III. Détetion de hangements à l'éhelle sous-pixelique 101
8. Aspets numériques 129
8.4. Séletion de sous-systèmes
Pourdéteterlesous-domaineleplusohérentaveunelabellisationontenant
L
labels,laméthodedéritesetion8.2estbaséesurlaséletionaléatoire,dansleasmonodimensionnel,de
L
pixelsdudomaineD
BR.Dansleasmultidimensionnel(D
BR×T
),laproblématiqueestlamême maisils'agitdeséletionnerL × T
pixels.Poursimplierlesnotations,nousonsidéronsuniquementle as monodimensionnel dans ette setion. A partir des
L
pixels séletionnés,(y 1 , . . . , y L )
, unsous-systèmede
L
équations àL
inonnues déni parv(y i ) = X
l ∈ L
α l (y i )µ(l)
!
i=1...L
est extraitdu système quipourrait être forméà partir de toute l'image
D
BR.Ce système extraitpeut s'érire aussi sous la forme matriielle
Ax = b
, oùA = (α l (y i )) i,l
représente la matriedes proportions,
x = (µ l ) l
le veteur des moyennes des lasses etb = (v(y i )) i
le veteur desobservations assoiéesaux
L
pixelsséletionnés.Enpratique, pourqu'uneitérationsoitutile,ilfautqueles moyennes assoiéesàhaque
lassepuissentêtreestimées.Entirant
L
pixelsaléatoirement(uniformémententre0
et|D
BR|
),ilest possible queertaines lasses ne soientreprésentées parauun pixel, le veteurdes moyennes
ne peutalorspasêtreestiméorretement.Avantdeherheràélaborerunestratégiede séletion
de sous-systèmes apable d'éviter e type de as, nous proposons d'analyser empiriquement la
fréquene d'apparition de matries non inversibles dans un ontexte aléatoire. Dans et objetif,
nous onsidérons le onditionnement d'unematrieomme mesured'inversibilité. Rappelons que
le onditionnementd'une matriearrée
A
estdéni parcond(A) = ||| A |||
où
||| . |||
est une norme matriielle subordonnée. Dans e doument, on onsidère en partiulier les normes matriiellesusuelles, subordonnées aux normes vetoriellesk . k p
, oùp = 1, 2, ∞
. Leonditionnement d'une matrieest toujourssupérieur ou égal à
1
et, paronvention, ilest innilorsquelamatrieest singulièrequelque soitlanormeutilisée.
Les histogrammes de fréquene des onditionnements obtenus pour diérents types de
matries aléatoires, de taille
6 × 6
(100 000
tirages de matries) sont présentés gure 8.4. Lagure 8.4(a)présentel'histogrammedefréquene desvaleurs deonditionnement obtenuespour
100 000
matriesquelonques séletionnées aléatoirement,uniformémentdans[0, 1]
.Remarquonsque les valeurs de onditionnement obtenuessonttoutesonentrées approximativement sur
l'in-tervalle
[0.8, 4]
en éhellelog
, soit entre les valeurs6
et10 000
. Cesmatries quelonques tiréesaléatoirement(uniformémentdans
[0, 1]
) peuvent dontoutesêtreonsidéréesommenumérique-ment inversibles.Cependant, les matriesséletionnées pour notreétudepossèdentdespropriétés
partiulières puisqu'il s'agitde matries de proportions. Elles sont don, par dénition,
stohas-tiquesen ligne(lasommeen lignevaut
1
).Deplus, remarquonsquesiA
représentelaproportionde haquelabeldansun pixelbasserésolution, sontermegénéral estde laforme
a
N
oùN
est unentier xé représentant lenombrede pixelshaute résolutionontenus dansun pixelbasse
résolu-tion, et
a
unentier ompris entre0
etN
.Lagure 8.4(b) présente l'histogrammede fréquene de matries de proportions simulées par tiragealéatoire tel que, pour tout(i, j)
, le termegéné-ral
a i,j = a/N
, avea ∈ [0, N ]
(pourN = 15
). La plupart des matries ainsi simulées sontaussi inversibles, même si quelques ourenes de onditionnement inni ont eu lieu (ii,
1.e 17
orrespondà l'inninumérique). Pour nir, lagure 8.4 ()présentel'histogrammeobtenu pour
des matries de proportions réellement extraites à partir d'un jeu de données pour la détetion
de hangements. Ellepermetd'observerqu'environ
35%
des matriesséletionnées aléatoirement (uniformément)nesontpasnumériquementinversibles.Cettediérene peutsemblersurprenantemais ilfaut prendre en ompte le faitque, pour une sène donnée, la fréquene d'apparitiondes
valeursde proportionsn'estpasaléatoire:elleestdiretementliéeàlastruturede lalabellisation
relativement au domainebasse résolution, et ertaines valeurs peuvent apparaître beauoup plus
fréquemment que d'autres. En pratique, la probabilité de séletionner aléatoirement
L
pixels quiformentunematriede proportionsnon-inversibleest donélevée,et impliqueautantd'itérations
inutiles.
