Exploitation du logiciel ecognition pour la classification assistée par ordinateur. BRGM/RP FR janvier 2003

Transcription

1 Exploitation du logiciel ecognition pour la classification assistée par ordinateur BRGM/RP FR janvier 2003

2 Exploitation du logiciel ecognition pour la classification assistée par ordinateur BRGM/RP FR janvier 2003 Étude réalisée dans le cadre du projet de la Direction de la recherche 2002-RIS-R06 S. Hosford

3 Mots clés : Segmentation d image, Classification automatique à partir de caractéristiques, ecognition En bibliographie, ce rapport sera cité de la façon suivante : Hosford S. (2003) - Exploitation du logiciel ecognition pour la classification assistée par ordinateur. BRGM/RP FR, 29 p., 12 fig., 2 tabl. BRGM, 2003, ce document ne peut être reproduit en totalité ou en partie sans l autorisation expresse du BRGM. 2 BRGM/RP FR

4 Synthèse C e rapport décrit l évaluation du logiciel ecognition pour la classification semiautomatique de l imagerie à très haute résolution spatiale. D abord la logique du fonctionnement du logiciel est introduite et les algorithmes de segmentation et de classification sont abordés avec des descriptions techniques. L apport du procédé de classification implémenté dans ecognition est examiné à l aide d une comparaison du résultat avec l algorithme de Maximum de Vraisemblance (MSV) d Erdas Imagine. Cette comparaison s effectue en se servant de deux cas tests du jeu de données IKONOS de l East Rand en Afrique du Sud pour la détection du réseau routier et pour la différenciation tailings et toits. Ces tests s avèrent particulièrement difficiles pour le MSV d Erdas. Les performances constatées montrent une amélioration claire avec les procédures d ecognition. Néanmoins, le niveau d amélioration combiné à la nature récursive des procédés d ecognition signalent que ce logiciel ne peut pas être considéré comme un outil opérationnel pour beaucoup d applications. BRGM/RP FR 3

5 4 BRGM/RP FR

6 Sommaire 1. Introduction Présentation de ecognition Introduction Étape de traitement : segmentation Description de l algorithme Exemples Synthèse Étape de traitement : classification Techniques de classifications disponibles Outils d analyse des caractéristiques Exploitation de ecognition Introduction Détection du reseau routier Différenciation des tailings et des toits Conclusion...27 Liste des figures Fig. 1 - Fig. 2 - Fig. 3 - Fig. 4 - ecognition Workflow...9 Exemple d objets image générés par les procédés de segmentation avec un choix de paramètre extrême Objets issus de la segmentation-lissage (gauche), objets issus de la segmentation-compactage (droite) Objets issus de la segmentation-forme-lissage (gauche), objets issus de la segmentation-couleur (droite) BRGM/RP FR 5

7 Fig. 5 - Deux exemples d image des valeurs de la caractéristique «Longueur/ Largeur» pour l extraction des routes Fig. 6 - Histogrammes des échantillons d arbre (en noir) et de route (en bleu) pour les caractéristiques de «valeurs moyennes» pour chaque canal et la caractéristique «Longueur/Largeur» Fig. 7 - Gauche : le réseau routier défini comme étant «vérité» ; droite : l image originale...20 Fig. 8 - Masque des routes généré par la méthode de Maximum de vraisemblance d ERDAS Imagine...21 Fig. 9 - Masque des routes issu d ecognition à l aide des caractéristiques radiométriques et de forme (Longueur/ Largeur) Fig Masque des routes issu d ecognition généré par un traitement multiéchelle...21 Fig Vérité de terrain définie pour les classes (a) «toits» et (b) «tailings» Fig Les résultats comparés de la classification des classes «tailings» (rouge) et «toits» (bleu ciel) pour les logiciels ERDAS et ecognition...24 Liste des tableaux Tabl. 1 - Résultats de l extraction des routes par des différentes méthodes de classification...21 Tabl. 2 - Résultats de l extraction des taillings et des toits par les deux outils de classification BRGM/RP FR

