Expérimentation 3 : comparaison de la performance de l’ACC par rapport à l’ACP

Afin de valider la performance de la méthode de classification qui combine le SVM avec l’ACC, les résultats issus de cette solution ont été comparés à ceux obtenus à partir de la combinaison du SVM avec l’ACP, une méthode classique pour la classification des données d’imagerie hyperspectrale. Cette comparaison a été menée selon deux approches différentes soit une comparaison visuelle et une comparaison quantitative. La comparaison visuelle a porté sur les résultats présentés dans la figure 4.13.

88

(b)

(c)

(d)

Figure 4. 13 : Résultats de classification obtenus par application des deux méthodes de classification : a- résultat de la méthode ACC+SVM b- résultat de la méthode ACP+SVM c-

Régions A et B agrandies d- Légende

D’après les cartes thématiques produites par les deux méthodes de classification, on remarque que les résultats sont globalement semblables et les deux approches arrivent à identifier les différentes classes présentes dans l’image. Cependant, une analyse plus fine montre que la méthode adoptée dans ce travail est plus précise. Ceci se matérialise par la présence de zones homogènes, sans discontinuité (ex. région A dans les figures 4.13-a 4.13- b ou dans leurs versions agrandies dans 4.13-c) et aussi par la capacité de détection des routes qui est plus efficace dans le cas de notre méthode (ex. région B dans les figures 4.13- a et 4.13-b ou dans leurs versions agrandies dans 4.13-c).

Outre l’analyse visuelle, une étude quantitative a été également effectuée en comparant la précision globale, le coefficient kappa et le temps de calcul des résultats produits par chacune des deux méthodes de classification (cf. tableau 4.5).

89 Tableau 4.5 : Comparaison des performances des deux méthodes de classification : la méthode

ACC+SVM et la méthode ACP+SVM

Méthode de

classification Précision globale (%) Kappa Temps de calcul (s)

ACC+SVM 94 0,93 469,2

ACP+SVM 87,3 0,86 86,7

Les résultats de la comparaison quantitative des deux approches de classification montrent que la précision de la méthode adoptée dans ce travail est meilleure que celle de la méthode ACP+SVM. Ceci peut être noté à travers les valeurs de la précision globale (différence de plus que 6%) et le coefficient kappa (différence de 0,07). Cependant, l’approche ACC+SVM est plus couteuse en termes de temps de calcul qui est multiplié par un facteur de 5 par rapport à la méthode ACP+SVM.

Afin d’avoir une analyse plus fine de la performance des méthodes de classification testées, nous avons utilisé la matrice de confusion issue de chaque méthode de classification (cf. Annexe B) pour calculer les erreurs de commission et d’omission (cf. section 4.1.3) de chaque classe. À partir des résultats obtenus (cf. figure 4.14), on peut constater que :

 Les erreurs de commission issues de la méthode ACC+SVM sont inférieures à celles de la méthode ACP+SVM (sauf pour la classe commercial).

 Les erreurs d’omission issues de la méthode ACC+SVM sont inférieures à celles de la méthode ACP+SVM (sauf pour la classe grass synthetic).

 La méthode ACC+SVM permet de différencier les trois types de gazon présents dans la scène d’une façon efficace (erreurs de commission et omission inférieures à 0,05) et d’une façon légèrement meilleure que la méthode ACP+SVM.

 La méthode ACC+SVM permet de détecter les cibles naturelles (arbres, sol, gazon) avec une précision très élevée (erreurs de commission et d’omission inférieurs à 0,05). Cependant, la détection de la classe commercial est peu précise. Elle est confondue principalement avec la classe residential. Ceci peut être expliqué par la plage de longueur d’onde utilisée (c.-à-d. VNIR)

90

pour l'acquisition du jeu de données. Cette bande spectrale se caractérise par une bonne identification des objets naturels (notamment la végétation) par rapport aux autres matériaux.

(a)

(b)

Figure 4.14 : comparaison des erreurs de commission et d’omission pour les deux méthodes ACC+SVM et ACP+SVM a- erreur de commission, b- erreur d’omission

4.3. Conclusion

Dans le présent chapitre, une nouvelle méthode de classification des données d’imagerie hyperspectrale a été présentée. Cette méthode est composée de l’algorithme

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 ACC+SVM ACP+SVM 0 0,1 0,2 0,3 0,4 0,5 0,6 ACC+SVM ACP+SVM

91 ACC qui est appliquée pour la réduction de la dimensionnalité des données et de l’algorithme SVM qui est dédiée à la classification des données. L’évaluation de la performance de cette méthode a été basée sur une étude comparative vis-à-vis des résultats produits par une méthode classique de classification composée de l’ACP et de l’algorithme SVM. Cette évaluation a été menée sur deux niveaux. En premier lieu une étude qualitative a été faite à l’aide d’une analyse visuelle des cartes thématiques produites à l’issue de l’application de ces deux méthodes. Cette analyse a montré que la méthode proposée dans ce travail permet de bien identifier les classes présentes dans la scène d’une façon plus précise que la méthode de référence. En deuxième lieu, une évaluation quantitative a été effectuée à l’aide de deux types d’indicateur de qualité à savoir des indicateurs globaux et spécifiques. Cette évaluation a montré que la méthode proposée permet d’effectuer une classification très précise (une précision globale 94% avec un coefficient kappa de 0,93) et meilleure que celle réalisée par la méthode ACP+SVM (un écart de plus que 6% en terme de précision globale). Les indicateurs spécifiques (erreurs de commission et d’omission) ont également confirmé cette performance notamment pour l’identification de cibles naturelles (eau, gazon, arbres, sol). Le principal point faible de cette méthode se situe au niveau du temps de calcul qui est relativement élevé. Cette limitation pourrait être remédiée en améliorant les performances de la machine utilisée ou encore en optimisant les algorithmes implémentés.

En conclusion, malgré son inconvénient en termes de temps de calcul, la méthode proposée dans ce travail s’est montrée performante pour la classification des images à très haute résolution spatiale.

93