Projet personnel de Géomatique

Master 2 Informatique Appliquée aux Systèmes
d’Informations Géographiques
MIASIG 2011-2012
Projet personnel de Géomatique
Segmentation des images de télédétection par les
algorithmes de type « SVM » Support Vector Machines
Etudiant : M. MILLOGO Frédéric
Juin 2012
Chargé du cours : Dr MVOGO Ngono Joseph

Projet Géomatique : Segmentation des images de télédétection par les algorithmes de type « SVM » Support Vector Machines
MILLOGO Frédéric MIASIG 2011-2012 2
Sommaire
RESUME ...................................................................................................................................................................... 3
ABSTRACT ................................................................................................................................................................. 3
INTRODUCTION ....................................................................................................................................................... 4
1 SEGMENTATION D’IMAGE ................................................................................................................................ 5
1.1 SEGMENTATION PAR L’APPROCHE « REGIONS » ................................................................................................... 5
1.2 SEGMENTATION PAR L’APPROCHE « CONTOURS » ................................................................................................ 5
1.3 SEGMENTATION PAR CLASSIFICATION .................................................................................................................. 6
1.3.1 Classification non supervisée (ou non assistée) ........................................................................................... 6
1.3.2 Classification supervisée (ou assistée) ......................................................................................................... 7
2 METHODE SVM « SUPPORT VECTOR MACHINE » ..................................................................................... 7
2.1 NOTION DE BASE : HYPERPLAN, MARGE ET SUPPORT VECTEUR ............................................................................ 7
2.2 PRINCIPES MATHEMATIQUE DES SVM .................................................................................................................. 8
2.2.1 Cas non linéairement séparable................................................................................................................. 10
2.2.2 SVM multi-classes ...................................................................................................................................... 11
3 OUTILS ET APPLICATIONS DES METHODES SVM ................................................................................... 11
3.1 LIBSVM ............................................................................................................................................................. 12
3.2 APPLICATIONS DES METHODES SVM ................................................................................................................. 12
CONCLUSION .......................................................................................................................................................... 14
REFERENCES .......................................................................................................................................................... 15

Projet Géomatique : Segmentation des images de télédétection par les algorithmes de type « SVM » Support Vector Machines
MILLOGO Frédéric MIASIG 2011-2012 3
Résumé
En traitement d’images de télédétection, l’apprentissage automatique est utilisé pour la
segmentation d’images où le problème est d’assigner une classe à chaque pixel de l’image. Cette
méthode de segmentation se fait soit de façon supervisée où l’on a un apriori sur le nombre de
classes, soit non supervisée où l’on ne dispose d’aucune information. Différents types de
classifieurs existent dans les deux cas. Les algorithmes de type SVM (Machines à vecteurs de
support) sont utilisés dans la classification supervisée. L’objectif des SVM est de maximiser la
marge de séparation entre les classes. Ici nous décrivons les méthodes SVM dans l’approche de
segmentation par classification supervisée.
Mots clés : segmentation, images de télédétection, algorithme, machines à vecteurs de support
(SVM), classification
Abstract
In remote sensing image processing, machine learning is used extensively for image
segmentation where the problem is to assign a class to each pixel of the image. This
segmentation method is supervised or so where we have a priori on the number of classes or
unsupervised where there is no information. Different types of classifiers exist in both cases. The
algorithms of SVM (Support Vector Machines) are used in supervised classification. The goal of
SVM is to maximize the margin of separation between classes. Here we describe the methods in
the SVM segmentation approach for supervised classification.
Keywords: segmentation, remote sensing images, algorithm, Support Vector Machines (SVM),
classification