8 C 1. Introduction e rapport porte sur l évaluation du logiciel ecognition pour l extraction semiautomatique des informations à partir des images de télédétection. Il a été rédigé dans le cadre du projet R&D du BRGM intitulé «Démonstrateur hyperspectral et très haute résolution optique». La très haute résolution accroît la complexité de la représentation de la surface terrestre, et en particulier augmente l'importance de la texture dans l'analyse d'image, celle-ci étant auparavant occultée par une moindre résolution. Il devient donc intéressant de prendre en compte cette nouvelle dimension dans les procédures de classification, en suivant une approche basée non plus sur la seule valeur du pixel, mais sur le pixel dans son environnement. Dans le temps alloué à cette étude il ne s agit pas d essayer d expérimenter toutes les nombreuses fonctionnalités d ecognition, mais de fournir une vue globale de l opérationnalité du logiciel. Au moyen d exemples concrets, ce rapport mettra en valeur l apport de ce logiciel comparé aux techniques de classification supervisée du sol communément employées et basées sur la seule radiométrie des images. Dans un premier chapitre, le logiciel ecognition est introduit avec des descriptions des fonctionnalités clés de segmentation et de classification. Ensuite, on présente deux exemples concrets où le logiciel ecognition est susceptible d améliorer la précision des résultats obtenus avec d autres logiciels et algorithmes classiques de classification. BRGM/RP FR 7

9 8 BRGM/RP FR

10 2. Présentation de ecognition 2.1. INTRODUCTION Le logiciel ecognition fonctionne d une manière un peu différente de la plupart des logiciels sur le marché qui permettent de faire de la classification. Au lieu de travailler au niveau pixel, c est-à-dire utiliser les pixels comme objets fondamentaux de classification, ecognition génère d abord ses propres objets, appelés «image objects», par un procédé de segmentation paramétrable. Ensuite ces objets sont classifiés en utilisant une des techniques disponible dans le logiciel. La figure 1 présente la procédure suivie par ce logiciel. Fig. 1 - ecognition Workflow. BRGM/RP FR 9

11 Trois étapes principales existent dans la chaîne de traitement d ecognition. La première est de construire un projet à partir des données images, la seconde consiste à générer une segmentation appropriée pour l application. Cette segmentation peut compter plusieurs niveaux d échelle. Chaque niveau est issu d une segmentation appliquée à l échelle précédente. Ainsi les objets générés par la segmentation à une échelle servent d objet de base pour la segmentation à l échelle supérieure. L étape finale dans ecognition produit une classification en utilisant des objets générés par les différents niveaux de segmentation. Par la suite, ces diverses étapes seront examinées en détail ÉTAPE DE TRAITEMENT : SEGMENTATION Description de l algorithme Dans ecognition la segmentation n est pas vue comme une fin en soi, mais comme une étape dans laquelle on extrait des objets que l on exploitera par la suite. La méthode de segmentation implémentée est censée fournir un ensemble d objets homogènes à partir desquels une classification pertinente peut être construite. La segmentation s appuie donc sur des critères d hétérogénéité pour regrouper les pixels en petits objets. Pendant le déroulement de la segmentation, des objets de plus en plus hétérogènes sont regroupés avec, comme conséquence, l augmentation du critère d hétérogénéité global. Ces regroupements sont effectués jusqu au dépassement du seuil défini par le facteur d échelle. La procédure fonctionne ainsi : - démarrage en considérant chaque pixel comme un objet ; - regroupement d objets voisins semblables. Ces objets sont sélectionnés de manière à faire augmenter aussi peu que possible le critère d hétérogénéité ; - calcul de l augmentation du critère d hétérogénéité global ; - si cette augmentation est inférieure au seuil défini par le facteur échelle, le regroupement est accepté, sinon la procédure repart de l étape numéro 2. Afin de bien comprendre cette description d algorithme on doit définir plus en détail plusieurs points précis dans les paragraphes suivants. a) Critère d hétérogénéité Un aspect critique pour l efficacité de l étape de segmentation est le critère qui définit l hétérogénéité de chaque objet. Ce critère est en effet construit à partir de plusieurs indices portant sur la forme et la radiométrie des objets. Plus précisément, ce critère est calculé à partir de deux indices de forme et un indice de couleur, définis ci-après : - indice d hétérogénéité de couleur : défini par la somme des écarts types des valeurs spectrales de chaque canal, il est pondéré par le poids attribué à chaque canal. Plus la radiométrie des pixels de l objet est variée, plus cet indice sera grand ; - indice d hétérogénéité de forme compacte : il est défini par la longueur de la frontière de l objet divisée par la racine carrée du nombre de pixels. Plus la frontière contient de pixels de l objet, plus cet indice sera grand ; 10 BRGM/RP FR

