{"id":9519,"date":"2021-03-11T08:19:16","date_gmt":"2021-03-11T07:19:16","guid":{"rendered":"https:\/\/www.sigterritoires.fr\/?p=9519"},"modified":"2021-03-11T08:19:17","modified_gmt":"2021-03-11T07:19:17","slug":"tutoriel-scpreussir-un-classement-supervise-avec-calcul-de-texture4-acp-des-dix-bandes-de-r-texture","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/tutoriel-scpreussir-un-classement-supervise-avec-calcul-de-texture4-acp-des-dix-bandes-de-r-texture\/","title":{"rendered":"Tutoriel SCP:r\u00e9ussir un classement supervis\u00e9 avec calcul de texture(4)-ACP des dix bandes de r.texture"},"content":{"rendered":"\n

Dans cette s\u00e9rie d\u2019articles <\/a>nous utilisons le plugin SCP de QGis pour effectuer un classement supervis\u00e9 avec calcul de texture. Nous avons vu dans un article pr\u00e9c\u00e9dent<\/a> le traitement classique des trois bandes RVB des images photographiques de drone sur une zone littorale. Dans l’article suivant<\/a> nous avons vu le traitement apr\u00e8s calcul des valeurs de texture de ces m\u00eames images.<\/p>\n\n\n\n

Le traitement que nous allons voir ici n\u2019a, g\u00e9n\u00e9ralement, du sens que si le nombre de bandes disponibles et important. Mais il peut s\u2019av\u00e9rer utile avec un nombre r\u00e9duit de bandes, 4 par exemple.<\/p>\n\n\n\n\n\n\n\n

Quel est notre but ?<\/p>\n\n\n\n

Nous disposons d\u2019une s\u00e9rie d\u2019images constitu\u00e9e de 10 images issues du traitement r.texture. Chacune d\u2019elles peut \u00eatre consid\u00e9r\u00e9e comme une bande spectrale d\u2019un image globale multispectrale.<\/p>\n\n\n\n

Les images de la sc\u00e8ne ont des redondances d\u2019informations. L\u2019analyse en composante principales est une technique qui peut \u00eatre utilis\u00e9e pour r\u00e9duire cette redondance en conservant le maximum d\u2019information.<\/p>\n\n\n\n

Les images provenant d\u2019un traitement d\u2019une image unique, peuvent \u00eatre hautement corr\u00e9l\u00e9es. Compte tenu de l\u2019abondance d\u2019informations \u00e0 traiter, le but de l\u2019analyse en composantes principales (ACP) est de condenser les donn\u00e9es originelles en de nouveaux groupements de fa\u00e7on \u00e0 ce qu\u2019ils ne pr\u00e9sentent pas de corr\u00e9lation entre eux et soient ordonn\u00e9s en termes de pourcentage de variance apport\u00e9e par chaque composante.<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

Ainsi, la premi\u00e8re composante principale contient les informations relatives \u00e0 la variance maximale, la deuxi\u00e8me contient les informations relatives \u00e0 la variance suivante.<\/p>\n\n\n\n

Le processus est r\u00e9p\u00e9t\u00e9 jusqu\u2019\u00e0 l\u2019obtention de la ni\u00e8me et derni\u00e8re composante principale. Les pertes d\u2019information diminuent d\u2019une \u00e9tape \u00e0 la suivante.<\/p>\n\n\n\n

Les diff\u00e9rentes op\u00e9rations de l\u2019ACP sont :<\/p>\n\n\n\n

Le calcul des matrices de covariance et de corr\u00e9lation de l\u2019ensemble des images. Ce sont des matrices carr\u00e9es dont la dimension est \u00e9gale au nombre de canaux spectraux de l\u2019image. Dans notre cas le nombre de bandes issus de r.texture.<\/p>\n\n\n\n

Le calcul des valeurs et vecteurs propres de la matrice de covariance<\/p>\n\n\n\n

Le calcul des composantes principales de l\u2019image multispectrale. Le nombre de composantes est au plus \u00e9gal \u00e0 celui des canaux spectraux, dix dans notre cas.<\/p>\n\n\n\n

Voici les dix clich\u00e9s utilis\u00e9s :<\/p>\n\n\n\n

\"\"<\/a>
Bande ASM_B04 Bande Contr_B05<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Bande Var_06 Bande IDM_07<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Bande SA_08 Bande SE_09<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Bande SV_10 Bande Entr_11<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Bande DE_13 Bande MOC-1_14<\/figcaption><\/figure>\n\n\n\n

