus,laprobabilitédefaireuneerreurdelabellisation surunerégionontenue dansunpixelbasserésolutionestd'autantplusfaiblequeleontrasteestfort.
Le orollaire 5.4.3 soulève le problème de la tailledes régions d'une segmentation
rela-tivement àl'éhelle d'observation.Dans lasetion6.6, nous présentonsune analyseempiriquede
la sensibilité de la méthode au fateur de résolution. A e titre, nous évoquons laquestion de la
tailleminimaledes régionsdistinguables.
Par ailleurs, dans l'hypothèse où l'utilisateur souhaite se restreindre à l'utilisationde
θ
dates del'ensemble
T
,lerésultat5.4.2diteunemanièredeleshoisir.Eneet,bienquelealulde la probabilité d'erreur ne soit fait que dans le as préis où seule une région est erronée, il
donne uneidéedesparamètresquiinuentsurlesperformanes.Enpartiulier,remarquonsquele
ontraste,déniparladistaneminimaleentrelesmoyennesdeslassesnormaliséeparlavariane,
a uneetnon négligeablesurlaprobabilitéde mallabelliserunerégion.Unemanièrede hoisir
θ
dates dans
T
tout en minimisantles erreursde labellisation seraitalorsde résoudreleproblèmet 1 max <...<t θ
Lareherhed'unesolutionauproblème(5.4.61)peutsefaireenexploranttouslessous-ensembles
de
θ
parmiT
, mais ette exploration deC T θ
possibilités est rapidement très oûteuse en temps0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0 0.5 1 1.5 2 2.5 3
Probability
constrast
n/N=0.004444 n/N=0.1244 n/N=0.2489 n/N=0.3733 n/N=0.4978 n/N=0.6222 n/N=0.7467
Fig. 5.1.:Majorant de la probabilité de préférer une labellisation
1
-optimale à la labellisation orrete lorsque la région mal labellisée représente une proportion supérieure àn/N
d'un pixel basse résolution. La valeur du majorant est traée en fontion du niveau
ontrastedel'image.L'axedesabsissesreprésenteleniveaude ontraste
c
etl'axedesordonnées le majorant de la probabilité. Chaque ourbe orrespond à une proportion
n/N
xée,allantde0.4%
à74.6%
.de alul. Dans ette thèse, nous ne développons pas e point mais il pourra faire l'objet de
travauxomplémentairesdanslamesureoù lehoixdesdatesd'aquisitiononstitueunproblème
importantpour laqualitéd'une lassiationainsique pourle tempsdealul.
Dans le hapitre 6, nous dérivons un algorithme de reuit simulé pour résolution du
problème (5.2.19) . Il permet d'obtenir une labellisation et d'estimer les moyennes des lasses à
partird'uneséquene d'imagesBRetd'unesegmentationHR.Laonvergene de etalgorithme
est ensuite étudiée de manière expérimentale avant d'analyser la sensibilité de la méthode en
fontion dufateurde résolution.
Ce hapitre est entré sur la mise en oeuvre du modèle bayésien dérit dans
le hapitre 5 pour la lassiation HR de l'oupation du sol à partir d'une séquene
d'images BRet d'une segmentation HR. Dans un premiertemps, nous dérivons
l'algo-rithme de reuit simulé utilisépour trouver unesolution. Puis nous analysons les
perfor-manes de l'algorithme et de laméthode vis-à-vis des prinipaux paramètres onsidérés.
6.1. Algorithme de reuit simulé
Laminimisation desénergies(5.2.19) ou (5.2.16)est un problème ombinatoire diile
à résoudre. En eet, ompte tenu de la taille de l'espae des solutions (
L S
), une reherhesys-tématique duminimum n'est pas envisageable. Nous proposons d'adopter un algorithme de type
reuit simulépour résoudreleproblème 5.2.19,i.e.
λ ∗ = arg min
λ ∈L S
X
t ∈T
X
y ∈D
BR(v t (y) − µ t (λ, y)) 2 ,
où
µ t (λ, y) = X
l ∈L
X
k ∈ S l k = l
β k (y)m t (l) .