Projet Géomatique : Segmentation des images de télédétection par les algorithmes de type « SVM » Support Vector Machines
MILLOGO Frédéric MIASIG 2011-2012 4
Introduction
Les études dans le domaine de la télédétection impliquent d’acquérir les données et de procéder à
leurs traitement et analyse afin d’en tirer des informations utiles. Immédiatement après leur
acquisition, les données (les images dans notre cas) sont présentées sous une forme qui ne permet
pas d’extraire des informations utiles. Pour cela, il faut réaliser certaines opérations sur ces
images. La toute première étape consiste en un traitement et a pour objectif d’extraire le
maximum d’informations qui va intéresser le futur utilisateur. Dans ce traitement on évacue tout
ce qui est superflu.
La segmentation joue un rôle prépondérant dans ce traitement. C’est une opération qui est
réalisée avant les étapes d’analyse et de prise de décision. Elle aide à localiser et à délimiter les
entités présentes dans l’image. Plusieurs techniques de segmentation existent et trois (03)
grandes classes peuvent se distinguer : la segmentation par régions, la segmentation par contours,
la segmentation par classifications (ou seuillage).
La segmentation par classifications cherche à regrouper les pixels ayant une similarité et une
uniformité. Une catégorisation des méthodes de classification peut être faite, entre les méthodes
dites de classifications supervisées et les méthodes non supervisées. La méthode de classification
supervisée nécessite l’intervention d’un utilisateur. Nous distinguons de nombreuses approches
de classification supervisée : les réseaux de neurones, les k plus proches voisins ou les Machines
à Support Vecteurs (SVM). Les SVM constituent une méthode de classification supervisée
particulièrement bien adaptée pour traiter des données de grande dimension telles que les images
satellitaires
Dans ce document, nous présentons les différents types de segmentation d’image. Puis nous
introduisons les principes de la méthode SVM et son utilisation dans la segmentation par
classification des images de télédétection.

Projet Géomatique : Segmentation des images de télédétection par les algorithmes de type « SVM » Support Vector Machines
MILLOGO Frédéric MIASIG 2011-2012 5
1 Segmentation d’image
La segmentation d’images est une opération de traitement d’images qui consiste à rassembler des
pixels entre eux suivants des critères prédéfinis. Elle correspond à l’action de découper une
image en classes sans savoir à quoi correspondent ces classes thématiquement. Cette opération
constitue une étape primordiale en traitement d’image. Et de nombreuses méthodes se
distinguent. Nous pouvons citer :
- la méthode de segmentation fondée sur les régions
- la méthode de segmentation fondée sur les contours ;
- la méthode de segmentation fondée sur la classification.
1.1 Segmentation par l’approche « régions »
Cette approche de segmentation permet de partitionner l’image en un ensemble de régions
connexes les plus homogènes possibles. Une région représente un ensemble de pixels
topologiquement connexes dont les attributs sont similaires : niveaux de gris, couleur, texture,
mouvement. Ces régions sont manipulées par la suite via des traitements de haut niveau pour
extraire des caractéristiques de forme, de position, de taille, etc. L’approche par région utilise les
techniques de la division-fusion (split and merge) et la croissance par région (Region growing).
Dans la méthode division-fusion, on part d’une première partition de l’image. Cette partition est
ensuite modifiée en divisant ou regroupant des régions. Les algorithmes de la technique division-
fusion exploitent les caractéristiques propres de chaque région comme la surface, l’intensité
lumineuse, la colorimétrie, la texture, etc. Des couples de régions candidates à une fusion sont
identifiés et notés en fonction de l’impact que la fusion aurait sur l’apparence générale de
l’image. Les couples de régions les mieux notés sont alors fusionnés. Cette opération est réitérée
jusqu’à ce que les caractéristiques de l’image remplissent une condition prédéfinie (nombre de
régions, luminosité, contraste ou texture générale donnée) ou jusqu’à ce que les meilleures notes
attribuées aux couples de régions n’atteignent plus un certain seuil.
La méthode de croissance par régions par d’un premier ensemble de régions. Ces régions sont
calculées automatiquement ou fournies par un utilisateur de façon interactive. Les pixels les plus
similaires sont incorporés ensuite dans les régions suivant un critère donné afin de faire grandir
les régions. Comme critère, on peut avoir la différence entre le niveau de gris du pixel considéré
et le niveau de gris moyen de la région.
1.2 Segmentation par l’approche « contours »
Dans la segmentation par l’approche contour, il s’agit d’identifier les discontinuités entre les
différentes régions de l’image. Cette approche cherche des dissimilarités. Elle permet de détecter
les transitions entre les régions de l’image.