4. Problématique 59
5.2. Maximum a posteriori
Dans ette setion, notre objetif est de déterminer laprobabilité a posteriorid'obtenir
une ertainelabellisation étantdonnée uneséquene d'images observée àbasserésolution etune
segmentation haute résolution. La maximisation de ette probabilité permettra alors de générer
une labellisationsous-pixellique (àhaute résolutionspatiale).
Ave le modèle linéaire de mélange (f. Setion 5.1), la mesure observée au sein d'un
pixelbasserésolutionest expriméeen fontiondutauxd'oupationde haque labeldansle pixel
d'intérêtetdesmoyennesaratéristiquesdesdiérentslabels.Dansl'objetif d'attribuerunlabel
à haque région de la segmentation, onsidérons
β k (y)
la proportion de la régionk
représentée par le pixely
. Pour tout labell ∈ L
,la proportion dulabell
dans le pixely
est alors égale à lasommedesproportions de touteslesrégionsde label
l
présentéesdansle pixely
,soitα l (y) = X
k ∈ S λ k = l
β k (y) ,
(5.2.8)où
S
représentelenombrederégionsexistantesdanslasegmentationetλ k
lelabeldelarégionk
.Nous supposons quele nombre
L
desdiérents typesd'oupation du sol présents sur lasurfaegéographique étudiée estonnu.
Laprobabilitéd'observer
v
sahant lalabellisationλ
déritlesproessusd'observationet d'aquisitiondesdonnées.Pourladéterminer,noussupposonsque,pourtoutt
,lehampaléatoireU t
sur le domaine haute résolutionD
HR est gaussien onditionnellement à la labellisation haute résolution. Pour toute datet
,le type d'oupation dusol de labell
est alors aratérisé parunedistribution gaussiennede moyenne
m t (l)
et de varianevar t (l)
. Lavarianevar t (l)
modélise lavariabilitéintrinsèqued'unelassedonnée.Cettehypothèseestourammentutiliséedansleasdes
donnéesde télédétetionoptiques.Lesmesuresaquises parlesapteurshauteetbasserésolution
étant liéesparunopérateur de moyennage (i.e. l'image
V t
orrespond àla moyenne par blosdel'image
U t
), lavariablealéatoireV t (y)
est aussigaussienneonditionnellementàlalabellisation.Engénéral,lesimagesaquisesàbasserésolutionomportentdenombreuxpixelsmixtes,
latailledesobjetsd'intérêtétantsouvent pluspetiteque lasurfae représentée danslehamp de
vision d'un pixel. Il estalorsdiilede faireune hypothèse de régularitéspatialeentre pixels BR
voisins.Paronséquent,noussupposonsquelesobservationsBRsontspatialementindépendantes
onditionnellement àla labellisation.Les observations HR,quantà elles,ne sontpas onsidérées
diretement mais uniquement à travers les mesures BR. Elles sont don à leur tour supposées
indépendantes onditionnellement à la labellisation. La distribution de la loi a priori est alors
déterminéeparlaproposition5.2.1.
Proposition 5.2.1 Soient
s
unesegmentationet(β k ) k ∈S
lesimagesdeproportionsBRassoiées.Supposons que, pour toute date
t ∈ T
et tout pixelx ∈ D
HR, la variable aléatoireU t (x)
suit,onditionnellementàunelabellisation
Λ = λ
,uneloinormaledemoyennem t (λ s(x) )
etdevarianevar t (λ s(x) )
.Soushypothèsed'indépendanedesvariables(U t (x)) x ∈D
HR,ladensitéapriorideV t (y)
onditionnellement à
Λ = λ
vaut alorsf V t (y) | Λ (v t (y) | λ) = 1
permetd'exprimer l'intensitéobservée souslaforme:
(V t (y) | Λ = λ) = X
où
N l (y)
représentelenombredepixelsx ∈ D
HR de labell
présentsdanslepixelbasserésolutiony
et{ x ∈ y }
désigne l'ensemble des pixels haute résolution représentés au sein du pixely
. Lavariable
(V t (y) | Λ = λ)
est don gaussienne en tant que mélange de variables gaussiennes. Sa moyenne vautDemême,lavarianeestaluléeàpartirdel'équation (5.1.6)et,grâeàl'hypothèse
Remarquons que les moyenne et variane dépendent alors du pixel basse résolution onsidéré,
à travers sa omposition en terme des diérents types d'oupation du sol. La dépendane à la
labellisationsemanifestealorsuniquementparl'expressiondumélangedeslabelsauseindespixels
basserésolution.