Les algorithmes de reuit simulé sont inspirés du reuit en physique statistique qui onsiste à
hauer (jusqu'à fusion) puis laisserrefroidir un métaldans le butd'améliorer ses qualités, et e
susament lentementpour ne pas lebloquer dansun étatinstableorrespondant àunminimum
loald'énergie. L'utilisationdureuitsimuléest destinée aux problèmesde minimisation diiles
(f.[Yart, 2002 ℄),i.e.lorsqu'unereherhesystématiqueestrendueimpossibleparlataillede
l'es-pae,etlorsquelafontionàminimiseraungrandnombredeminimaloauxquiperturbentl'aès
auminimumglobal.[GemanetGeman, 1984℄ontétélespremiersàutiliserunalgorithmedereuit
simuléen traitementd'images,pour minimisere typed'énergies. Le prinipe de l'algorithmeest
prohe de eluid'une desente de gradient,dont les pas de desente sont alulés
automatique-ment en fontion de latempérature et pour lequel des remontées d'énergie sontautorisées ave
une ertaineprobabilité.
Dansunontextenon-supervisé,l'algorithmeprenden entréeunesegmentationHR,une
séquened'images BRde lamême sène,et lenombredelabels
L
reherhé. Ilpermetd'obtenir,en sortie, une labellisation qui orrespond à une solution approhée du problème (5.2.19) ainsi
que l'estimation desmoyennes aratéristiques des lassesassoiées à lalabellisation obtenue. A
partird'une initialisationaléatoirede lalabellisationet de latempératureinitialealuléeàpartir
du diamètre du graphe, haque étape de l'algorithme onsiste à modier aléatoirement le label
d'une région de la segmentation puis à aluler la diérene d'énergie engendrée de manière à
déterminer si ette modiation faitdéroitre l'énergie ou non. Dans unontexte non-supervisé,
nousutilisonsl'algorithme1.Pouronsidérerleproblème(5.2.16) ,i.e.sanshypothèsed'égalitédes
varianesdeslasses,ilsutd'insérerl'estimationdesvarianesdeslassesaprèshaqueestimation
des moyennes des lasses dans l'algorithme 1. En pratique, nous préférons nous restreindre aux
statistiques du premier ordre en raison du oût en temps de alul important engendré par es
estimationsdansunalgorithmeitératif.
Caluler,
∀ y ∈ D
BR,lesproportions desrégions(β k (y)) y,k
,Initialiseraléatoirementlehamp des labels,
λ
,Estimerlesmoyennes assoiéesàhaque label(parrégressionlinéaire),
Calulerl'énergie
E λ
assoiéeàlalabellisationλ
,Initialiserlatempérature
θ
au diamètredugraphe,Initialiserlenombrede testsrejetéssuessivement,
n r = 0
,Tantque
n r ≤ a × S
fois,faire:pour
i = 0
àS
,séletionner aléatoirementunerégion
k
et unlabell
pour ette région,ré-estimer les moyennes assoiéesàhaque label,
aluler ladiérene d'énergie
∆ E = E λ − E λ prev
, oùλ prev
est lalabellisation obtenue à l'itération préédente,si
∆ E ≤ 0
,aepter lehangement de label,n r = 0
sinon, le rejeteraveune probabilité
exp ( − ∆ E /θ)
,n r + +
.θ ← qθ
.Algorithme 1: Algorithme de reuit simulépour lalabellisationd'une segmentationHR àpartir
d'une séquened'images BR.
D'un point de vue théorique, la onvergene des algorithmes de reuit est très étudiée
dans lalittérature.En partiulier, le théorèmede Hajek (1988)prouve, sous ertaines onditions,
la onvergened'un algorithme de reuitsimulépourunshéma detempératureorrespondant à
unedéroissanelogarithmique.Deplus,desrésultatsthéoriquestelsque[Catoni,1998 ℄disutent
du problème du test d'arrêt. En pratique, ompte tenu de la taille des images onsidérées et
du nombre de régions de la segmentation, une desente logarithmique n'est pas envisageable
pour des questions de temps de alul. En revanhe, une déroissane géométrique de raison
q = 0.999
etuntest d'arrêtxé parn r = 400
ontmontré,empiriquement,de bonsrésultatsdans les expérienes réalisées. Dans la setion 6.5, une série d'expérienes nous permet d'analyser leserreurs de labellisation obtenues dansle butde déterminer si ellesproviennent d'un problème de
onvergene de l'algorithmeou de lamodélisation.
