UNIVERSITE DE TOLIARA
************
FACULTE DES SCIENCES
************
DOMAINE : SCIENCES ET TECHNOLOGIES
************
MENTION : GEOSCIENCES
*********
GRADE : MASTER
*********
NIVEAU M1/ S7
TELEDECTION
- METHODES DE CLASSIFICATION D’IMAGES-
Un devoir rédigé par :
LAHINIRIKO Bruno Sitraka Alifa
HAJANIRINA FANOMEZANA Bertho
Exigé par :
Docteur Tsiorisoa HAREMPAHASOAVANA
Dans le cadre du Module intitulé :
« Télédétection »
Année Universitaire : 2023-2024
Table des matières
1. INTRODUCTION .................................................................................................... 1
2. LA CLASSIFICATION SUPERVISEE PAR PIXEL ................................................. 2
2.1 Classificateur à distance minimale ................................................................... 7
2.2 Classificateur à maximum de vraisemblance ................................................. 9
2.3 Classificateurs non paramétriques (ici, à « Arbre de décision ») ........... 12
3. LA CLASSIFICATION NON SUPERVISEE PAR PIXEL ................................... 18
4. RESUME ..................................................................................................................... 22
1. INTRODUCTION
Si l’interprétation visuelle d’une image satellite peut suffire à certains
usages, elle présente également des lacunes importantes.
Par exemple, si vous voulez savoir où se trouvent toutes les zones urbaines d’une
image,
a) il faudra beaucoup de temps, même à un analyste d’images expérimenté,
pour examiner une image entière et déterminer quels pixels sont « urbains » et
lesquels ne le sont pas, et
b) la carte des zones urbaines qui en résulte sera nécessairement quelque
peu subjective, car elle est basée sur l’interprétation par l’analyste individuel de
ce que signifie « urbain » et de la façon dont cela est susceptible d’apparaître sur
l’image.
Une solution très courante consiste à utiliser un algorithme de
classification pour traduire la couleur observée dans chaque pixel en
une classe thématique qui décrit sa couverture terrestre dominante,
transformant ainsi l’image en une carte de couverture terrestre. Ce processus
est appelé CLASSIFICATION D’IMAGES.
On peut distinguer deux catégories d’approches de la
classification des images :
La méthode traditionnelle et la plus simple consistent à examiner
chaque pixel individuellement et à déterminer la classe thématique
correspondant à sa couleur. C’est ce qu’on appelle la classification par pixel,
et c’est ce que nous allons voir ci-dessous.
Une méthode plus récente et de plus en plus populaire consiste à
diviser l’image en segments homogènes, puis à déterminer la classe thématique
correspondant aux attributs de chaque segment. Ces attributs peuvent être la
couleur du segment ainsi que d’autres éléments comme la forme, la taille, la
texture et l’emplacement. C’est ce qu’on appelle généralement l’analyse d’image
basée sur l’objet.
1
Dans la catégorie de la classification par pixel, deux approches
différentes sont disponibles :
La classification « supervisée », car l’analyste d’images
« supervise » la classification en fournissant des informations supplémentaires
dans les premières étapes, et
La classification « non supervisée », car un algorithme effectue
la majeure partie du travail (presque) sans aide, et l’analyste d’images n’a plus
qu’à intervenir à la fin pour terminer le travail.
Chacune de ces méthodes présente des avantages et des inconvénients, qui
sont décrits ci-après.
2. LA CLASSIFICATION SUPERVISEE PAR PIXEL
L’idée derrière la classification supervisée est que l’analyste de
l’image fournit à l’ordinateur certaines informations qui permettent
de calibrer un algorithme de classification. Cet algorithme est ensuite
appliqué à chaque pixel de l’image pour produire la carte requise.
La meilleure façon d’expliquer ce fonctionnement est de prendre un
exemple. L’image de la figure 01 provient de Californie, et nous voulons traduire
cette image en une classification comportant les trois (grandes) classes suivantes :
« Urbain », « Végétation » et « Eau ».
Le nombre de classes et la définition de chaque classe peuvent avoir un impact
important sur le succès de la classification.
