TP3_PARTIE B : SEGMENTATION D IMAGE RADAR

Transcription

1 TP3_PARTIE B : SEGMENTATION D IMAGE RADAR Le but de cet exercice est de pratiquer avec un algorithme de segmentation d images dans le cas des images radar. Bien que l algorithme disponible par PCI ne soit pas parmi les plus performants il permet quand même de bien comprendre cette approche. MATÉRIEL Un extrait de l image RADARSAT-2 de SF créée après corrections géométriques (rééchantillonnage avec Complex SINC) : radarsat_2_clip.pix. ÉTAPES Le diagramme de flux suivant montre la série d étapes nécessaires pour arriver à la segmentation et la classification d un canal de polarisation quelconque de l image RADARSAT. CONVERSION C32R en 32R à PSIQINTERP CHOIX DU CANAL À SEGMENTER ET CONVERSION EN 8U à SCALE HISTOGRAMME DU CANAL CHOISI POUR TROUVER MIN/MAX DES VALEURS à FOCUS SEGMENTATION à SARSEGM CREATION D UNE COUCHE VECTORIELLE AVEC DES POINTS D ENTRAIENEMENT à FOCUS CLASSIFICATION PAR OBJET à SARCLASS ÉTAPE 1 : PSIQINTERP Afficher votre image. Si l on vérifie les bandes, on peut voir que leur format est C32R pour format complexe 32R à composantes I et Q de l image radar emmagasinée dans 16bits + 16 bits, Pour continuer nous devons alors convertir l image en intensité (puissance) ou autre forme en 32R. L algorithme PSQINTERP fait cette conversion. Dans notre cas nous ferons la conversion en intensité (lire help PCI pour les différentes formes de conversion) 1

2 Conversion en intensité Nouvelle image *.pix Question 1 : Qu est-ce que représente le terme I et quoi le terme Q d une image radar? Comment fait-on cette conversion de C32R à 32R? ÉTAPE 2 : SCALE Si l on produit l histogramme de n importe quel canal de polarisation de notre nouvelle image on observe par les statistiques que les valeurs couvrent un très large intervalle tandis que la majorité des valeurs se trouve entre 0 et 1 (distribution hautement asymétrique à gauche). Ex. avec HH Pour faciliter les étapes subséquentes on va appliquer un rééchelonnement des valeurs de 32R à 8U avec une transformation de l histogramme en appliquant une égalisation de l histogramme. Cette conversion se fait via l algorithme SCALE. On procède un canal à la fois. Ici un exemple avec le canal HH. 2

3 Valeurs issue des statistiques du canal Notre nouvelle image : choix du canal à rééchelonner Nouvel intervalle des valeurs Choix de la fonction de rehaussementà ici Égalisation de l histogramme Type du nouvel canal On peut choisir à créer une nouvelle image ou garder la même La nouvelle image HH apparaît très brillante. Cependant si vous faites l histogramme on observe que tout l intervalle de 1 à 255 est couvert et que le nombre de pixels par niveau est «presque» égal. Répéter les opérations avec les autres canaux. Dans notre cas on peut omettre le canal VH car à toutes fins pratiques le duplicata du canal HV. 3

4 Question 2 : Qu est-ce qu une fonction d égalisation de l histogramme? Question 3 : Comment peut-on prouver par une analyse statistique simple que le canal VH et le duplicata de HV? ÉTAPE 3 : SARSEGM `5 à valeur à ne pas modifier (l algorithme crache si nous mettons de valeurs plus hautes 10 à voir texte ci-dessous Canal avec HH après SCALE 20 à pour éviter la création des nombreux petits segments L algorithme crée deux canaux : 1) les segments (polygones) où tous les pixels lui appartenant avec un numéro unique; 2) la valeur moyenne par segment L algorithme utilise l approche par croissance des régions pour segmenter une image. Le paramètre Sobel filter edge threshold est utilisé pour créer une carte d arêtes qui servira comme des «break lines» pour arrêter l expansion d un segment pendant l opération de la croissance d une région. Lire le help de PCI dans la section Algorithm. Comme nous avons rehaussé les contrastes on peut utiliser une valeur plus grande que celle donnée par défaut. 4

5 Voici les résultats : Moyennes des segments Numéros des segments : Le nombre de segments est très grand quelques Si vous faites un zoom dans la zone sombre et un rehaussement linéaire vous allez pouvoir visualiser les différents segments. 5

6 Question 4 : Décrire en peu de mots le fonctionnement d un algorithme de segmentation par croissance de région. Question 5 : C est quoi un filtre de Sobel? ÉTAPE 4 : COUCHE VECTOTIELLE L algorithme SARCLASS est un algorithme de classification dirigée. Pour classifier les segments entiers il est nécessaire de lui fournir des indications sur les statistiques des segments appartenant à la même classe. Ici on fonctionne avec des points d entraînement (au lieu des sites d entrainement comme dans une classification pixel par pixel). Pour ce faire il faut identifier une série de points avec leur classe via une couche vectorielle. a) Ajouter une couche vectorielle dans votre image segmentée (Files à new etc.); Faire View de la nouvelle couche (pour le moment vide) à Maps à on clique sur et on choisit Point Avant de commencer à pointer on clique droit sur le nom du Vector Layer et on choisit Attribute managerà Dans la fenêtre qui s ouvre on va dans Field et on fait Add New Dans la nouvelle fenêtre on clique sur Field1 et on change le nom par ex. Classe. Également dans le bouton Read-only on vérifie seulement si Read-only est à No. Le but de cette opération est d ajouter une colonne dans le vector layer où on identifiera (manuellement) la classe d appartenance de chaque point qu on spécifie en cliquant sur l image. 6

7 Ok à Apply à yes to add 1 field À chaque fois qi on ajoute un point on clique sur le point dans l Attribute Manager et on change NoData pour le numéro de classe. Advenons le cas qu on veut classifier les segments en 4 classes : 1. Eau; 2. Végétation; 3. Bâti brillant; 4. Bâti moins brillant. On a déjà identifié le point #0 appartenant à la classe 1(Eau) et le point #1 à la classe 4 (Bâti moins brillant). Classes à spécifier manuellement 7

8 N oubliez pas de cliquer sir le à chaque fois que vous voulez arrêter la prise de points. Pour revenir vous n avez qu à cliquer sur le nom du Vector Layer. Pour faciliter la prise de points vous pouvez afficher l image des moyennes en pseudocouleurs avec une certaine transparence sur un composé couleur de votre canal d origine ou un composé couleur de HH, HV et VV. Prendre une trentaine de points. Fermez l Attribute Manager et passez à l étape finale. ÉTAPE 4 : SARCLASS Notre canal Canal avec les numéros des segments Le Field Classe du Vector Layer Classification avec les moyennes Le Vector Layer Question 6 : Expliquez en peu de mots la méthode de classification utilisée ici? Question 7 : Quel est selon vous la principale limitation de cette approche de segmentation d un canal/classification et quel est son avantage? 8