12 - indice hétérogénéité de forme lisse : il est défini par la longueur de la frontière de l objet divisée par la plus courte longueur possible de la frontière. Plus la frontière d un objet est découpée, plus cet indice sera grand. Un indice général de forme est ensuite généré en fusionnant les deux indices de forme. Le critère d hétérogénéité est issu de la fusion de cet indice global de forme avec l indice couleur. b) Le facteur échelle L étape segmentation d ecognition donne la possibilité de régler l échelle à laquelle on travaille. Le paramètre d échelle agit sur l hétérogénéité permise pendant la génération des objets. L augmentation de ce paramètre force l algorithme à accepter des objets plus hétérogènes et donc de plus grande taille Exemples L utilisation des différents paramètres décrits dans le paragraphe précédent peut produire des résultats très différents. Ci-dessous des exemples de ces divers résultats sont présentés, en prenant à chaque fois les valeurs extrêmes de ces paramètres. Les images dans la figure 2 montrent l image originale comparée aux trois ensembles d objets image issus d une segmentation de paramètre extrême : lissage, compactage et couleur. Segmentation extrême : mise en valeur des critères de forme (lissage) L image en bas à gauche de la figure 2 montre les objets image issus d une segmentation avec comme critère principal le lissage (ang.: smoothness) de l objet. Ce biais est exprimé par le poids attribué à chaque aspect du critère d homogénéité. Comme on peut le voir dans la grille des poids montrée ci-dessous, on privilégie la forme des objets par rapport à la couleur et dans la forme, le lissage est prépondérant par rapport au compactage (ang.: compactness). Paramètres de segmentation : Échelle : 10 Homogénéité : Couleur Homogénéité Forme Compacte Lisse BRGM/RP FR 11

13 Image originale Segmentation-compactage Segmentation-lissage Segmentation-couleur Fig. 2 - Exemple d objets image générés par les procédés de segmentation avec un choix de paramètre extrême. Image originale (en haut à gauche), objets image générés issus de la segmentationlissage (en bas à gauche), objets image générés issus de la segmentationcompactage (en haut à droite), objets image générés issus de la segmentationcouleur (en bas à droite). Segmentation extrême : mise en valeur des critères de forme (compactage) Dans ce cas, les paramètres choisis accentuent le compactage pendant la génération des objets. La figure 3 montre la segmentation-lissage comparée à la segmentationcompactage. Comme on peut le constater, les deux ensembles d objets générés à partir de ces deux paramétrages diffèrent surtout par leur taille et leur forme. Le critère d homogénéité basé sur le lissage regroupe moins de pixels dans un seul objet pour la même valeur d échelle. Les objets de lissage ont aussi tendance à être plus longs et étroits que ceux issus de la segmentation-compactage. On confirme ainsi que les formes des objets générés correspondent bien aux critères de segmentation choisis dans les deux cas. 12 BRGM/RP FR

14 Paramètres de segmentation : Échelle : 10 Homogénéité : Couleur Homogénéité Forme Compacte Lisse Fig. 3 - Objets issus de la segmentation-lissage (gauche), objets issus de la segmentation-compactage (droite). Segmentation extrême : mise en valeur des critères de couleur Ici la segmentation se déroule avec le même facteur d échelle que pour les autres segmentations, mais en accentuant l aspect couleur des objets plutôt que la forme. Paramètres de segmentation : Échelle : 10 Homogénéité : Couleur Homogénéité Forme Compacte Lisse BRGM/RP FR 13