Fig. 8.4.:Histogrammesduonditionnementpourlanorme
2
obtenupour100 000
matriesM
detaille
6 × 6
tiréesaléatoirement(éhellelog
).Tirageuniformede matriesquelonquesdans
[0, 1]
gure(a), de matriesde proportions simuléesgure (b)(terme général de laformea
15
,a ∈ [0, 15]
), et de matriesde proportionsextraites aléatoirementàpartir d'un jeude donnéesgure().A présent, vérions que lavaleur du meilleur
N F A
obtenu pour un jeu de données estbien liée à la valeur du onditionnement de la matrie utilisée pour l'estimation des moyennes.
La gure 8.5 (a) présente les valeurs de
N F A
obtenues pour100 000
itérations sur un jeu dedonnées enfontion duonditionnementde lamatrie
A
utiliséepourl'estimationdesmoyennes, dans le plan(log(cond 2 (A)), log(N F A))
. Remarquons queles pluspetitesvaleurs deN F A
ontbien été obtenues pour des valeurs faibles de onditionnement, même si des matriessingulières
(onditionnement supérieurà
1.e 17
)peuvent aussipermettred'obtenirunefaiblevaleurdeN F A
.Un onditionnement inni est synonyme d'instabilité mais il n'interdit pas l'obtention, par
ha-sard, d'une solution orrete. Pour une analyse plus ne du as des matries inversibles, la
-gure 8.5 (b) présente la médiane, les
10
ème et90
ème perentiles duN F A
obtenu en fontionduonditionnementde
A
pourlemêmeéhantillonrestreintauxvaleursde onditionnementdont le logarithmeest ontenu dansl'intervalle[0, 6]
, i.e. as desmatries numériquement inversibles.Les valeurs du
N F A
sontd'autant plusgrandes quele onditionnement est grand et sesvaleurs minimales sont obtenues lorsque les matriesA
séletionnées sont de onditionnement inférieur à3
.L'histogramme bidimensionneldu onditionnementdeA
versus lavaleur minimaleduN F A
0 10 20 30 40
Fig. 8.5.:Valeurdu
N F A
obtenu en fontion duonditionnement de la matrieA
utiliséepourl'estimationdesmoyennesdeslasses,enéhelle
log
.Résultatsobtenuspour100 000
ité-rationsoùlesmatriessontséletionnéesaléatoirement(gure(a)).Figure(b) :valeurs
médianes et des
10
ème et90
ème perentilesobtenus sur la restritionde l'éhantillon aux matriesnumériquement inversibles,i.e. tellesquecond 2 (A) ≤ 1.e 6
.Figure () :l'histogrammede fréquene
2
Dduouple(cond 2 (A), N F A)
, en éhellelog
.présenté gure 8.5 () permet de onrmer le lien étroit entre es deux valeurs. Plus
préisé-ment, la gure 8.6présente les histogrammes du
N F A
obtenus pour unintervalle de valeurs deonditionnementdonné.Lesmatriespourlesquellesle
N F A
est minimumsemblentavoir,leplussouvent, unfaibleonditionnement. Eneet,ette séried'histogrammespermetd'observer
laire-ment queplusleonditionnementdelamatrieséletionnéeestélevé,pluslepide fréquenedes
valeurs de
N F A
est obtenu pour une grande valeur deN F A
. De plus, remarquons notammentl'apparitiond'unpidefréquenedesvaleursde
N F A
en0
dèsle4
èmehistogramme,soitdèsquelog(cond 2 (A)) ≥ 1.2156
, i.e.cond 2 (A) ≥ 16.4
. Cetteremarque nous inite àpenser que le faitde séletionner les matries de faible onditionnement permettrait de diminueronsidérablement
le nombred'itérationspour unmêmerésultat.