Supposons, de plus, l'indépendane temporelledes observations onditionnellementà la
labellisation.Si ette hypothèse semble peu réaliste, elle est ourante dans la littérature dans la
mesureoù l'estimationdes orrélationsroiséesentre les diérentes dates onsidéréesest diile
àréaliseretnéessiteraitunephased'apprentissageoulapriseen ompted'un apriorisurleprol
temporeldesdiérentstypesd'oupationdusol.D'unpointde vuethéorique lapriseen ompte
desorrélationstemporellesn'engendre pasde diultépartiulière. Ellesemanifestesimplement
sous la forme d'une matrie de ovariane non diagonale. Cependant, l'estimation des termes
de ovariane temporelle risque alors de sourir du phénomène de Hughes selon lequel, pour un
nombrelimitéd'éhantillons,laqualitédel'estimationdéroîtlorsqueladimensionaugmente.Dans
notreas,lenombredetermesde ovarianeàestimerdevientrapidementtrèsgrandrelativement
à la taille de l'éhantillon onstitué par les images BR. Si l'estimation d'un plus grand nombre
de paramètres (les termes non-diagonaux) permet de diminuer le biais de l'estimateur, elle en
augmente la variane (i.e. l'erreur stohastique). Il est don néessaire de faire un ompromis
entre esdeux typesd'erreurs.
Sous es hypothèses, la densité de probabilité d'observer une mesure
v
est déterminée, onditionnellement àlalabellisation,parLa moyenne du hamp aléatoire
V
onditionnellement à lalabellisationest alors, pour tout pixely
, notéeµ(λ, y)
. Elle orrespond au veteur des moyennes(µ t (λ, y)) y,t
. Quant à la matrie deovariane, elle est diagonale grâe à l'hypothèse d'indépendane temporelleet elle peut s'érire
souslaforme
σ 2 (λ, y)I T
,oùσ 2 (λ, y) = σ t 2 (λ, y)
y,t
etI T
désignelamatrieidentitéendimensionT
.Nous proposonsde onsidérerle ritèreduMaximumAPosterioripour estimerla
on-guration optimale du hamp deslabels
Λ
onnaissant la séquene d'observationv
. Notonsλ ∗ = (λ ∗ 1 , . . . , λ ∗ S )
la labellisation optimale, où lak
ième oordonnée représente le label de lak
ièmerégion.
Enl'absened'informationontextuelleliéeàlasèneobservée,noussupposonsquetous
les labels ont lamêmeprobabilité d'ourene. Enpratique, ette hypothèseest peu réaliste. Par
exemple,unlabelreprésentantunelassetellequel'eauestgénéralementtrèsminoritairedansune
sène rurale. Dans lalittérature, un formalismemarkovien pour le hamp des labels est souvent
adopté pour modéliser les interations entre pixels voisins sous la forme d'énergies loales dans
l'objetifdefavoriserl'explorationdeertainessolutionsquiorrespondentàunapriorisurl'image
deslabels(f.[Gemanet Geman, 1984,Kasetkasem etal.,2005 ℄).Dansnotreas,unehypothèse
de régularitéspatialeestdiileàenvisagerpuisquelespixelsbasserésolutionontiennentapriori
plus d'un objetd'intérêt (pixels mixtes).Cependant, l'utilisationd'une segmentation HR permet
de ontraindrel'explorationdeshampsde labels.
Ces hypothèses permettent d'obtenir, avelaproposition5.2.2, l'expressionde la
label-lisation optimale en fontion de l'observation, des moyennes et varianes de haque label et des
taux d'oupationde haque région auseinde haque pixel.
Proposition 5.2.2 Sous les hypothèses de normalité et d'indépendane de la proposition 5.2.1,
la labellisationoptimale ausens duMaximumAPosterioriest déterminéepar
λ ∗ = arg min
D'après larèglede Bayes, ladensitéde probabilitéa posterioris'érit
f Λ| V =v (λ | v) = f V | Λ (v | λ) f Λ (λ)
f V (v) .