15 Fig. 4 - Objets issus de la segmentation-forme-lissage (gauche), objets issus de la segmentation-couleur (droite). La figure 4 montre que les objets générés sont beaucoup plus petits pour le même facteur d échelle pour ce paramétrage de segmentation. En moyenne, la superficie des objets dans l image de gauche est de 60 pixels, comparée à 20 pixels dans l image de droite. Ceci veut dire que le critère d homogénéité associé à la couleur produit des valeurs plus élevées que le critère basé sur la forme des objets, que ce soit le lissage ou le compactage Synthèse Ce premier niveau de segmentation se fait à partir des objets les plus primitifs : les pixels. Lorsque l on segmente à un niveau (Logiciel : Level) plus élevé, les primitives de base sont les objets issus de la segmentation du niveau inférieur. Il est donc important, de bien choisir les poids attribués à chaque critère pour la génération de chaque niveau. Le paragraphe concernant l exploitation de ecognition montrera par des exemples, l influence des objets générés par l étape de segmentation sur les résultats finaux. Cette influence est d autant plus importante lorsque l on emploie des caractéristiques de forme pour faire la classification ÉTAPE DE TRAITEMENT : CLASSIFICATION Au lieu de se baser exclusivement sur la radiométrie dans plusieurs canaux pour classer les pixels, comme le font la plupart des logiciels courants, ecognition s appuie sur d autres caractéristiques telles que la forme, la texture ou la classe des objets alentour. Cette approche de classification basée sur les caractéristiques (angl.: featurebased classification), jusqu alors réservée à quelques chercheurs, est maintenant disponible à tout utilisateur de ecognition. Cependant l exploitation de telles caractéristiques implique le traitement à l échelle de groupes de pixels et non d un pixel. Dans ecognition on appelle ces regroupements, qui sont générés par l étape de segmentation, les «objets image» (ang.: image objects). L étape de classification 14 BRGM/RP FR

16 débute après la phase d extraction des objets image par le processus de segmentation. Les caractéristiques (ang.: features) pouvant être exploitées par ecognition sont nombreuses (voir documentation ecognition user manual p.3.51 à 3.53) ce qui entraîne un problème de choix de caractéristiques pour une classification donnée. Deux principales techniques de classification implémentée qui sont le plus proche voisin (PPV) et la logique floue, gèrent ce problème de manière différente Techniques de classifications disponibles Il existe dans ecognition deux techniques principales de classification. La méthode la plus rapide à implémenter et la plus efficace lorsque l on exploite un grand nombre de caractéristiques est la méthode dite du «plus proche voisin». En dépit de sa simplicité conceptuelle, cette méthode, très utilisée comme référence, s avère dans beaucoup de cas performante. Plus proche voisin L algorithme du plus proche voisin (PPV) (Bishop, 1996) est basé sur le principe que deux éléments semblables se ressemblent en tous points. Ainsi, si les caractéristiques d un élément sont très proches d un autre, il est probable qu ils appartiennent tous deux à une seule classe. Ce postulat amène deux questions : - Comment choisir les caractéristiques de comparaison? - Comment quantifier les similarités? Habituellement les caractéristiques à utiliser pour une classification donnée sont définies à l aide des connaissances sur le problème acquises soit auparavant, soit par l analyse des données disponibles. Pour quantifier les similarités, il faut utiliser une mesure de distance telle que la distance Euclidienne. L algorithme de classification PPV consiste à attribuer un objet à une classe en se basant sur les objets les plus proches dont la classe est connue. Dans ecognition il existe deux implémentations de l algorithme du plus proche voisin nommé «Standard Nearest Neighbour» et «Nearest Neighbour» respectivement. À la première méthode s associe un ensemble de caractéristiques (ang.: feature set) globales qui s applique à tout objet à classifier. La deuxième implémentation fonctionne avec un ensemble de caractéristiques propres à chaque classe. Dans les deux cas, l utilisateur définit un échantillonnage (ang.: sample set) qui décrit chaque classe. Tout pixel est classifié selon sa similarité à ces descriptions de classe et une valeur d appartenance (ang.: membership value) est calculée pour chacune. Il faut noter que pour un pixel à classifier, les valeurs d appartenance à chaque classe impliquée dans le procédé de classification PPV peuvent ensuite servir d entrée dans le processus de classification par la logique floue. Dans ce cas, ces valeurs seront traitées comme toutes autres valeurs d appartenance issues d une fonction d appartenance. BRGM/RP FR 15