Calcul de l\u2019ACP avec le plugin SCP de QGis<\/a><\/h2>\n\n\n\n

Avec le band set contenant les dix images issues de r.texture actif dans la fen\u00eatre des bandes du plugin, on clique sur l\u2019onglet ACP sur la barre d\u2019onglets de gauche :<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

Vous pouvez laisser les valeurs par d\u00e9faut affich\u00e9es. Cliquez sur le Bouton \u00ab Lancer> \u00bb.<\/p>\n\n\n\n

Vous serez invit\u00e9 \u00e0 rentrer le nom d\u2019un r\u00e9pertoire o\u00f9 seront cr\u00e9\u00e9es les images r\u00e9sultantes de l\u2019acp ainsi que le rapport.<\/p>\n\n\n\n

Une fois le calcul termin\u00e9, le rapport final est affich\u00e9 dans la fen\u00eatre ACP du plugin.<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

Apr\u00e8s les coordonn\u00e9es par composante de chaque image en entr\u00e9e, on retrouve le tableau des valeurs propres (eigen values) qui sera notre outil de d\u00e9cision.<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n

La premi\u00e8re composante contient 81% de l\u2019information totale. La deuxi\u00e8me et troisi\u00e8me environ 8% chacune. Arriv\u00e9s \u00e0 la quatri\u00e8me composante on n\u2019a qu\u2019un peu plus de 1%. En utilisant seulement les trois premi\u00e8res on travaille sur 97,25% de l\u2019information totale des dix bandes.<\/p>\n\n\n\n

Nous avons les bandes cr\u00e9\u00e9s dans la liste des bandes de l\u2019onglet \u00ab Jeu de bandes \u00bb. Nous pouvons ainsi cr\u00e9er un band set 2 avec les quatre premi\u00e8res composantes.<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

A titre de comparaison avec les 10 images en entr\u00e9e, voici les quatre premi\u00e8res composantes :<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n

Nous d\u00e9finissons nos trois ROIs rapides comme pour les traitements pr\u00e9c\u00e9dents (voir les articles pr\u00e9c\u00e9dents).<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n
\"\"<\/a><\/figure><\/div>\n\n\n\n

Nous chargeons les signatures dans la fen\u00eatre du Graphique de signature spectrale<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

L\u2019observation des distances spectrales pourra mieux nous renseigner sur la discrimination de nos classes<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n

Les valeurs tr\u00e8s proches de 2 des distances de Jeffries-Matusita nous indiquent qu\u2019il est tout \u00e0 fait possible d\u2019utiliser l\u2019algorithme de vraisemblance maximale pour discriminer nos trois classes. Ce r\u00e9sultat est \u00e0 comparer avec le premier traitement o\u00f9 nous avions trois bandes et o\u00f9 les valeurs de Jeffries-Matusita pour discriminer les deux types d\u2019herbiers \u00e9tait d\u2019environ 1 et ici o\u00f9 il est de 1,9.<\/p>\n\n\n\n

Arriv\u00e9s \u00e0 ce point, vous aurez \u00e0 choisir lequel des traitements est le plus \u00e0 m\u00eame de vous donner satisfaction, et donc quelles bandes vous utiliserez.<\/p>\n\n\n\n

Il faut rappeler que rien ne vous interdit d\u2019utiliser les bandes les plus discriminantes de chacun des traitements pr\u00e9sent\u00e9s : une bande originale, plusieurs bandes issues de r.texture, une ou plusieurs bandes de l\u2019ACP\u2026<\/p>\n","protected":false},"excerpt":{"rendered":"

Dans cette s\u00e9rie d\u2019articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervis\u00e9 avec calcul de texture. Nous avons vu dans un article pr\u00e9c\u00e9dent le traitement classique des trois bandes RVB des images…<\/p>\n","protected":false},"author":1,"featured_media":9534,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[147,26,62],"tags":[1679,1480,1652,1476,1486,1644],"class_list":["post-9519","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images","category-outils-et-methodes","category-qgis-2","tag-acp","tag-classification","tag-plugin-scp","tag-qgis-3","tag-supervisee","tag-texture"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/03\/im15.png?fit=399%2C243&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-2tx","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9519","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=9519"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9519\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/9534"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=9519"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=9519"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=9519"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}