Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

1

Classification supervisée

Les classifications d'images pixel à pixel Les méthodes de classification d’images les plus courantes utilisent l'information radiométrique d'une ou plusieurs bandes spectrales pour classifier chaque pixel individuellement . Ce type de classification standard est appelé reconnaissance de regroupements spectraux . L’image issue de la classification est composée de pixels appartenant chacun à un thème particulier (exemple : eau, forêt, bâti, etc.). 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 cherche à identifier dans les images, comme différents types de cultures, d'espèce d'arbres, différents types de caractéristiques géologiques, etc. - les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques spectrales (ou presque) en ce qui a trait à leur valeur radiométrique dans les différents canaux.

L'objectif ultime de la classification est de faire la correspondance entre les classes spectrales et les classes d'information . Dans ce contexte, l'analyste a le rôle de déterminer de l'utilité des différentes classes spectrales et de valider leur correspondance à des classes d'informations utiles. La démarche de classification comporte ainsi trois étapes fondamentales :

� établissement de classes de signatures ou classes spectrales, � classification des pixels en fonction des classes de signatures, � vérification de la classification (fiabilité par rapport aux classes thématiques

envisagées). C'est la manière d'établir les classes de signatures (1ère étape) qui détermine les deux grandes approches en classification numérique :

� l'approche non dirigée (non supervisée ) : pas de connaissance a priori ; les classes sont créées automatiquement par le logiciel. Les classes sont alors nommées, étiquetées a posteriori,

� l'approche dirigée (supervisée ) : les connaissances a priori sont utilisées pour la

création des classes et la saisie des échantillons (zones (parcelles) d'entraînement = données test).

Les méthodes de classifications par pixels sont délicates à mener car les confusions radiométriques entre classes augmentent avec la résolution des capteurs et l’hétérogénéité spatiale des milieux.

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

2

influence de la résolution des capteurs sur « pureté » des pixels

Un milieu hétérogène : Montferrier et la vallée du Lez

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

3

���� cliquer sur le bouton : Editeur de sites d'entraînement ���� faire : Fichier � Site d'entraînement � Nouveau

Liste des canaux choisis pour la classification

Pour charger un raster de parcelles d'entraînement déjà constitué

Pour éditer un raster de parcelles d'entraînement : pour le créer ou le modifier

étape 1 : création du raster de parcelles d'entraînement

Méthode de classification ; ici méthode supervisée par maximum de vraisemblance

Lancement d'une procédure de classification d'image sous TNT

Image ���� Interpréter ���� Classification

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

4

Dans la fenêtre d'invite qui s'ouvre, indiquer le nombre de classes désiré (ici 8 classes) ces 8 classes sont créées avec un code (chiffre) et une couleur arbitraire

affichage d'un nouveau site d'entraînement "vide" (à la dimension des images utilisées pour la classification) pour créer les classes prévues, faire : Fichier � Classe � Ajouter des classes

En cliquant sur la couleur et le Nom de la classe, constituer le jeu de classe désiré

Ce fichier de classes doit être sauvegardé pour être utilisé lors de la constitution du raster de parcelles de vérité-terrain (utilisé pour juger de la qualité de la classification au travers d'une matrice de confusion ). Pour le sauvegarder, faire "Fichier � Classe � Sauvegarder" . TNT demande de sauver un objet base de données nommé par défaut DBCLASS, constituée d’une table d'information de classe CLASSINFO qui contient les infos de définition des classes.