17 Logique floue Le processus de classification par la logique floue s appuie sur la définition des classes en termes de fonction d appartenance. Après avoir choisi les caractéristiques pertinentes à chaque classe, une fonction d appartenance définit la gamme de valeurs acceptée. Ces fonctions varient d une valeur de 0 à 1 et peuvent être de toute forme. La description des outils disponibles dans ecognition et qui aident à la définition de ces fonctions sera abordée au paragraphe 0. Lorsque plusieurs caractéristiques sont utilisées au sein d une même classe, le calcul de la valeur d appartenance peut se faire de plusieurs façons. Il existe divers opérateurs de logique floue disponibles dans ecognition qui combinent les influences de chaque caractéristique Outils d analyse des caractéristiques Outil : Feature View La fonction «Feature View» permet d afficher n importe laquelle des caractéristiques comme le niveau de gris dans la fenêtre d affichage. Ainsi, dans ce mode d affichage, c est la valeur de la caractéristique de chaque objet qui est affichée au lieu d afficher du niveau de gris moyen de l objet. Il est aussi possible de mettre en valeur uniquement l ensemble d objets ayant une valeur de la caractéristique désirée comprise dans une certaine gamme. La figure 5 illustre ces deux possibilités : dans l image de gauche les valeurs de la caractéristique «Longueur/Largeur» brutes sont affichées ; à droite sont affichés en bleu uniquement les objets ayant une valeur «Longueur/Largeur» supérieure à 15. Comme on peut le voir, ce choix de seuil sur la caractéristique «Longueur/Largeur» met en valeur le réseau routier. Fig. 5 - Deux exemples d image des valeurs de la caractéristique «Longueur/ Largeur» pour l extraction des routes. 16 BRGM/RP FR

18 Outil : Sample Editor Cet outil aussi permet d analyser les valeurs des caractéristiques des objets. Il affiche des histogrammes des valeurs de la caractéristique choisie pour des objets définis comme échantillons (ang.: sample). La figure 6 montre la fenêtre du Sample Editor. Des différences importantes apparaissent sur les distributions des valeurs des caractéristiques «Mean petite_ikonos 4» (canal 4) et «Length/Width» pour les arbres (histogramme en noir) et les routes (histogramme en bleu). En se servant de ces informations mises en valeur par le Sample Editor on peut définir deux fonctions d appartenance basées sur ces caractéristiques qui différencieront ces deux classes. Mean petite_ikonos 1 Mean petite_ikonos 2 Mean petite_ikonos 3 Mean petite_ikonos 4 Length/Width Fig. 6 - Histogrammes des échantillons d arbre (en noir) et de route (en bleu) pour les caractéristiques de «valeurs moyennes» pour chaque canal et la caractéristique «Longueur/Largeur». BRGM/RP FR 17

