Classification

Support Vector Machine

Algorithme choisi : Support Vector Machine (SVM)► supervise ► methode statistique ► peu de zones echantillons pour

l’apprentissage (polygones au format shape)

► definir un hyperplan : minimiser la marge maximale (distance entre l’hyperplan et les echantillons les plus proches)

Trois differentes categories sont choisies : Voirie Bâtiments Vegetation

Conclusion

INSA de Strasbourg - TOPOGRAPHIE

Soutenance du XX Septembre 2013

Contact : ophelie.sinagra@insa-strasbourg.fr

UNSW, Samsung LIMHigh St, Kensington NSW 2052AUSTRALIA

FUSION DE DONNEES LiDAR ET MULTISPECTRALES

Etude des techniques de segmentation, de classification et d’extraction de donnees LiDAR, d’images multispectrales et de leur fusion

Proposition d’une nouvelle technique de traitement de la fusion des donnees et analyse des resultats

Ophelie SINAGRA

Mots clésLiDAR – Images multispectrales – Classification supervisee – Support Vector Machine (SVM) – Indices multispectraux – Hauteur

Introduction L’objectif de cette recherche est de developper une technique permettant la fusion des donnees afin de proceder a une classification rapide et efficace a l’aide d’un algorithme choisi. Certaines contraintes se posent alors telles que les differentes resolutions spatiales de l’image et du nuage de points ou encore le choix de l’algorithme. L’etude des precedentes recherches a permis de determiner une nouvelle approche qui consiste a creer plusieurs rasters a l’aide des donnees de differentes sources, de les assembler afin de n’obtenir qu’un seul et unique raster compose de plusieurs couches, et pour finir d’utiliser un algorithme de classification supervisee sur le raster creeB .

Données

Image multispectrale

LiDAR

Deux types de donnees :

Capteur : QuickBird. 4 Bandes : bleue, rouge, verte et

proche-infrarouge Resolution spatiale : 2.44 mètres. Système : Date : 10 Mai 2002

Fusion

Hauteur

Indices de végétation

Fusion = Assemblage de couches en un seul raster

LiDAR : coordonnees tridimensionnelles ► Extraction des informations et conversionTrois pour la creation du raster representant la variation d’altitude entre les points du sursol par rapport au MNT :

Fusion des données Les rasters crees doivent être assembles afin de n’avoir que des rasters composes de plusieurs bandes et ainsi pouvoir parler de fusion des donnees.

Classification des points du sol et du

sursol

Calcul de la hauteur des points du sursol

Substitution à la coordonnée Z

Conversion du nuage en raster

résolution 2.44 m

Hauteur

Indices de vegetation : indicateurs numeriques utilisant plusieurs bandes de l’image multispectrale et fournissant des informations sur la presence ou non d’element vegetal.

Bande Rouge

Bande PIR

Bande Bleue

Calcul des indices

GEMISAVINDVI

GEMISAVINDVI

Hauteur

Zones échantillons

Classification SVM

Résultats

• Methode d’estimation de la qualite de la classification : Comparaison avec une reference• Reference : nuage de points LiDAR classe manuellement + indice NDVI (les donnees etant

acquises a des moments differents, la vegetation a beaucoup evolue. Les pixels de la couche NDVI dont les comptes numeriques ont une valeur superieure a 0,2 ont ete extraits et utilises dans la reference).

Erreur de Commission 6.69 % Précision pour l'utilisateur 93.31 %

Erreur d'Omission 9.68 % Précision pour le réalisateur 90.32 %

Erreur d’Affectation 16.37 % Précision totale 83.63 %

Tests supplémentaires

Determination des couches importantes: classification effectuee sur des rasters comprenant moins de couches (une ou deux couches ont ete supprimees).Seule la couche hauteur (issue du lever LiDAR) combinee avec la couche NDVI ou avec la couche SAVI s’avère utile: la precision de la classification est alors de 84.2%. Lorsque les informations issues du LiDAR ne sont pas utilisees la precision de la classification baisse de près de 20%.

CouchesPrécision totale de

la classification

NDVI + SAVI + GEMI 63.1 %NDVI + SAVI + H 84.3 %GEMI + SAVI + H 83.7 %NDVI + GEMI + H 83.7 %

NDVI + H 84.2 %SAVI + H 84.2 %

Les differents tests effectues permettent de definir les elements indispensables a une bonne classification: une couche issue du lever LiDAR, reprenant l’information concernant la hauteur des points du sursol, et une issue de l’image multispectrale, avec le calcul d’un indice multispectral par exemple. Les facteurs influant la qualite de la classification et auxquels il est primordial de porter une grande attention sont les paramètres de l’algorithme SVM et les polygones delimitant les zones d’apprentissage. De plus, la resolution spatiale des donnees et l’espacement temporel entre les acquisitions influenceront aussi nos resultats. Il est important d’avoir des donnees acquises dans un espace de temps reduit.  

Dans le futur, il sera interessant de normaliser l’intensite de chaque point du lever LiDAR et d’utiliser cette donnee pour calculer l’indice NDVI. En effet, il est possible de substituer cette information a la bande du proche-infrarouge. L’indice pourra alors être de nouveau calcule avec cette nouvelle bande et la bande rouge d’une image satellite ou d’une image aerienne (meilleure resolution spatiale). Cette couche pourra être assemblee avec un raster reprenant les hauteurs des points avant d’être utilisee pour une classification avec l’algorithme SVM.

SolutionsTransformation avec polynôme du

premier degreRecalage des grilles

Problèmes rencontresDifferents systèmes de coordonnees et

differentes projections.Decalage entre les grilles du raster issu du

LiDAR et des rasters issus des bandes multispectrales.

WGS dans la projection UTM zone 32N.

GEMISAVINDVI

Hauteur

• image multispectrale • nuage de points LiDAR

Zone etudiee : ville de Strasbourg (Bas-Rhin, France) ► quartiers de la Krutenau, de l’Esplanade et le centre historique.

• Nombre de points: 122,000• Densite: 1.3 points / mètre carre• Système : NTF dans la projection Lambert zone I.• Date : le 5 Septembre 2004

= couche hauteur (LiDAR) + NDVI + SAVI + GEMI (Image satellite) Comparaison : vert = bien classe – rouge = mal classe