Lorsquelesmoyennesaratéristiquesdeslassessontonnuesapriori,uneversion
super-viséedel'algorithmes'obtientdiretementàpartirdel'algorithme1,non-supervisé,ensupprimant
les phases d'estimation et de ré-estimation des moyennes assoiées à haque label. La version
supervisée prend alors en entrée une segmentation haute résolution, une séquene d'images BR
et les aratéristiques des lasses. Dans e as, l'algorithme peut diretement résoudre le
pro-blème (5.2.16) en onsidérant l'énergie qui lui est assoiée. En sortie, il fournit la labellisation
optimale au sens dumaximum aposteriori.L'estimationdes moyennes deslasses,à haque
ité-ration, est une tâhe oûteuse en temps de alul. Lasuppressionde ette étape onduit don à
unalgorithmenettementplusrapide quelaversion non-supervisée.
6.2. Algorithme de programmation dynamique
Laquestiondelavalidationd'uneméthode,pouretyped'appliations,estunequestion
déliate puisqu'uneartede référenen'estpas toujoursaessible et,mêmesi ellel'est,ellen'est
pas toujours able. L'objetif que nous visons est, par onséquent, d'être apable d'obtenir une
labellisationà partir d'imagesBRqui soitaussiprohe quepossiblede e qu'on obtiendrait ave
desimages HR.
L'algorithmedereuitsimuléprésentédanslasetion6.1peutêtreappliquédiretementà
desimagesouséquenesd'imagesHR.Lasolutionàlaquelleilpermetd'aéderestuneestimation
duminimumde l'énergiedansunontextestohastique.Pourl'élaborationd'une lassiationde
référene,nousproposonsdansettesetionunalgorithmedeprogrammationdynamique apable
de déterminer préisément unesolutionà partird'images HR.
Ahaute résolution,les pixelsd'uneimagesontonsidérés omme purs:haque pixelne
représentequ'unseultype d'oupation. Apartird'unesegmentationetd'uneséquenede même
résolution, l'algorithme de programmation dynamique 2 permet alors de regrouper les
S
régionsautourde
L
labels,pourunnombredelabelsL
xé(f.gure6.1).Cetalgorithmeestdéterministe et garantit d'aéder auminimum de l'énergie.+
Fig. 6.1.:Entrées et sortie de l'algorithme :à partir d'une segmentation (
300
régions)et d'uneimage de même résolution, l'algorithme permet d'obtenir une lassiation pour un
nombre de labels xé(ii,
L = 8
).A partir d'une segmentation ontenant
S
régions et d'une image observée, la valeurradiométrique moyenne de haque région s'obtient diretement. Pour toute région,notons
m i
lamoyenne assoiée à larégion
i
etN i
sa taille(en nombre de pixels). Le prinipe de l'algorithme reposesurletridesrégionsselonleurvaleurmoyenne. Supposons,paronséquent,quelesrégionssoient indiées selon leur valeur moyenne, par ordreroissant :
m 1 ≤ m 2 ≤ · · · ≤ m n
. On noteS l
l'ensemble desmoyennes de toutesles régionsde labell
. L'objetif est alors de regrouper esS
régionsautourdeL
labels (L < S
).Ahauterésolution,l'énergieonsidéréparleproblème(5.2.19)peuts'ériresouslaforme
E (λ) = X
.Endéveloppant, ette énergies'éritaussisouslaforme
E (λ) = X
k N k m 2 k
sontdestermesonstants.PourunefamilledemoyennesS l
,assoiéesau label
l
,on noteAveesnotations, siles régionssontindiéesparmoyennes roissantes, lalabellisation
qui minimise(6.2.1) s'obtient diretement en regroupant des régions d'indies onséutifs. Plus
préisément, l'objetifestde trouver l'appliation
f : { 1, ..., L } → { 1, ..., S }
roissante,vériantf (1) = 1, f (L) = S,
(6.2.5)et telle que
P L
i=1 Σ λ ( S i)
soit minimale. Cette fontion permet de dérire l'ensembleS i
desmoyennes desrégionsde label
i
parS i = { m f (i) , m f(i)+1 , · · · , m f(i+1)−1 } .
