Techniques de Classification des Images en Télédétection [Infographie]

Qu’est-ce que la Classification des images en télédétection?

Les 3 principaux types de techniques de classification d’images en télédétection sont:

• Classification d’image non supervisée
• Classification d’image supervisée
• Analyse d’image basée sur des objets

La classification d’image non supervisée et supervisée sont les deux approches les plus courantes.

Cependant, la classification basée sur des objets a gagné en popularité car elle est utile pour les données à haute résolution.

EN SAVOIR PLUS: 15 Sources de Données d’Imagerie Satellitaire Gratuites

1. Classification non supervisée

Dans l’ensemble, la classification sans surveillance est la technique la plus élémentaire. Comme vous n’avez pas besoin d’échantillons pour une classification non supervisée, c’est un moyen facile de segmenter et de comprendre une image.

Les deux étapes de base pour une classification non supervisée sont:

• Générer des clusters
• Attribuer des classes

À l’aide d’un logiciel de télédétection, nous créons d’abord des “clusters”. Certains des algorithmes de clustering d’images courants sont:

• K – signifie
• ISODATA

Après avoir sélectionné un algorithme de clustering, vous identifiez le nombre de groupes que vous souhaitez générer. Par exemple, vous pouvez créer 8, 20 ou 42 clusters. Moins de clusters ont plus de pixels ressemblant à des groupes. Mais plus de grappes augmente la variabilité au sein des groupes.

Pour être clair, ce sont des clusters non classifiés. L’étape suivante consiste à attribuer manuellement des classes de couverture terrestre à chaque cluster. Par exemple, si vous souhaitez classer la végétation et la non-végétation, vous pouvez sélectionner les grappes qui les représentent le mieux.

EN SAVOIR PLUS : Classification supervisée et Non supervisée dans ArcGIS

2. Classification supervisée

Les trois étapes de base de la classification supervisée sont:

• Sélectionner des zones d’entraînement
• Générer un fichier de signature
• Classer

Pour la classification d’image supervisée, vous créez d’abord des échantillons d’entraînement. Par exemple, vous marquez des zones urbaines en les marquant dans l’image. Ensuite, vous continueriez à ajouter des sites de formation représentatifs dans toute l’image.

Pour chaque classe de couverture terrestre, vous continuez à créer des échantillons de formation jusqu’à ce que vous ayez des échantillons représentatifs pour chaque classe. À son tour, cela générerait un fichier de signature, qui stocke toutes les informations spectrales des échantillons d’entraînement.

Enfin, la dernière étape consisterait à utiliser le fichier de signature pour exécuter une classification. À partir de là, vous devrez choisir des algorithmes de classification tels que:

• Maximum de vraisemblance
• Distance minimale
• Composants principaux
• Machine vectorielle de support (SVM)
• Cluster Iso

Comme le montrent plusieurs études, la SVM est l’un des meilleurs algorithmes de classification en télédétection. Mais chaque option a ses propres avantages, que vous pouvez tester par vous-même.

3. Analyse d’Images Basée Sur des Objets (OBIA)

Voici les étapes pour effectuer une classification d’analyse d’image basée sur des objets:

• Effectuer une segmentation multirésolution
• Sélectionner des domaines d’entraînement
• Définir des statistiques
• Classer

L’analyse d’image basée sur des objets (OBIA) segmente une image en regroupant des pixels. Il ne crée pas de pixels uniques. Au lieu de cela, il génère des objets avec des géométries différentes. Si vous avez la bonne image, les objets peuvent être si significatifs qu’ils font la numérisation pour vous. Par exemple, les résultats de segmentation ci-dessous mettent en évidence les bâtiments.

Les 2 algorithmes de segmentation les plus courants sont:

• Segmentation multi-résolution dans eCognition
• Décalage moyen des segments dans ArcGIS

Dans la classification OBIA (Object-Based Image Analysis), vous pouvez utiliser différentes méthodes pour classer les objets. Par exemple, vous pouvez utiliser:

FORME: Si vous souhaitez classer des bâtiments, vous pouvez utiliser une statistique de forme telle que “ajustement rectangulaire”. Cela teste la géométrie d’un objet à la forme d’un rectangle.

TEXTURE: La texture est l’homogénéité d’un objet. Par exemple, l’eau est généralement homogène car elle est principalement bleu foncé. Mais les forêts ont des ombres et sont un mélange de vert et de noir.

SPECTRAL : Vous pouvez utiliser la valeur moyenne des propriétés spectrales telles que le proche infrarouge, l’infrarouge à ondes courtes, le rouge, le vert ou le bleu.

CONTEXTE GÉOGRAPHIQUE: Les objets ont des relations de proximité et de distance entre voisins.