Dans notre exemple, nous ne tenons pas compte du fait qu’une grande partie de
la zone est constituée de sol nu (et n’entre donc pas vraiment dans l’une de nos
trois classes).
Nous pouvons également nous rendre compte que l’eau dans l’image a une
couleur très différente selon son degré de turbidité, et que certaines zones
urbaines sont très claires alors que d’autres sont d’un gris plus foncé, mais nous
ignorons ces questions pour l’instant.
2
Figure 1- Compositeen couleurs vraies montrant une partie d’une image Landsat de Californie. Une zone
urbaine avec de l’eau trouble est visible dans le coin supérieur droit, bordée par un mélange de zones
de végétation et de zones stériles et un lac avec de l’eau claire. Une zone montagneuse largement
boisée est visible dans la partie inférieure gauche de l’image, avec quelques zones claires près du
centre gauche. Par Anders Knudby, CC BY 4.0, basé sur une image Landsat 5 (USGS).
La « supervision » dans la classification supervisée se présente presque toujours
sous la forme d’un ensemble de données de calibrage, qui consiste en un
ensemble de points et/ou de polygones dont on sait (ou croit) qu’ils
appartiennent à chaque classe.
Dans la figure 02, un tel ensemble de données a été fourni sous la forme de trois
polygones :
Le polygone rouge délimite une zone connue pour être « urbaine »,
De même le polygone bleu est « eau » et
Le polygone vert est « végétation ».
3
Figure 2- La
même image que dans la Figure01, avec trois polygones superposés. Le polygone rouge
représente une zone connue par l’analyste de l’image comme étant « urbaine », le polygone bleu est
« eau », et le polygone vert est « végétation ». Par Anders Knudby, CC BY 4.0.
Remarque :
Notez que l’exemple de la figure 02 n’est pas un exemple de bonne pratique —
il est préférable d’avoir des polygones plus nombreux et plus petits pour chaque
classe, répartis sur l’ensemble de l’image, car cela permet aux polygones de
couvrir que les pixels de la classe voulue, et aussi d’intégrer les variations
spatiales, par exemple la densité de la végétation, la qualité de l’eau, etc.
Regardons maintenant comment ces polygones nous aident à
transformer l’image en une carte des trois classes.
En gros, les polygones disent à l’ordinateur « regardez les pixels sous le polygone
rouge – c’est à cela que ressemblent les pixels “urbains” », et l’ordinateur peut
alors trouver tous les autres pixels de l’image qui ressemblent aussi à cela, et les
étiqueter « urbains ». Et ainsi de suite pour les autres classes.
4
Cependant, certains pixels peuvent ressembler un peu à « urbain » et
un peu à « végétation », il faut donc trouver un moyen mathématique de
déterminer à quelle classe chaque pixel ressemble le plus. Nous avons besoin
d’un algorithme de classification.
Si nous prenons toutes les valeurs de tous les pixels des bandes 3 et 4 de Landsat
et les montrons sur un nuage de points, nous obtenons quelque chose comme
la figure 03. Cette image a une résolution radiométrique de 8 bits, donc les
valeurs de chaque bande vont théoriquement de 0 à 255, nous observons que
les plus petites valeurs de l’image sont supérieures à 0. Les valeurs de la bande 3
sont représentées sur l’axe des x, et celles de la bande 4 sur l’axe des y.
Figure 3-Nuage
de points montrant toutes les valeurs de pixels dans les bandes 3 et 4 pour l’image de la
Figure01. Nuage de points créé à l’aide du logiciel ENVI. Par Anders Knudby, CC BY 4.0.
Maintenant, si nous colorions tous les points qui proviennent des pixels
sous le polygone rouge (c’est-à-dire les pixels que nous « savons » être
« Urbains »), et que nous faisons de même avec les pixels sous les polygones
bleus et verts, nous obtenons quelque chose comme la figure 04.
