Classification collaborative de données multisources pour l analyse

Transcription

1 Classification collaborative de données multisources pour l analyse d images de télédétection Germain Forestier En collaboration avec Pierre Gançarski et Cédric Wemmert Université de Strasbourg (France) Laboratoire des Sciences de l Image, de l Informatique et de la Télédétection - Fouille de Données Complexes (GT EGC-FDC) - 18 Juin Complexité liée aux données multiples Germain Forestier Classification collaborative de données multisource 1/28

2 Plan 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion Germain Forestier Classification collaborative de données multisource 2/28

3 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion

4 Introduction Principaux thèmes de recherche : classification non supervisée et collaboration de méthodes de classification Domaine d application privilégié des géosciences suite à une collaboration forte avec le laboratoire de géographie de Strasbourg, le LIVE (Laboratoire Image, Ville et Environnement) Application pour l interprétation d images de télédétection, la cartographie, l urbanisme, la simulation, etc. Figure: Illustration de la classification non supervisée Germain Forestier Classification collaborative de données multisource 3/28

5 Introduction Principaux thèmes de recherche : classification non supervisée et collaboration de méthodes de classification Domaine d application privilégié des géosciences suite à une collaboration forte avec le laboratoire de géographie de Strasbourg, le LIVE (Laboratoire Image, Ville et Environnement) Application pour l interprétation d images de télédétection, la cartographie, l urbanisme, la simulation, etc. Figure: Illustration de la classification non supervisée Germain Forestier Classification collaborative de données multisource 4/28

6 Données multisources Avec la multiplication des capteurs, de plus en plus de données images sont disponibles qui apportent différentes informations L expert géographe dispose parfois de plusieurs images différentes de la même scène (même zone géographique) Comment utiliser ces différents points de vues représentant la même réalité terrain pour améliorer l interprétation de la scène? (a) 1 pixel = 20 m 20 m (b) 1 pixel = 10 m 10 m (c) 1 pixel = 2,5 m 2,5 m Figure: Images satellitaires à différentes résolutions représentant la même scène c CNES 2009 Contrat CNES R&D 2007/2008, 2008 Germain Forestier Classification collaborative de données multisource 5/28

7 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion

8 Classification collaborative Recherche débutée lors de la thèse de Cédric Wemmert [2000] : Classification hybride distribuée par collaboration de méthodes non supervisées Un constat : il existe de nombreuses méthodes de classification non supervisée différentes Une idée : faire collaborer ces méthodes pour trouver un accord sur la classification des données Une solution : une méthode de classification collaborative développée au sein de l équipe Mon sujet thèse : intégrer des connaissances dans cette méthode collaborative et l utiliser en interprétation d images de télédétection Un aspect des connaissances : la disponibilité de données multisources Germain Forestier Classification collaborative de données multisource 6/28

9 Classification collaborative Le classification collaborative consiste à un rafinement mutuel et automatique de différents résultats de clustering La méthode proposée utilise conjointement différent résultats de clustering Ces différents résultats vont ensuite collaborer pour trouver un accord sur la classification des données Clustering 1 Clustering 2.. Clustering N Germain Forestier Classification collaborative de données multisource 7/28

10 Un exemple simple Germain Forestier Classification collaborative de données multisource 8/28

11 Un exemple simple classification 1 : couper en 3 le cluster impliqué dans le conflit? classification 2 : fusionner les clusters impliqués dans le conflit? réponse : essayer les deux cas et évaluer la similarité et la qualité des couples de résultats pour faire un choix Germain Forestier Classification collaborative de données multisource 9/28

12 Un exemple simple classification 1 : couper en 3 le cluster impliqué dans le conflit? classification 2 : fusionner les clusters impliqués dans le conflit? réponse : essayer les deux cas et évaluer la similarité et la qualité des couples de résultats pour faire un choix Germain Forestier Classification collaborative de données multisource 9/28

13 Un exemple simple classification 1 : couper en 3 le cluster impliqué dans le conflit? classification 2 : fusionner les clusters impliqués dans le conflit? réponse : essayer les deux cas et évaluer la similarité et la qualité des couples de résultats pour faire un choix Germain Forestier Classification collaborative de données multisource 9/28

14 Results Refinement Germain Forestier Classification collaborative de données multisource 10/28

15 Classification collaborative Figure: Image SPOT : 200x250 / 3 bandes Gancarski (2008) Collaborative multistrategy clustering of remote sensing images, Workshop CNES CCT, 2008 Germain Forestier Classification collaborative de données multisource 11/28

16 Classification collaborative Germain Forestier Classification collaborative de données multisource 12/28

17 Classification collaborative Germain Forestier Classification collaborative de données multisource 13/28

18 Classification collaborative Germain Forestier Classification collaborative de données multisource 14/28

19 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion

20 Multisource Problématique : utiliser des images à différentes résolutions et/ou à différentes dates qui apportent des informations complémentaires Proposition : utilisation de l approche collaborative où chaque méthode utilise une image différente comme donnée (a) Monosource (b) Multisource Forestier et al. (2008) Multisource Images Analysis Using Collaborative Clustering, EURASIP Journal on Advances in Signal Processing - Special issue on Machine Learning in Images Processing, 2008 Germain Forestier Classification collaborative de données multisource 15/28