(6.2.6)et
La programmation dynamique repose sur le fait que la fontion
ϕ
s'érive de manière réursive(équation de Bellman).Eneet, pourtout
k ∈ { 1, ..., n }
,Pour tout
k
, es relations permettent de déterminerϕ(k, L − 1)
à partir deϕ(k, L)
et,réursi-vement, touslestermes jusqu'à
ϕ(k, 1)
.L'appliationf
reherhée orrespondalorsàl'argumentdu minimumde
ϕ(1, 1)
,i.e.ψ(1, 1)
. Etantdonnée une segmentationontenantS
régionsetuneimage HR
u
, l'algorithme 2 dérit la reherhe de lalabellisationλ
qui orrespond au minimumde l'énergie.
Algorithme 2: Algorithme de programmation dynamique pour la labellisation optimale d'une
segmentation HRà partird'une imageHR.
Cetalgorithmepermetdedéterminerleminimumdel'énergie(6.2.1)demanièreexate,
à partir d'une image haute résolution. Pour les expérienes qui suivent, ette labellisation est
onsidérée en tant que référene et les résultats obtenus à partir d'images BR sont omparés à
eux qu'on obtiendrait avedesimages HR.
6.3. Simulation des données
Dansettesetion,nousdérivonslamanièredontlesimagessontsimuléespourévaluer
la méthode de lassiation proposée et, en partiulier, permettre une analyse quantitative et
qualitative desdiérents typesd'erreurset desperformanes.
Pour respeter lastruture globale des images en observation de la Terreainsi que leur
dynamique,lesimagesontétésimuléesàpartirde aratéristiquesextraitessurdesimagesréelles.
Pluspréisément,nousavonsonstituéunjeudedonnéesde
165
imagesde taille300 × 300
pixelsextraits de la séquene d'images réelles HR de la série ADAM 1
(Plaine du Danube, Roumanie).
Ces images ont été segmentées arbitrairement en
100
régions (S = 100
), ave le modulesegtdulogiielhttp://mla.ens-ahan.fr/Cmla/Megawave,demanièreàrespeterglobalementla
struturespatialedel'image,puislabelliséespour
L = 5
labelsavel'algorithmedeprogrammation dynamique (f.6.2)en vue de onstituerdeslabellisationsde référene.Fig. 6.2.:Exemplesde labellisationssimuléesave
5
labels.Les moyennes et varianes assoiées à haque label sont alors utilisées pour simuler
des données par mélange de gaussiennes :pour haque labellisationde référene, uneimage HR
est simulée en tirant haque pixel suivant une loi gaussienne paramétrée selon les moyennes et
varianesréellesassoiéesaulabelorrespondant. LesimagesBRsontalorsrééesparmoyennage
des imagesHR simulées(ave lesfateurs de résolution
N = 15, 30, 50
.)Fig. 6.3.:ImagesBRsimuléesàpartirdeslabellisationsi-dessus,avefateursde résolution,de
gauhe àdroite,
N = 15, 30, 50
.1
Projeteuropéend'agro-modélisation.ImagesmisesàdispositionparleCNES.
Avant d'analyser empiriquement les performanes de la méthode sur un grand jeu de
données simulées,lasetion suivante présentequelques résultats de labellisation obtenus à partir
de séquenesd'imagesBRsimulées.Enpartiulier,elleillustrelapriseen omptede l'information
spatiale pour lalabellisation.
6.4. Exemples d'appliation
Dans ette setion, nous présentons les premiers résultats obtenus sur des séquenes
d'images simulées(f. setion6.3) dansl'objetifd'illustrerlaapaité de laméthode de
lassi-ation àexploiterl'informationtemporelle.
Les premières expérienes ont été réalisées dans l'objetif de présenter l'apport
d'in-formations redondantes pour la qualité de la labellisation. Pour ela, trois images sont simulées
selon les mêmes aratéristiques (moyennes et varianes par label) mais les labels auxquels es
aratéristiquesont étéassoiéesont étépermutés entreles diérentesimages de manièreeque
la séquene d'images ontienne, pour haque label, des informations redondantes. La gure 6.4
montre, sur un exemple donné, que les erreurs de labellisation obtenues sontde moinsen moins
nombreuses lorsqu'on augmente le nombre d'images utilisées.Cette expériene permetd'illustrer
l'apportd'informationsredondantes surlaqualité de lalabellisation.