Pour améliorer la performane de l'algorithme de détetion de hangements et ompte
tenudesrelationsobservéesentrelesvaleursminimalesdu
N F A
etlavaleurdesmatriesexploitéespour l'estimation,nous proposonsde reherher unritèrede séletion de matriespermettantle
ontrle de sononditionnementet, paronséquent, de restreindre l'étude uniquementaux
sous-systèmessusament stablespour apporter une estimationorretedes moyennes des lasses.En
eet, lesgures8.5et8.6montrentquetouteslesitérationsauours desquellesdesmatriesnon
inversibles(ouàfortonditionnement)sontséletionnéessemblentpeuutilespourlaminimisation
du
N F A
.−300 0 −250 −200 −150 −100 −50 0 50
Fig. 8.6.:Histogrammes des valeurs de
N F A
obtenues pour un intervalle de valeurs duondi-tionnement de
A
donné. Chaque intervalle est déni de manière à ompter le mêmenombre d'ourenes (
1904
).Plusle onditionnementdeA
estgrand (enéhellelog
),plusles valeurs du
log(N F A)
sontgrandes.Unepremièreidéeseraitalors,àhaqueitération,detirerunematriealéatoirementetde
aluler sononditionnement avant de déiderde poursuivrel'itération ou de répéterl'opération.
Cependant, le alul du onditionnement est trop oûteux pour être eetuéà haque itération,
sontempsde alulétant supérieurautempsnéessaireàlarésolutiondusystème onsidéré(par
déompositionen valeurssingulièresou déompositionLU).Remarquonsque,pourêtreinversible,
il est néessaire que tous les labels soient représentés par l'ensemble des pixels séletionnés. La
première statégie que nous proposons repose sur une ondition intuitive de poids minimal sur
les oeients diagonaux (à une permutation près). Plus préisément, nous proposons de xer
une valeur seuil pour les proportions et de séletionner une famille
(y 1 , . . . , y L )
telle que pourl = 1 . . . L
,la proportionα l (y l ) ≥ seuil
. Ave ette stratégie, dérite parl'algorithme 5, toutes les lasses sontréprésentées en proportion supérieure au seuilparau moins un pixel. Les valeurs1. Pour
l = 1
àL
trierle veteur
(α l (y i )) i=1... |D
BR
|
parordreroissant,
I[l] = (y i ) i=1... |D
BR
|
telque∀ i ≤ j, α l (y i ) ≤ α l (y j )
,reherher l'indie
i min (l)
tel que∀ i ≥ i min (l), α l (y i ) ≥ seuil
,2. n pour.
3. Pour
l = 1
àL
tirerunentier
m
uniformémentdans[i min (l), |D
BR| ]
,lepixelorrespondant
y l = I [l][m]
,vérierquele pixeln'apas étéséletionnédeux fois.
4. n pour.
Algorithme 5:Séletion de sous-systèmes-stratégie 1.
de proportions qui orrespondent àes pixels sont stokées dans une matriearrée, notée
A
, àpartirde laquelleles moyennes deslassessontestiméesavant de aluler le
N F A
.Lagure 8.7présentel'histogrammedesvaleursde onditionnementobtenuespour
100 000
matriesséletion-nées aléatoirement(gure (a))etparl'algorithme5 aveunseuilxéà
0.2
(gure(b)).Cesdeuxhistogrammes sont étonnamment prohes, et montrent que ette stratégie n'apas d'eet sur le
onditionnement des matriesséletionnées.Pour êtreeae, ilfaudraitxer unseuilsupérieur
à
0.5
de manière à obtenir une matrie à diagonale dominante, don inversible. En pratique et omptetenudel'appliation,untelseuiln'estpasenvisageable.Eneet,selonlastruturespatialede la sène observée et le type de lasses représenté, l'ensemble des pixels dont les proportions
en label
l
est supérieure à un seuil donné peut être très restreint (voire vide selon la valeur duseuil). Par exemple, une lasse telle que l'eau est généralement minoritaire dans un pixel basse
résolution. Pourséletionner despixels apablesde représenter toutesles lasses,nousproposons
de onsidérerunritèreplus généralfondé surle ontrle durapportdéni pour toutlabel
l ∈ L
et pourtout pixel
y i
parR l (y i ) = α l (y i )
max k 6 =l α k (y i ) .