19 18 BRGM/RP FR

20 3. Exploitation de ecognition 3.1. INTRODUCTION Comme on a pu le constater dans le chapitre précédent, le logiciel ecognition fournit à tous les utilisateurs une fonctionnalité qui a été jusqu à présent réservée aux chercheurs. La mise à disposition de ce logiciel en même temps que l accès aux images de haute résolution présentent une opportunité importante pour améliorer la précision des informations issues de la télédétection. Ce chapitre présente les premières tentatives d utilisation de ce logiciel pour faire face aux problèmes typiques de classification automatique d image. Afin de comparer les résultats obtenus par ecognition, nous utiliserons une classification issue du procédé de classification supervisée Maximum de Vraisemblance (MVS) du logiciel ERDAS Imagine. Pour les deux problématiques abordées, cette classification «MVS» est comparée d une part à des classifications générées par ecognition et d autre part à une classification manuelle de «vérité terrain». Ainsi les points forts et faibles des classifications issues de chacune des chaînes de traitement peuvent être évalués de manière quantitative DÉTECTION DU RÉSEAU ROUTIER En dehors de certains contextes très restreints tels que le désert, le problème de l extraction automatique du réseau routier n est toujours pas résolu de manière systématique. Ce fait implique que les informations utilisées dans les images jusqu alors, en quasi-totalité basées uniquement sur la radiométrie, ne suffisent pas. Lors de cette étude, l opportunité se présente de tester l approche objet implémentée par ecognition. Afin de pouvoir mesurer de manière quantitative les performances relatives des approches d Erdas et ecognition, un réseau routier «vérité» a été défini par la classification manuelle d une segmentation fine d ecognition. Cette opération s effectue en se basant sur une segmentation qui, avec un facteur d échelle choisi très petit, génère des objets d une taille moyenne de vingt pixels. Une fois les objets générés, l option «Input manual classification» est choisi et l ensemble d objets de la classe route défini. Cette vérité est montrée, avec l image originale, dans la figure 7. Noter que la segmentation utilisée pour la définition de la vérité de terrain est indépendante de tout traitement appliqué par la suite. Cette mesure de sécurité a pour but de réduire autant que possible l éventualité d un biais dans les résultats obtenus. Le tableau 1 présente : - ER MVS Rad : la classification des routes générée par la technique de Maximum de Vraisemblance du logiciel Erdas Imagine et basée sur les seules valeurs radiométriques est présentée dans la figure 8. Dans cette image on note que les routes sont pour la plupart bien identifiées, mais qu il y a en revanche de nombreuses fausses détections caractérisées par des pixels identifiés en tant que routes mais qui n en sont pas. Le résultat en nombre de pixels bien ou mal classés par rapport au masque vérité terrain défini dans la figure 7 est donné dans le tableau 1. BRGM/RP FR 19

21 Fig. 7 - Gauche : le réseau routier défini comme étant «vérité» ; droite : l image originale. Fig. 7 - Gauche : le réseau routier défini comme étant «vérité» ; droite : l image originale. 20 BRGM/RP FR

22 Vérité Terrain A B C A/(A+B) C/(A+C) Classifiés Classification Routes mais % classifié «route» «routes erronées» non classifiées correct % manqué ER MVS : Rad ECog : Rad-L/L ECog : Rad-cov Tabl. 1 - Résultats de l extraction des routes par des différentes méthodes de classification. Fig. 8 - Masque des routes généré par la méthode de Maximum de vraisemblance d ERDAS Imagine. Fig. 9 - Masque des routes issu d ecognition à l aide des caractéristiques radiométriques et de forme (Longueur/ Largeur). Fig Masque des routes issu d ecognition généré par un traitement multiéchelle. BRGM/RP FR 21