Il y a quelques éléments importants à noter dans la figure 04 :
Tous les points bleus (« Eau ») se trouvent dans le coin inférieur
gauche de la figure, sous le cercle jaune, avec de faibles valeurs dans la bande 3
et de faibles valeurs dans la bande 4. C’est en effet typique de l’eau, car l’eau
absorbe très efficacement le rayonnement entrant dans les longueurs d’onde du
rouge (bande 3) et du proche infrarouge (bande 4), de sorte que très peu sont
réfléchis pour être détectés par le capteur.
5
Les points verts (« végétation ») forment une longue zone sur le côté
gauche de la figure, avec des valeurs faibles dans la bande 3 et des valeurs
modérées à élever dans la bande 4. Là encore, cela semble raisonnable, car la
végétation absorbe efficacement le rayonnement entrant dans la bande rouge (en
l’utilisant pour la photosynthèse) tout en réfléchissant le rayonnement entrant
dans la bande du proche infrarouge.
Les points rouges (« Urbain ») forment une zone plus large près du
centre de la figure, et couvrent une gamme de valeurs beaucoup plus large que
les deux autres classes. Si leurs valeurs sont similaires à celles de la « Végétation »
dans la bande 4, elles sont généralement plus élevées dans la bande 3.
Figure 4- Commela Figure 03, mais avec chaque point coloré par le polygone sous lequel il se trouve.
Nuage de points créé à l’aide du logiciel ENVI. Par Anders Knudby, CC BY 4.0.
Ce que nous voulons que l’algorithme de classification supervisée fasse
maintenant, c’est prendre tous les autres pixels de l’image (c’est-à-dire tous les
points blancs sur le nuage de points) et les affecter à l’une des trois classes en
fonction de leur couleur.
Par exemple, à quelle classe pensez-vous que les points blancs dans le cercle
jaune de la figure 04 devraient être affectés ? L’eau, probablement. Et qu’en est-
il de ceux qui se trouvent dans le cercle marron clair ? Végétation, probablement.
Mais qu’en est-il de ceux dans le cercle bleu clair ? Pas si facile à déterminer.
6
Remarque :
L’algorithme de classification peut utiliser toutes les bandes de l’image Landsat,
ainsi que toute autre information que nous fournissons pour l’ensemble de
l’image (comme un modèle numérique d’altitude), mais comme il est plus facile
de continuer à représenter cette image en deux dimensions en utilisant
uniquement les bandes 3 et 4, nous allons continuer à le faire. Gardez à l’esprit
que le nuage de points est en réalité un graphique à n dimensions, où n est égal
au nombre de bandes (et autres couches de données) que nous voulons utiliser
dans la classification.
Une façon d’estimer à quelle classe appartient chaque pixel est de
calculer la « distance » entre le pixel et le centre de tous les pixels
connus pour appartenir à chaque classe, puis de l’affecter à la classe
la plus proche. C’est le Classificateur à distance minimale.
2.1 Classificateur à distance minimale
Par « distance », nous entendons ici la distance dans « l’espace
caractéristique », dans lequel les dimensions sont définies par chacune des
variables que nous considérons (dans notre cas, les bandes 3 et 4), par opposition
à la distance physique.
Notre espace caractéristique est donc bidimensionnel, et les distances peuvent
être calculées à l’aide d’une distance euclidienne standard.
Par exemple, pour les points de la figure 05, nous avons calculé les valeurs
moyennes de tous les pixels verts, rouges et bleus pour les bandes 3 et 4, et que
nous avons indiquées par de gros points. Disons qu’ils ont les valeurs suivantes :
Tableau 1- Les
valeurs moyennes dans les bandes 3 et 4 pour les classes « Urbain », « Végétation » et
« Eau » sont présentées dans la Figure 06
7
Disons ensuite qu’un pixel indiqué par le point jaune de la figure 05 a une valeur
de 55 dans la bande 3, et de 61 dans la bande 4.
Nous pouvons alors calculer la distance euclidienne entre ce point et la valeur
moyenne de chaque classe :
Distance à la moyenne rouge : (100-55)2+(105-61)2 = 62.9
Distance à la moyenne verte : (40-55)2+(135-61)2 = 75.5
Distance à la moyenne bleue : (35-55)2+(20-61)2 = 45.6
Minimale affectera ce point particulier à la classe « bleu ».