Pourhaque label,lespixels
y i
pourlesquelslerapportR l (y i )
est leplusélevéorrespondent aux pixels qui représentent le labell
en forte proportion ou tous les labels diérents del
en faibleproportion. Lehoixd'un seuilétantontraignant etdépendantdesdonnées, nousproposons
plu-tt de onsidérer, pour haque label, l'ensemble des
n
pixelsy i
pour lesquels le rapportR l (y i )
est le plus élevé. Cette approhe permetde séletionner les pixels dans un ensemble de taille
n
,où
n ∈ [0, |D
BR| ]
. Cette nouvelle approhe est dérite par l'algorithme 6. La gure 8.7 montre 1. Pourl = 1
àL
Pour
i = 1
à|D
BR|
max = max k 6=l α k (y i )
,
R[l][y i ] = α max l (y i )
,npour
i
.Trier leveteur
R[l]
par ordreroissant,
I[l] = (y i ) i=0... |D
BR
|− 1
telque∀ i ≤ j, R[l][y i ] ≤ R[l][y j ]
,2. n pour
l
.3. Pour
l = 1
àL
tirerunentier
m
uniformément dans[ |D
BR| − n + 1, |D
BR| ]
,lepixelorrespondant
y l = I [l][m]
,vérierque e pixeln'apas étéséletionnédeux fois.
4. n pour
l
.Algorithme 6:Séletionde sous-systèmes -stratégie 2.
l'eaité de ette stratégie (gure ()), pour
n = 20
, par rapport à l'algorithme 5. Les va-leurs de onditionnementobtenuessontalorsregroupées,pourlaplupart,entre0
et3
(enéhellelog
) mais un pi d'ourene persiste autour de17
(i.e. l'inni). Ce pi montre qu'unepropor-tion moindre mais non négligeabledes matries séletionnées n'est pas inversible.Cependant, en
diminuant la valeur du paramètre
n
, les performanes peuvent être nettement améliorées. Par exemple, en se limitantàn = 15
,les matriesséletionnées sonttoutes inversibles.Lagure 8.8 présenteleshistogrammesobtenusaveettestratégiepourtroisdiérentes valeursduparamètren
(n = 5, 10, 15
).Rappelonsqueleparamètren
indiquelepourentagedespixelsdel'imagesus-eptibles d'être séletionnéspour l'estimation. Par exemple,pour une imagede taille
256 × 256
,xer
n = 5, 10, 15
revientàhoisirhaquepixeldansunéhantillonomprennant,respetivement,3276, 6553
ou9830
pixels pour estimer6
labels (dans le as des expérienes présentées). Aven = 10
(gure (b)),remarquons queles onditionnements des matriesséletionnéessont essen-tiellementomprisentre0
et1
(enéhellelog
),equiorrespondauxtroispremiershistogrammes présentés gure8.6, où les ourenes de faibles valeurs deN F A
sont lesplus fréquentes. L'his-togramme obtenu gure (a) pourn = 5
est enore plus performant pour l'obtention de faibles valeurs de onditionnement, et donduN F A
(d'après lagure8.6,1
erhistogramme).Pour traiterleas des lassesminoritaires,une autreapprohe seraitde séletionner un
pixelparmiles plusreprésentatifsd'une lasse
l
donnée etnettementplus représentatif dulabell
0 5 10 15 20
Fig. 8.7.:Histogramme du onditionnement (éhelle
log
) pour la norme2
obtenu pour100 000
matries
A
de taille6 × 6
orrespondantréellement àdesproportions etséletionnées, gure (a),aléatoirement (uniformément), gure(b) avelastratégie1
(seuil=0.2
) et,gure (), avelastratégie
2
pourn = 20
.quelesautrespixelsséletionnés.Dupointde vuede lamatrie
A
desproportions,etteondition porte sur les olonnes (lasses) et ne dite pas diretement une stratégie de séletion de pixels.Nous proposons,paronséquent, deherher unritèreportant sur lesoeients d'unematrie
et apable de ontrlersononditionnement. Pour ela,nousintroduisonsladénition8.4.1.
