Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Classication d x27 image 1

La classi ?cation d ? image La classi ?cation numérique des images utilise l ? information spectrale contenue dans les valeurs d ? une ou de plusieurs bandes spectrales pour classi ?er chaque pixel individuellement Ce type de classi ?cation est appelé reconnaissance de regroupements spectraux Les deux façons de procéder manuelle ou automatique ont pour but d ? assigner une classe particulière ou thème par exemple eau forêt de conifères ma? s blé etc à chacun des pixels d ? une image La nouvelle ? image qui représente la classi ?cation est composée d ? une mosa? que de pixels qui appartiennent chacun à un thème particulier Cette image est essentiellement une représentation thématique de l ? image originale Lorsqu ? on parle de classes il faut faire la distinction entre des classes d ? information et des classes spectrales Les classes d ? information sont des catégories d ? intérêt que l ? analyste tente d ? identi ?er dans les images comme di ?érents types de cultures de forêts ou d ? espèce d ? arbres di ?érents types de caractéristiques géologiques ou de roches etc Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques ou presque en ce qui a trait à leur valeur d ? intensité dans les di ?érentes bandes spectrales des données L ? objectif ultime de la classi ?cation est de faire la correspondance entre les classes spectrales et les classes d ? information Il est rare qu ? une correspondance directe soit possible entre ces deux types de classes Les méthodes de classi ?cation les plus communes peuvent être séparées en deux grandes catégories les méthodes de classi ?cation supervisée et les méthodes de classi ?cation non supervisée Classi ?cation supervisée Lors de l ? utilisation d ? une méthode de classi ?cation supervisée l ? analyste identi ?e des échantillons assez homogènes de l ? image qui sont représentatifs de di ?érents types de surfaces classes d ? information Classi ?cation non supervisée La classi ?cation non supervisée procède de façon contraire Les classes spectrales sont formées en premier basées sur l ? information numérique des données seulement Ces classes sont ensuite associées par un analyste à des classes d ? information utile si possible Des programmes appelés algorithmes de classi ?cation sont utilisés pour déterminer les groupes statistiques naturels ou les structures des données Habituellement l ? analyste spéci ?e le nombre de groupes ou classes qui seront formés avec les données De plus l ? analyste peut spéci ?er certains paramètres relatifs à la distance entre les classes et la variance à l ? intérieur même d ? une classe Le résultat ?nal de ce processus de classi ?cation itératif peut créer des classes que l ? analyste voudra combiner ou des classes qui devraient être séparées de nouveau Chacune de ces étapes nécessite une nouvelle application de l ? algorithme L ? intervention humaine n ? est donc pas totalement exempte de la