Figure 5- Leclassificateur de distance minimale attribue la classe dont le centre est le plus
proche (dans l’espace des caractéristiques) de chaque pixel. La valeur moyenne de tous les
points rouges, dans les bandes 3 et 4, est indiquée par le gros point rouge, de même pour
les points verts et bleus. Le point jaune indique un pixel que nous souhaitons attribuer à l’une
des trois classes. Diagramme de dispersion créé à l’aide du logiciel ENVI. Par Anders
Knudby, CC BY 4.0.
8
Bien que le classificateur de distance minimale soit très simple et rapide
et qu’il donne souvent de bons résultats, cet exemple illustre une faiblesse
importante :
Dans notre exemple, la distribution des valeurs pour la classe « Eau » est très
faible — l’eau est en principe toujours foncé et bleu vert, et même l’eau trouble
ou l’eau contenant beaucoup d’algues a toujours l’air foncée et bleue — verte.
La distribution des valeurs pour la classe « Végétation » est beaucoup plus
importante, surtout dans la bande 4, parce que certaines végétations sont denses
et d’autres ne le sont pas, certaines végétations sont saines et d’autres ne le sont
pas, certaines végétations peuvent être mélangées avec des sols sombres, des
sols clairs, ou même des éléments urbains comme une route. Il en va de même
pour la classe « urbaine », qui présente une large distribution de valeurs dans les
bandes 3 et 4.
En réalité, le point jaune de la figure 05 n’est probablement pas de l’eau, car l’eau
qui a des valeurs aussi élevées dans les bandes 3 et 4 n’existe pas. Il est beaucoup
plus probable qu’il s’agisse d’un type de végétation inhabituel, d’une zone urbaine
inhabituelle ou (plus probablement encore) d’un mélange de ces deux classes.
Il existe un classificateur qui prend explicitement en compte la distribution des
valeurs dans chaque classe, pour remédier à ce problème. C’est le
Classificateur à maximum de vraisemblance.
2.2 Classificateur à maximum de vraisemblance
Jusqu’à il y a une dizaine d’années, le classificateur de vraisemblance
maximale était l’algorithme de référence pour la classification d’images.
Il est toujours populaire, implémenté dans tous les logiciels de télédétection
sérieux et figure généralement parmi les algorithmes les plus performants pour
une tâche donnée.
Les descriptions mathématiques de son fonctionnement peuvent sembler
compliquées, car elles reposent sur des statistiques bayésiennes appliquées à
plusieurs dimensions, mais le principe est relativement simple :
9
Au lieu de calculer la distance au centre de chaque classe (dans l’espace des
caractéristiques) et donc de trouver la classe la plus proche, nous allons calculer
la probabilité que le pixel appartienne à chaque classe, et donc trouver
la classe la plus probable.
Pour que ce calcul fonctionne, il faut faire quelques hypothèses.
Nous supposerons qu’avant de connaître la couleur du pixel, la probabilité
qu’il appartienne à une classe est la même que la probabilité qu’il
appartienne à toute autre classe. Cela semble assez raisonnable (bien que
dans notre image il y ait clairement beaucoup plus de « végétation » que
d’« eau », on pourrait donc dire qu’un pixel de couleur inconnue a plus de
chances d’être de la végétation que de l’eau… cela peut être incorporé
dans le classificateur, mais c’est très rare, et nous l’ignorerons pour
l’instant).
Nous supposerons que la distribution des valeurs dans chaque bande et
pour chaque classe est gaussienne, c’est-à-dire qu’elle suit une
distribution normale (une courbe en cloche).
Pour commencer par un exemple unidimensionnel, notre situation pourrait
ressembler à ceci si nous n’avions que deux classes (02) :
Figure 6- Exemple
unidimensionnel de classification par maximum de vraisemblance avec
deux classes. Par Anders Knudby, CC BY 4.0.
10
Dans la figure 06, l’axe des x représente les valeurs dans une bande d’images, et
l’axe des y montre le nombre de pixels dans chaque classe qui a une valeur
donnée dans cette bande.