23 - ecog Rad-L/L : le résultat obtenu avec ecognition lorsqu on applique une classification basée sur les caractéristiques de radiométrie dans les bandes IKONOS 1 et 2 et sur le ratio Longueur/Largeur de l objet. Ce résultat est présenté dans la figure 9. - ecog Rad-cov : on utilise pour ce traitement la fonctionnalité multi-échelle disponible dans ecognition. Dans un premier temps une segmentation en petits objets est générée. Ceux-ci sont ensuite classifiés selon des caractéristiques de radiométrie ou de forme. Pour la classe «route», deux classes sont définies afin de pouvoir mieux regrouper par la suite les diverses caractéristiques de la classe. Ensuite, on génère un deuxième niveau de segmentation regroupant les objets du premier niveau, la classification des routes se fait alors à l aide d une nouvelle caractéristique nommée «Relative Area Routes». Pour chaque objet, cette valeur représente la superficie relative de ses sous-objets classifiés dans une des deux classes «routes» au niveau inférieur par rapport à la superficie totale de l objet. Si la superficie relative est supérieure au seuil prédéfini, cet objet est classifié comme «route» (cf. fig. 10). Les résultats fournis dans le tableau 1 donnent, en plus du nombre de pixels classifiés par les différentes méthodes : - le pourcentage de pixels classifiés en tant que «route» et qui correspondent à des routes sur le masque vérité terrain (% classifié correct) ; - le pourcentage de pixels «route» sur le masque vérité terrain mais qui n ont pas été classifiés en tant que «route» par les traitements (% manqué). On peut aussi estimer de manière qualitative la performance relative de ces trois approches à l aide du masque des pixels classifiés comme «route». La figure 9 montre l image produite par la deuxième approche : ecog Rad-L/L. La technique la plus efficace en termes de proportion de pixels manqués est l approche multiéchelle, néanmoins, dans ce cas, il peut y avoir une surestimation de la taille des routes qui fait baisser la proportion des pixels corrects. Le résultat «ECog : Rad-cov» montré dans la figure 10, semble être le plus convaincant en raison de sa couverture de la plupart des grandes structures de routes. Pour une étude plus fine il est possible d utiliser des classes supplémentaires pour améliorer la description des zones de parking et de tailings. Dans ce cas, il est fort possible que le nombre de fausses alarmes (pixels classifiés comme «routes» alors qu ils n en sont pas) pourrait être revu à la baisse DIFFÉRENCIATION DES TAILINGS ET DES TOITS Un deuxième cas test pour le logiciel ecognition est la différenciation entre les zones de tailings (déchets dus aux activités minières) et les toits de maison ou d installations industrielles. De la même manière que pour le paragraphe précédent, une «vérité» terrain est définie afin d estimer la précision des résultats obtenus. La figure 11 illustre les «images vérités», obtenues avec le même traitement que celui décrit au paragraphe 3.2, pour les deux classes considérées. La validation qualitative de ces «images véritées» peut se faire à l aide de l image originale de la figure BRGM/RP FR

24 (a) vérité de terrain «toits» (b) vérité de terrain «tailings» Fig Vérité de terrain définie pour les classes (a) «toits» et (b) «tailings». BRGM/RP FR 23

25 Fig Les résultats comparés de la classification des classes «tailings» (rouge) et «toits» (bleu ciel) par les logiciels ERDAS et ecognition. Fig Les résultats comparés de la classification des classes «tailings» (rouge) et «toits» (bleu ciel) par les logiciels ERDAS et ecognition. 24 BRGM/RP FR

26 Comme précédemment, le résultat de l application de la technique de maximum de vraisemblance d ERDAS a été comparée à une classification faite à l'aide d ecognition. L image de gauche dans la figure 12 (le résultat de la classification ERDAS) montre très nettement le problème que l on espère pouvoir améliorer avec les techniques de classification d ecognition : une confusion importante entre la classe «tailings» et la classe «toits». Ce comportement se vérifie de manière quantitative dans le tableau 2. En effet, 22 % (ligne 2, A/(B + C), (16 212/( )) des pixels classifiés en tant que «tailings» appartiennent en fait à la classe «toits» d après la vérité terrain. À part la confusion entre la classe des «tailings» et celle des «toits», on remarque aussi la profusion de pixels «toits» qui se trouvent un peu partout dans l image. Ce comportement se ressent aussi fortement en regardant le tableau 2. Ici, on note la très faible proportion des pixels classifiés en tant que «toit» (14 %) qui le sont réellement (d après la vérité terrain), et le grand nombre de pixels «toits» qui, ne sont pas du tout identifiés dans cette classification (68 % de pixels manqués). L image de droite dans la figure 12 montre la classification finale générée par ecognition. On constate que cette classification est loin d être optimale pour la couverture des deux classes «toits» et «tailings». Néanmoins, le problème évident dans la classification ERDAS, c est-à-dire la confusion entre les «tailings» et les «toits» ne s avère pas être un problème important dans ce cas. Aucun pixel classifié «toits» n est réellement un pixel «tailings», et seulement 0,2 % (ligne 4, A/(B + C), (121/( )) des pixels classifiés en tant que «tailings» sont des pixels de la classe «toits» (d après la vérité terrain). En dépit de cette bonne performance sur le plan des erreurs de classification, l approche ecognition adoptée ne se montre pas entièrement convaincante. Comme dans le premier exemple, les proportions correctes des pixels classifiés sont assez faibles avec en moyenne sur les quatre exemples de classification d ecognition («ecog Rad L/L» 48 %, «ecog Rad-cov» : 39 %, «ecog Toits» : 48 % et «ecog Tailings» : 66 %) un résultat de seulement 50 %. Tabl. 2 - Résultats de l extraction des «taillings» et des «toits» par les deux outils de classification. BRGM/RP FR 25