Dénition 8.4.1 Unematrie
A
de termegénéral(a ij ) 1 ≤ i,j ≤ n
est dite à diagonaleε
-dominanteen olonne pourlanorme
L p
sipourtout
j = 1, . . . , n, k A j k p ≤ ε | a jj | ,
ave
A j = t (a 1,j , . . . , a j −1,j , 0, a j+1,j , . . . , a n,j )
.En onsidérantleonditionnement pourlanorme
L 1
,lethéorème 8.4.2donne unemajorationduonditionnementd'unematrie
ε −
dominanteenolonneenfontiondesesoeientsdiagonaux.Théorème 8.4.2 Soit
A = (a ij ) i,j
unematriede taillen × n
.SiA
estàdiagonaleε
-dominanteen olonnespourlanorme
L 1
,aveε < 1
,alorsleonditionnementdelamatrieA
pourlanorme||| . ||| 1
satisfaitLemme 8.4.3 Soient
A
etB
deux matries inversibles de taillen × n
, le onditionnement du produitAB
pour lanormep
vérie l'inégalitécond p (AB) ≤ cond p (A) cond p (B),
(8.4.11)pour
p = 1, + ∞
.preuve du lemme : Toute norme matriielle subordonnée à une norme vetorielle est
sous-multipliative,don leonditionnement de lamatrie
AB
,pourlanormesubordonnéep
,vériecond p (AB) = ||| AB ||| p
D'aprèsle lemme8.4.3, leonditionnement de
A
peut êtredéomposésouslaforme :cond p (A) = cond p (AD − 1 D) ≤ cond p (AD − 1 ) cond p (D).
(8.4.14)Lamatrie
D
est diagonale don, pardénition,cond 1 (D) =
1 max ≤ i ≤ n | a ii |
1 min ≤ i ≤ n | a ii | .
(8.4.15)Ce rapportest noté
ρ
.On s'intéresse ensuiteau onditionnement de la matrieAD − 1
,notéeC
,et
c ij
ses oeients.Remarquons que, pour touti
,c ii = 1
et pour toutj 6 = i
,c ij = a a ij
jj
.Si
A
est
ε
-dominanteen olonne pourlanormeL 1
,alorspour tout
j = 1, . . . , n,
de termegénéral
e ij
.Parhypothèse,lesoeientsdeE
vérientalorsl'inégalité :P n
La norme
L ∞
duveteurEx
satisfaitalorslarelationCe dernier résultat permet de onlure que le onditionnement de la matrie
A
pour la norme||| . ||| 1
vériecond 1 (A) ≤ ρ · 1 + ε
1 − ε .
(8.4.27)2
Une stratégie de séletion de matries fondée sur une ondition de
ε
-dominaneper-mettrait alorsde ontrlerleur onditionnement. Pluspréisément, dansl'objetif deséletionner
des matries
ε −
dominantesen olonne,nous proposons de séletionnerles pixelsy i
de manièreàvérierles onditions,pour
n
xé :.
α i (y i ) ≥ P i 1 − n
,.
∀ k 6 = i
,α k (y i ) ≤ P k n ,
où
P k n
orrespond aun
ème perentilede{ α k (y i ) } i
. L'algorithme 7 permet séletionner des ma-tries quivérientesonditions. Leparamètren
jouele mêmerleque dansl'algorithme6.Lagure8.9présenteleshistogrammesobtenuspour
n = 5, 10, 15
.Sieshistogrammes sont omparables à eux de la gure 8.8, les valeurs de onditionnement obtenues ont tendaneà être plus élevées. Cette stratégie est don plutt moins performante pour e jeu de données,
même siles résultatsrestent globalementassezprohes.Cependant, uneétudepluspousséeserait
néessaire pour étudierles performanes de esdeuxalgorithmessurdesdonnées trèsdiérentes.
Eneet,nousprésentonsiiuneétuderestreinteàunseulexempled'imagesalorsquel'objetifdes
algorithmesde séletion quenousproposonsest de permettreletraitementd'imagesomprenant
une ou plusieurs lasses minoritaires. Si les résultats présentés ne sont don pas susants pour
onlure sur les performanes relatives de es deux stratégies, ils permettent d'ores et déjà de
réduire nettement le nombre d'itérations et, par onséquent, le temps de alul néessaire à la
onvergene de l'algorithme.
Enpratique,danslesexpérienesquisuivent,nousutilisonslastratégie
2
(Algorithme6) pourséletionnerlessous-sytèmesàinverserpourl'estimationdesmoyennesdeslasses.L'inversionest ensuite réalisée par déomposition LU. Dans le hapitre 9, nous présentons les performanes
théoriquesdumodèlede détetionen fontionduontrasteetde lataillede l'image,ainsiquedu
pourentage de hangements présents.