Lagure 6.5présentelamême expérieneréalisée avedesimages simuléesde manière
àe quehaqueimageomportedeuxlassesonfondues.Lepourentagede pixelsmallabellisés
passede
1.12%
lorsquedeux imagessontutiliséesà0.09%
pourtroisimages.Laomplémentarité desinformationsapportéesparuneséquened'imagesfavorisenettementladistintiondeslasses.L'expériene suivante illustre l'intérêt d'informations omplémentaires pour la labellisation. Les
imagessontsimuléesdetellesortequeplusieurslassessoientonfonduesàunedatedonnée mais
quel'ensembledeslassessoitséparablessurl'ensembledesdates.Les prolsd'évolutions
tempo-relles des moyennes utilisés sontprésentés gure 6.6 en (a), et les images (bà f) orrespondent
aux images BRobtenues parmoyennage d'un fateur
15
desimages simulées partiragegaussienrespetivement selonles moyennes aratéristiques assoiéesaux dates
1
à5
.La labellisation ob-tenue ave es5
images est présentée gure 6.6 (i). Elles ontient5
régionsmal labellisées,qui orrespondentàseulement0.28%
despixels de l'image.Les expérienes présentées dans ette setion onrment, d'un point de vue qualitatif,
l'importanedel'informationtemporellepourdisriminerlesdiérentstypesd'oupation. Si
l'ap-port d'informations redondantes ontribue à distinguer les lasses, l'information omplémentaire
apportée à haque date est essentielle dans le ontexte du suivi des surfaes ontinentales. En
eet, l'intensitéassoiéeàplusieurstypesde végétationétantgénéralementonfondueàunedate
xée, seule son évolution temporelle permet de les séparer. Dans la setion suivante, nous nous
intéressons aux diérents types d'erreurs de labellisation que l'on peut obtenir ave la méthode
non-supervisée:les erreursduesàlanon-onvergene de l'algorithmeetellespropresàl'énergie
onsidérée.
(a) Segmentation. (b) ImageBR. () Labellisationobtenue
avel'imageBR(b).
(d) Erreurs de
labellisa-tion :
12
régions sontmallabellisées,
2.68%
despixels.
(e)Labellisationobtenue
ave2imagesBR.
(f) Erreurs de
labellisa-tion :
7
régions sontmallabellisées,
0.6%
despixels.
(g)Labellisationobtenue
ave3imagesBR.
(h) Erreurs de
labellisa-tion :
5
régions sontmallabellisées,
0.38%
despixels.
Fig. 6.4.:Labellisation pour
10
labels de la segmentation présentée en (a) à partir de l'image BR (b) (rapportde résolutionN = 15
), puis àpartir d'uneséquene basse résolutionontenant
2
images((b)etuneautreimagesimilaire),etennàpartirde3
images.Leserreursde labellisationdiminuent lorsqu'on augmentele nombred'images exploitées.
(a) Segmentation. (b) Image BR simulée
pour
10
labelsdont2
demêmemoyenne.
() Image BR simulée
pour
10
labelsdont2
la-belsdiérents du(b),de
mêmemoyenne.
(d) Image BR simulée
pour
10
labelsdont2
la-bels diérentsdes (b)et
(),demêmemoyenne.
(e) Labellisationobtenue
pour les
2
premièresimages.
(f) Erreurs de
labellisa-tion :
6
régions sontmallabellisées,
1.12%
despixels.
(g)Labellisationobtenue
pourles
3
imagesprésen-tées.
(h) Erreurs de
labellisa-tion :
3
régions sontmallabellisées,
0.09%
despixels.
Fig. 6.5.:Labellisationpour
10
labelsde lasegmentationprésentéeen(a) àpartirde laséquene BR omposée des images (b) et () (rapport de résolutionN = 15
), puis à partirdes images (b), () et (d). Les erreurs de labellisation diminuent ave lorsque des
informationsredondantes sontutilisées.
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1 2 3 4 5 6 7 8 9 10
(a)Evolutionstemporellesdesmoyennesutiliséespoursimulerlaséquene
d'images BR : haque ourbe orrespond à un label diérent. L'éhelle
de temps est représentéen absisses et lesvaleurs moyennes des lasses
(frationdeouvert)enordonnées.
(b) Date
1
. ()Date2
. (d)Date3
. (e) Date4
. (f) Date5
.(g)SegmentationHR. (h)Labellisationobtenuepour
laséquene BRomposée des
images(b)à(f).
(i) Enblan,erreursde
labelli-sation :
5
régionssontmallabelli-sation :