CLASSIFICATION DU VOISIN LE plus PROCHE: La classification du voisin le plus proche (NN) est similaire à la classification supervisée. Après une segmentation multi-résolution, l’utilisateur identifie des exemples de sites pour chaque classe de couverture terrestre. Ensuite, ils définissent des statistiques pour classer les objets image. Enfin, le voisin le plus proche classe les objets en fonction de leur ressemblance avec les sites d’entraînement et des statistiques définies.

EN SAVOIR PLUS: Guide de classification du plus proche voisin dans l’ÉCognition

Quelle Technique De Classification D’Image Devez-Vous Utiliser?

Disons que vous voulez classer l’eau dans une image à haute résolution spatiale.

Vous décidez de choisir tous les pixels avec un NDVI faible dans cette image. Mais cela pourrait également mal classer d’autres pixels de l’image qui ne sont pas de l’eau. Pour cette raison, la classification basée sur les pixels, comme la classification non supervisée et supervisée, donne un aspect salin et poivré.

Les humains agrégent naturellement les informations spatiales en groupes. La segmentation multirésolution effectue cette tâche en regroupant des pixels homogènes en objets. Les caractéristiques de l’eau sont facilement reconnaissables après une segmentation multirésolution. C’est ainsi que les humains visualisent les caractéristiques spatiales.

• Quand devriez-vous utiliser une classification basée sur les pixels (classification non supervisée et supervisée)?
• Quand devriez-vous utiliser une classification basée sur des objets ?

Comme illustré dans cet article, la résolution spatiale est un facteur important lors de la sélection des techniques de classification des images.

Lorsque vous avez une faible résolution spatiale, les techniques de classification d’images traditionnelles basées sur les pixels et les objets fonctionnent bien.

Mais lorsque vous avez une résolution spatiale élevée, OBIA est supérieur à la classification traditionnelle basée sur les pixels.

Tendances des données de télédétection

En 1972, Landsat-1 a été le premier satellite à collecter la réflectance de la Terre à une résolution de 60 mètres. À cette époque, la classification non supervisée et la classification supervisée étaient les deux techniques de classification des images disponibles. Pour cette résolution spatiale, cela suffisait.

Cependant, l’OBIA s’est considérablement développée en tant que technique de traitement d’images numériques.

Au fil des ans, il y a eu une demande croissante de données de télédétection. Il existe des centaines d’applications de télédétection. Par exemple, la sécurité alimentaire, l’environnement et la sécurité publique sont très demandés. Pour répondre à la demande, l’imagerie satellitaire vise une résolution spatiale plus élevée à une gamme de fréquences plus large.

Tendances des données de télédétection:

• Plus omniprésent
• Résolution spatiale plus élevée
• Plage de fréquences plus large

Mais les images à résolution plus élevée ne garantissent pas une meilleure couverture terrestre. Les techniques de classification des images utilisées sont un facteur très important pour une meilleure précision.

Classification non supervisée vs Supervisée vs Basée sur des objets

Une étude de cas de l’Université de l’Arkansas a comparé la classification basée sur des objets et la classification basée sur des pixels. L’objectif était de comparer les images à haute et moyenne résolution spatiale.

Dans l’ensemble, la classification basée sur les objets a surpassé les méthodes de classification basées sur les pixels non supervisées et supervisées. Parce qu’OBIA utilisait à la fois des informations spectrales et contextuelles, il avait une plus grande précision. Cette étude est un bon exemple de certaines des limites des techniques de classification des images basées sur les pixels.

EN SAVOIR PLUS : 9 Ensembles de Données Gratuits sur l’Occupation des Sols et l’Utilisation des Terres à l’Échelle Mondiale

Croissance de la classification par objet

Les pixels sont la plus petite unité représentée dans une image. La classification des images utilise des statistiques de réflectance pour les pixels individuels.

Les progrès technologiques et la disponibilité d’images à haute résolution spatiale ont beaucoup augmenté. Mais les techniques de classification des images doivent également être prises en compte. Les projecteurs sont braqués sur l’analyse d’image basée sur l’objet pour fournir des produits de qualité.

Selon les résultats de recherche de Google Scholar, toutes les techniques de classification des images ont montré une croissance régulière du nombre de publications. Récemment, la classification basée sur les objets a connu une forte croissance.

Ce graphique affiche les résultats de recherche annuels de Google Scholar en utilisant la phrase de recherche “AllinTitle:”.

Si vous avez apprécié ce guide des techniques de classification des images, je vous recommande de télécharger l’infographie sur la classification des images par télédétection.

1. Blaschke T, 2010. Analyse d’images par objet pour la télédétection. ISPRS Journal of Photogrammetry and Remote Sensing 65 (2010) 2-16
2. Classification Basée sur les Objets vs Classification Basée sur les Pixels: Importance comparative de l’Imagerie Multi-Résolution (Robert C. Weih, Jr. et Norman D. Riggan, Jr.)
3. Segmentation multirésolution : une approche d’optimisation pour une segmentation d’image multi-échelle de haute qualité (Martin Baatz & Arno Schape)
4. Développeur d’éCognition Trimble: http://www.ecognition.com