1. Pour
l = 1
àL
trierleveteur desproportions
(α l (y i )) i=1... |D
BR
|
parordreroissant,
(I l (i)) i=1... |D
BR
|
: indie du pixel eni
eme position pour le labell
dans le veteur desproportions,
(I l − 1 (i)) i=1... |D
BR
|
:rangdupixeld'indiei
dansle veteurdesproportionsordonnépour lelabell
.tirerunentier
k
uniformément dans[1, m]
,lepixelorrespondant
y l = J l (k)
,vérierque lepixeln'apas été séletionnédeux fois.
6. n pour.
Algorithme 7:Séletionde sous-systèmes -stratégie 3.
0 1 2 3 4 5
Fig. 8.8.:Histogramme du onditionnement (éhelle
log
) pour la norme2
obtenu pour100 000
matries
A
de taille6 × 6
orrespondant réellement àdes proportions etséletionnées selon la stratégie2
, aven = 5
gure (a), aven = 10
gure (b) et aven = 15
gure ().
0 1 2 3 4 5 0
0.05 0.1 0.15 0.2 0.25 0.3
PSfrag replaements
log(cond 2 (A))
Fréquene
0 1 2 3 4 5
0 0.05 0.1 0.15 0.2 0.25 0.3
PSfragreplaements
log(cond 2 (A))
Fréquene
0 1 2 3 4 5
0 0.05 0.1 0.15 0.2 0.25 0.3
PSfragreplaements
log(cond 2 (A))
Fréquene
Fig. 8.9.:Histogramme du onditionnement (éhelle
log
) pour la norme2
obtenu pour100 000
matries
A
de taille6 × 6
orrespondantréellement àdes proportions etséletionnées selon la stratégie3
, aven = 5
gure (a), aven = 10
gure (b) et aven = 15
gure ().
Dansehapitre,nousnousintéressonsauomportementdumodèleenfontion
des diérents paramètres intrinsèques aux images traitées (ontraste, taille de l'image,
fateur de résolution, et.). Pour des raisons de simpliité, etteétude estréalisée dans
le ontexte monodimensionnel.
9.1. Modélisation des données
Dansette setion,nousdérivons unmodèlesimpled'imagespermettantde séparerles
paramètresimportants pour ladétetion avant d'étudier les performanes du modèle dérit dans
lasetion 7vis-à-visde haun de esparamètres. Pourommener, nousonsidéronsuneimage
v
de même résolution spatiale quela lassiation. Supposons que toute imageu
puisse s'ériresous laforme
u = I + b,
où
I
est une image onstante par moreaux etb
est une image de bruit gaussien. Etant donnéeune lassiation ontenant
L
labels, supposons que l'imageI
est parfaitement superposable à l'imagedeslabels,aveenhaquepixellavaleuraratéristiquedulabelorrespondant.Lavarianeempirique
σ 2
de l'imageu
s'obtientdiretement par la relationσ 2 = σ I 2 + σ b 2
. Pour analyser lasensibilitédunombredefaussesalarmes,l'estimationdelafamille
µ
desmoyennes aratéristiques deslassesestsupposéeexate.L'erreurquadratiquemesuréeenmoyennepourhaquepixelvautalors
σ b 2
,leserreurs quadratiquesumulées surunsous-domaineD
valenten moyenne,E
δ D 2
= | D | × σ 2 b .
D'après le orollaire 7.3.4, le nombre de fausses alarmes assoié à une image
v
et unelassiation ontenant
L
labels est obtenu, pour tout sous-domaineD
de ardinal supérieur à|L|
,pour tout résiduδ(u D )
et éart-typeσ
parN F A( | D | , δ(u D ), σ) = |D
BR| C |D | D |
BR
| Γ inc ( | D | − |L|
2 , δ(u D ) 2
2σ 2 ).