(5.2.17)La densité
f V
est une onstante pour le problème de maximisation onsidéré. De plus, l'hypo-thèse d'équidistribution des labels dans l'image implique quef Λ
ne joue alors pas de rle sur lamaximisation.Par onséquent,
arg max
λ ∈ L S f Λ | V =v (λ | v) = arg max
λ ∈ L S f V | Λ=λ (v | λ)
(5.2.18)et lalabellisationoptimaleest alorsdéterminée par
λ ∗ = arg max
2
Avel'hypothèsed'équidistribution deslabelsdansl'image,remarquonsqueleritèreduMAPest
équivalent au ritèredu maximum de vraisemblane. La résolutiondu problème (5.2.16) onduit
alors à une labellisation optimale au sens du Maximum A Posteriori ou du maximum de
vrai-semblane. Elle est, ependant, onditionnée par la onnaissane des moyennes et varianes
a-ratéristiques des diérentes lasses d'oupation du sol présentes sur la surfae onsidérée. En
pratique, si les moyennes et varianes aratéristiques des lasses sont onnues a priori, une
so-lution de (5.2.16) peut être obtenue par un proessus d'optimisation global. On parle alors de
méthode de lassiation supervisée. Lorsqu'elles sont inonnues, ellespeuvent être estimées au
lduproessus d'optimisationgrâeau modèle linéairede mélange,au prixd'un tempsde alul
plus important.
En général, les aratéristiques des lasses sont inonnues : elles dépendent des dates
d'aquisition, des onditions atmosphériques, de la roissane de la végétation à une éhelle
lo-ale (le yle phénologiqued'une même ulture n'est pasnéessairement identique sur deux sites
géographiques distints),et. Uneméthode de lassiation non-supervisée semble alorsplus
ap-propriée. Lesaratéristiquesdeslassespeuvent alorsêtreestiméesàpartirdumodèlelinéairede
mélange, onnaissant les proportions des diérentes lasses au sein de haque pixel. Cependant,
si les moyennes des lasses peuvent être estimées en un temps raisonnable lors du proessus de
minimisation,parexempleaumoyend'unerégressionlinéaire,l'estimationdesvarianesde lasses
est plussensible etoûteuseen tempsde alul.
Paronséquent,pouruneapprohenon-supervisée,nousproposonsdenousaranhirdu
problème de l'estimationdes varianes deslasseset de sa robustesseen supposant unevariane,
σ 2
,égalepourtoutesleslasses.Cettehypothèseonduitàunevarianeonstantepourtoutpixelbasserésolution.Leorollaire5.2.3permetde déterminerlalabellisationoptimaleorrespondante.
Corollaire 5.2.3 Sous leshypothèsespréédentes, lalabellisation optimaleausens duMaximum
APosterioriestdéterminée par
λ ∗ = arg min
λ ∈L S
X
t ∈T
X
y ∈D
BR(v t (y) − µ t (λ, y)) 2 .
(5.2.19)Démonstration.
Si lesvarianes de tousleslabels sontégales,alorsla variane d'un pixelbasserésolutionvaut
σ 2 t (λ, y) = 1 N
X
l ∈L
α l (y)σ 2
= σ 2 N
X
l ∈L
α l (y)
= σ 2
N .
D'après laproposition5.2.2,lalabellisationoptimale vaut alors
l'énergieassoiéeàunelabellisation
λ
etuneséquened'imagesv
onsidéréedansleproblème(5.2.19) .D'après quelques statistiqueseetuées sur des données réelles (SPOT/HRV), ette hypothèse
ne semble pas aberrante dansla mesure où les diérentes lasses sontgénéralement de variane
prohe à l'exeption de la lasse 'eau' dontla variane est très faible.Cependant, la lasse'eau'
peut être nettement distinguée des autres lasses par sa radiométrie et une sur-estimation de la
variane n'estalorspas nuisibleàlalabellisation.
Dans lasetion5.3, nousétudions les solutionsduproblème (5.2.19)et nousnous
inté-ressons àl'inuenede labasserésolutionsur essolutions.