27 26 BRGM/RP FR

28 4. Conclusion C ette étude, qui a été menée dans le cadre du projet DR 02RISR06 «Démonstrateur hyperspectral et très haute résolution optique», a eu pour but d évaluer la performance du logiciel ecognition pour la classification automatique ou semi-automatique d imagerie haute résolution. Le lancement de nombreux nouveaux capteurs très haute-résolution a généré une disponibilité inédite d imagerie très prometteuse pour plusieurs domaines d applications d intérêt direct au BRGM. Néanmoins, étant donné la quantité d informations disponibles dans ce type d imagerie ce n est que par les moyens automatisés ou semi-automatisés que l on pourra vraiment exploiter cette ressource. Lors des premières études qui se sont servies de ce type d imagerie, on a constaté que les approches algorithmiques jusqu alors disponibles dans les logiciels références tels que ERDAS n étaient pas adaptées au traitement automatique de ces images. Grâce à la résolution élevée, il est maintenant possible d exploiter des informations contextuelles contenues dans l image. Ces informations étant liées non seulement à la radiométrie, mais aussi à la texture et à la forme des objets, le logiciel ecognition est un des premiers outils commercialisés qui permette l exploitation de ce genre d information. Dans l évaluation d ecognition décrite dans ce rapport, deux thèmes correspondant aux deux principales fonctions de ce logiciel sont abordés : - la segmentation d image ; - la classification automatique d image. Le chapitre deux fournit la description du fonctionnement de la segmentation et une introduction aux différents classificateurs disponibles dans ce logiciel. Deux cas tests ont également été inclus dans ce rapport afin de comparer la performance des algorithmes d ecognition et celle du Maximum de Vraisemblance implémenté dans ERDAS. Ces deux cas tests sont : - détection du réseau routier ; - différenciation des tailings (résidus miniers) et des toits. Pour les deux tests, les résultats ont montré une amélioration significative lors de l utilisation d ecognition. L amélioration se manifeste à la fois dans l augmentaion du pourcentage correct de pixels classifiés et dans la diminution du pourcentage de pixels qui ne sont pas classifiés alors qu ils appartiennent à la classe (dits «pixels manqués»). Néanmoins, le pourcentage correct de pixels classifiés reste assez faible avec une moyenne de 50 % pour les classifications effectuées sous ecognition. Bien que ce chiffre soit favorable par rapport à la moyenne de 34 % obtenue sur l ensemble des classifications ERDAS, on peut espérer, par des études ultérieures, atteindre une meilleure précision. BRGM/RP FR 27

29 Il faut signaler que dans les deux cas tests la vérité de terrain a été définie à partir d une segmentation fine d ecognition. Il existe la possibilité d un biais en faveur des classificateurs implémentés dans ecognition. Dans certains cas la performance décrite peut s améliorer avec la définition d autres classes plus fines, mais il faut trouver le meilleur rapport entre le temps passé pour affiner la définition des classes et l amélioration attendue des résultats. Pour chaque problème de classification sur une image donnée il existe une limite de précision réellement atteignable pour une configuration de classes données. Idéalement, il faudrait connaître à priori la définition appropriée des classes de départ et leur limite de précision connue. Ceci permettrait l évaluation d un résultat issu d une classification ecognition dans son contexte. En dépit des améliorations significatives apportées par le logiciel ecognition, son exploitation actuellement itérative l empêche de devenir à court terme un outil opérationnel pour un grand nombre d applications. 28 BRGM/RP FR

30 Bibliographie Bishop C.M. (1996) - Neural Networks for Pattern Recognition, Oxford University Press. ISBN : ecognition user manual. BRGM/RP FR 29

31 30 BRGM/RP FR

32 Centre scientifique et technique Service aménagement et risques naturels 3, avenue Claude-Guillemin BP Orléans Cedex 2 France Tél. :