(9.1.1)Pourallégerlesnotations,notons
k = | D |
,n = |D
BR|
etonsidéronsl'erreurmoyenneδ k
obtenuesur un domaine de taille
k
:δ k 2 = k σ b 2
. Le nombre de fausses alarmes d'un sous-domaine deardinal
k
ontenu dansundomainede ardinaln
s'exprimealors, pourδ(u D ) = δ k
,parCettesimpliationpermetderemarquerquelenombredefaussesalarmesdépendessentiellement
de la taille du sous-domaine onsidéré, du nombre de labels présents dans la labellisation et du
rapport de varianes
σ I
σ b
. Ce rapport peut être vu omme une mesure de ontraste de l'imageonsidérée.Notons
c = σ σ I
b
leontrastedel'image
v
(c ≥ 0
),etintroduisonsleparamètreγ = c 2 1 +1
,γ ∈ ]0, 1]
. D'autre part, le ardinalk
du sous-domaine étudié peut être vu omme un ertain pourentagep ∈ [0, 1]
de l'ensemble desn
pixelsde l'image,i.e.p = k/n
. Lenombre de faussesalarmesd'uneimagedeontraste
c
surunsous-domainereprésentantuneproportionp
dudomaineétudié(deardinal
n
) peutalorss'exprimer enfontionde esnouveaux paramètressouslaformed'une fontion
F
déniepard'étudier lasigniativitéd'un sous-domainebasserésolutionenfontionduonstrastedel'image
onsidérée, de sa taille et du pourentage de pixels de hangements. En partiulier, ette étude
permetd'aéderauxvaleurs limitesde esparamètrespourlesquelslenombrede faussesalarmes
est enoresigniatif.
Lasetionsuivante estentréesur lasensibilitédu
N F A
au ontraste del'image et,enpartiulier,sur ladétetabilitéd'un domaineen fontionde sonniveau de ontraste.
9.2. Sensibilité au niveau de ontraste
Laomparaison d'imagesest, en général,nettement améliorée lorsqueles images ont la
même dynamique de niveaux de gris, d'autant plus que laplupart des méthodesde omparaison
sont basées sur l'hypothèse que deux points en orrespondane spatiale ont la même intensité.
Les valeursaquisesparsatellitesonttrèsvariablesselonlesonditionsd'illumination,lesmesures
peuvent don varier fortement en fontion de la date (et heure) d'aquisition, et en fontion
des saisons. Typiquement, les onditions d'ensoleillement hivernales donnent lieu, en général, à
des imagesau ontraste faible.Uneméthode de détetionde hangements doitêtre performante
quelque soit la date d'aquisition et, par onséquent, quelque soit le ontraste de l'image, en
partiulierlorsquele ontrasteest faible.
Toutd'abord, intéressons-nousau as partiulieroù leontraste de l'imageest nul(
c = 0
). Ce as orrespond, pour notre modèled'image, àun rapportd'éart-typeσ I
σ b = 0
.Un tel asde gure peut se produiresi l'image est tellementbruitée quesa struture géométriqueest noyée
dans le bruit (i.e.
σ I
est quelonque etσ b = + ∞
), ou alorset quelque soitle niveau de bruit, sil'image n'apasde struture géométrique(
σ I = 0
).Lemodèleaontrarioaété hoiside manièreà garantir l'absenede toute détetion danse type d'images(.f Chapitre 7,setion 7.3). Cette
propriété est vériée analytiquement par la proposition 9.2.1, arlorsque le ontraste de l'image
est nul, leparamètre
γ
vaut1
.Commençons paraluler la partie intégrale de (9.2.4) .Pour plus de lisibilité, posons
x = pn 2
eta = L 2
.Pourtouta > 0
et pour toutx ≥ a
,uneintégration par partiesmultiplepermetd'érireEn eet,
Le hangement d'indie
q = x + k
permetd'érirex −1
i.e. dèsque
n > 1
,etp > L n
,F (p, n, 1) ≥ 1
.2
Plus généralement, nous nous intéressons à l'évolution du nombre de fausses alarmes
lorsqueleontraste de l'image varie(9.2.2) et atteintdesvaleurs limites(9.2.3).
Proposition 9.2.2 Pourtout
n ∈ N ∗
etp ∈ ] L n , 1]
xés,lafontionγ 7→ F (p, n, γ)
estroissante.Démonstration.
Soient
n > 0
etp ∈ ] L n , 1]
xés,ladérivée de lafontionF
parrapportau paramètreγ
∂ F
∂γ (p, n, γ) = n 2 pC n pn
2Γ( pn 2 − L ) e − γ pn 2 ( γpn
2 ) pn−L 2 − 1
≥ 0.
Lafontion
γ 7→ F (p, n, γ)
est donroissante.2
Le paramètre
γ = c 2 1 +1
est inversement proportionnel au ontraste de l'image. Don e résul-tat peut être interprété, du point de vue duN F A
, par le fait qu'un sous-domaine quelonqueLe paramètre