21 Multisource Figure: Différents points de vues V 1 à V n du même objet O (la rivière) produisent différentes descriptions D 1 à D n de l objet Germain Forestier Classification collaborative de données multisource 16/28

22 Multisource (a) Même résolution/capteur, dates différentes (b) Même résolution, capteurs différents (c) Différentes résolutions, capteurs différents Figure: Différents paradigmes de données multisources en classification d images de télédétection. Germain Forestier Classification collaborative de données multisource 17/28

23 Multisource Figure: Comment comparer des objets qui sont différents mais qui représentent le même objet réel? La réalité est vue à deux résolutions différentes. Germain Forestier Classification collaborative de données multisource 18/28

24 Multisource Figure: La fonction λ I 1,I 2 est une fonction d association entre deux images. Elle permet d associer un pixel de l image I 2 à l image I 1 Germain Forestier Classification collaborative de données multisource 19/28

25 Introduction Classification collaborative Application en multisource Simulation de capteurs Conclusion Multisource (a) image panchromatique (re solution 5m). (b) image multi-spectrale (re solution 10m). Figure: Deux images de Strasbourg du capteur SPOT5 Germain Forestier Classification collaborative de donne es multisource 20/28

26 Multisource (a) multi-spectral (7 clusters) (b) panchromatique (7 clusters) (c) fusion (7 clusters) (d) multi-source collaboration (7 clusters) Figure: Résultats des quatre cas d études. Germain Forestier Classification collaborative de données multisource 21/28

27 Introduction Classification collaborative Application en multisource Simulation de capteurs Conclusion Multisource Fonctionne bien quand il n y a pas une diffe rence de re solution trop importante entre les diffe rentes images Une grande diffe rence implique la recherche d un nombre de clusters diffe rent et un changement plus profond de la me thode Orientation vers une approche de collaboration binaire entre paire d images de re solutions tre s diffe rentes : similarite = cohe rence Figure: Image Quickbird 2.8m (gauche) et image SPOT4 20m (droite) Wemmert et al. (2009) Multiresolution Remote Sensing Image Clustering, IEEE Geoscience and Remote Sensing Letters, 2009 Germain Forestier Classification collaborative de donne es multisource 22/28

28 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion

29 Simulation de capteurs image multispectrale image hyperspectrale spectromètre Figure: Illustration de la simulation. Germain Forestier Classification collaborative de données multisource 23/28

30 Simulation de capteurs image multispectrale image hyperspectrale librairie spectrale spectromètre Figure: Illustration de la simulation. Germain Forestier Classification collaborative de données multisource 23/28

31 Simulation de capteurs image multispectrale information capteur image hyperspectrale librairie spectrale spectromètre Figure: Illustration de la simulation. Germain Forestier Classification collaborative de données multisource 23/28

32 Simulation de capteurs image multispectrale information capteur image hyperspectrale librairie spectrale spectromètre Figure: Illustration de la simulation. Germain Forestier Classification collaborative de données multisource 23/28

33 Simulation de capteurs Exemples de spectres : 60 sol nu sec végétation eau Réflectance (%) ,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 Longueur d'onde (µm) visible proche infrarouge moyen infrarouge Figure: Exemples de spectres Germain Forestier Classification collaborative de données multisource 24/28

34 Simulation de capteurs Ces spectres peuvent être utilisés pour simuler les réponses spectrales de différents capteurs La simulation prend en compte les caractéristiques spécifiques de chaque capteur : Relative Spectral Function (RSR) Relative Spectral Response (%) B1 B2 B3 B4 PAN Relative Spectral Response (%) B1 B2 B3 MIR Relative Spectral Response (%) B1 B2 B3 B4 B5 B6 Wavelength (nm) (a) Quickbird Wavelength (nm) (b) SPOT 5 Wavelength (nm) (c) Landsat Figure: Exemple de trois Relative Spectral Response (RSR). Germain Forestier Classification collaborative de données multisource 25/28

35 Simulation de capteurs Utilisation des données hyperspectrales pour simuler des données multispectrales Aggrégation de plusieurs bandes fines pour simuler une bande plus large Prise en compte des réponses spectrales spécifiques à chaque capteur à travers les Relative Spectral Response (RSR) librairie spectrale spectres complets RSR spectres reduits Figure: Réduction des spectres à la résolution spectrale des différents capteurs. Forestier et al. (2009) Mining spectral libraries to study sensors discrimination ability, SPIE Europe International Symposium on Remote Sensing, 2009 Germain Forestier Classification collaborative de données multisource 26/28

36 1 Introduction 2 Classification collaborative 3 Application en multisource 4 Simulation de capteurs 5 Conclusion

37 Conclusion Concernant les images : La disponibilité croissante d images apporte une masse importante de données multisources qui apportent des informations complémentaires Nombreux paramètres liés aux conditions d acquisition peuvent poser problème (saison, illumination, bruit) Travaux futurs : améliorer la collaboration locale entre images de résolutions très différentes Concernant la simulation : Parfois difficile d obtenir les données (car les librairies sont couteuses à développer) Travaux futurs : évaluer l apport de l utilisation de plusieurs vues des spectres (par différents capteurs) lors de la classification collaborative Germain Forestier Classification collaborative de données multisource 27/28

38 Conclusion Merci! Questions? contact : g.forestier@unistra.fr site web : google : germain forestier Germain Forestier Classification collaborative de données multisource 28/28