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

5

Etape 2 : création des parcelles d'entraînement correspondant aux différentes classes choisies

Une classe qui a été "entraînée " (au moins une parcelle "témoin" pour cette classe) se voit attribuer une couleur bleue

Couches chargé es pour faciliter le choix des parcelles

1) Afficher les couches permettant le choix des parcelles d’entraînement (ex NDVI, RVB, ACP, …)

2) Cliquer sur une classe (ex prairie), 3) Choisir l'outil "Région de sélection ", 4) Dessiner un polygone représentatif de cette classe ; pour terminer sa

construction, faire un click droit et choisir "Assigner tous les pixels "

� pour prendre les parcelles témoins il faut être en sélection individuelle

Une fois toutes les classes entraînées, sauvegarder les parcelles test Fichier � Site d'entraînement � sauvegarder

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

6

Etape 3 : création des parcelles de vérité-terrain permettant de valider la classification au travers d'une matrice de confusion

1) appliquer la procédure employée à l’étape 1 pour créer un raster de sites d'entraînement en réutilisant les classes déjà définies : Fichier � Classes � ouvrir (récupérer DBCLASS � CLASSINFO ,

2) délimiter des parcelles de vérité-terrain différentes des parcelles d'entraînement (utiliser la couche de parcelles d'entraînement pour comparaison),

3) sauvegarder ce raster de vérité-terrain : Fichier � Site d'entraînement � sauvegarder .

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

7

Lancement de la classification - canaux utilisés - méthode supervisée choisie - parcelles d'entraînement

Image résultat de la classification et ouverture de la fenêtre "Opération sur les classes"

Etape 4 : lancement de la classification

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

8

Précision géographique globale : cette valeur signifie que 90.33 % des pixels des parcelles de vérité-terrain se retrouvent correctement classés

90.33 % = [somme de la trace (729 = 30 + 86 +) / nbre total de pixels échantillon (807)] * 100

Avec les parcelles d’entraînement, la classe sol nu / bâti est définie avec 46 pixels. Lors de la classification, 36 se retrouvent bien classés à l’arrivée en sol nu (78.26% de bien classés = 36/46*100). Les 10 autres sont dispersés dans d'autres classes (classes vignes). Ils ont été incorrectement exclus, omis, de la classe sol nu. L’ erreur d’omission est de 10/46*100 = 21,74% (100% - 78,26%)

A l'arrivée , la classe sol nu / bâti compte 57 pixels ; 36 proviennent bien de la classe sol nu (= 63% de bien classés = 36/57*100) Les autres (21) proviennent d'autres classes (en fait de la classe vigne claire). Il y a erreur de commission car cette classe incorpore des pixels d'autres classes (pixels attribués par erreur ). � erreur de commision de 27% (100% – 63%)

Classes définies par la vérité-terrain

Classes résultant de la classification

Utiliser l'outil "Matrice d'erreur" pour avoir une idée de la validité de la classification.

1) Application sur les parcelles d'entraînement

2) Application sur les parcelles de vérité-terrain

Etape 5 : validation par la matrice de confusion

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

9

Etape 6 : vérification de la séparabilité des classes puis

fusion de classes

Utiliser l'outil "Nuage de points de l'ellipse" pour avoir une idée de la séparabilité des classes entre elles (canaux 2 à 2).

Utiliser aussi l'outil "Dendrogramme" pour juger également de la proximité spectrale des classes (� classes à fusionner en premier)

Les classes bois 1 et bois 2 peuvent être fusionnées pour donner naissance à la classe bois .

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

10

Etape 7 : lissage de l'image classée simplifiée

L'image classée, assez "bruitée " (pixels classés isolés), est lissée à l'aide d'un filtrage d'image qui remplace la valeur centrale d'une fenêtre glissante (ici 3*3) par la valeur majoritaire . Ici, le résultat de 3 itérations de filtrage.

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

11

Etape 8 : vectorisation de l'image classée (en vue d’applications vectorielles)

Par une conversion raster / vecteur on obtient un vecteur héritant des informations de l'image classée.

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

12

Etape 9 : exportation de l'image classée vers Googl e Earth

Avant d'être exporté au format Tiff (ou Png ) + fichier kml pour être utilisable dans Google Earth , l'image classée (qui est alors en WGS84/ UTM31 N) doit être reprojetée en WGS84 / géographique (Système de coordonnées de Google Earth ).

Exportation de l'image reprojetée : - exportation au format TIFF - ajout d'un fichier KML (utilisé

par Google Earth )

Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010 classification d'images de télédétection

13

Superposition de l'image classée dans Google Earth (double click sur le fichier KML)