Il est clair que la classe A présente généralement des valeurs faibles (dans la
bande), et la classe B des valeurs élevées, mais la distribution des valeurs dans
chaque bande est suffisamment importante pour qu’il y ait un certain
chevauchement entre les deux.
Les deux distributions étant gaussiennes, nous pouvons calculer à la fois la
moyenne et l’écart type pour chaque classe, puis calculer le z-score (combien
d’écarts types nous séparent de la moyenne).
Dans la figure 06, les deux classes ont le même écart type (les « cloches » ont la
même « largeur »), et parce que le point est situé un peu plus près de la moyenne
de la classe B que de la classe A, son score z serait le plus faible pour la classe B
et il serait affecté à cette classe.
Un exemple légèrement plus réaliste est fourni ci-dessous dans la figure
07, où nous avons deux dimensions et trois classes.
Figure 7- Exemple
bidimensionnel de la situation de classification par maximum de
vraisemblance, avec six classes qui ont des distributions standard inégales. Par Anders
Knudby, CC BY 4.0.
11
Les écarts types de la bande 4 (axe des x) et de la bande 3 (axe des y) sont
représentés sous forme de contours d’équiprobabilité.
Dans ce cas, le défi pour le classificateur à maximum de vraisemblance est de
trouver la classe pour laquelle le point se trouve dans le contour
d’équiprobabilité au plus proche du centre de la classe.
Voyez par exemple que les contours des classes A et B se chevauchent, et que
les écarts types de la classe A sont plus grands que ceux de la classe B. Par
conséquent, le point rouge est plus proche (dans l’espace des caractéristiques)
du centre de la classe B que du centre de la classe A.
Mais il se trouve aussi sur le troisième contour d’équiprobabilité de la classe B
et sur le deuxième de la classe A.
Le classificateur de distance minimale classerait ce point dans la « classe B » sur
la base de la distance euclidienne la plus courte, tandis que le classificateur de
vraisemblance maximale le classerait dans la « classe A » en raison de sa plus
grande probabilité d’appartenir à cette classe (selon les hypothèses utilisées).
Qu’est-ce qui a le plus de chances d’être correct ? La plupart des comparaisons
entre ces classificateurs suggèrent que le classificateur de vraisemblance
maximale a tendance à produire des résultats plus précis, mais cela ne garantit
pas qu’il soit toujours supérieur.
2.3 Classificateurs non paramétriques (ici, à « Arbre de décision »)
Au cours des dernières années, les scientifiques de la télédétection se
sont de plus en plus tournés vers le domaine de l’apprentissage automatique pour
adopter de nouvelles techniques de classification. L’idée de la classification est
fondamentalement très générique : vous disposez de données sur quelque
chose (dans notre cas, les valeurs des bandes d’un pixel) et vous voulez
savoir de quoi il s’agit (dans notre cas, quelle est la couverture
terrestre).
12
Un problème peut difficilement être plus générique, si bien que l’on en
trouve des versions partout :
- Une banque dispose de certaines informations sur un client (âge,
sexe, adresse, revenus, historique de remboursement des prêts) et veut savoir
s’il doit être considéré comme un « faible risque », un « risque moyen » ou un
« risque élevé » pour un nouveau prêt de 100 000 dollars.
- Un météorologue dispose d’informations sur le temps actuel
(« pluie, 5 °C ») et sur les variables atmosphériques (« 1003 mb, 10 m/s de vent
du NW »), et doit déterminer s’il pleuvra ou non dans trois heures.
- Un ordinateur dispose de certaines informations sur les empreintes
digitales trouvées sur une scène de crime (longueur, courbure, position relative
de chaque ligne) et doit déterminer s’il s’agit des vôtres ou de celles d’un tiers.)
Parce que la tâche est générique, et parce que les utilisateurs en dehors
du domaine de la télédétection disposent de grandes quantités d’argent et
peuvent utiliser les algorithmes de classification pour générer des profits, les
informaticiens ont développé de nombreuses techniques pour résoudre cette
tâche générique, et certaines de ces techniques ont été adoptées en
télédétection.
Nous allons examiner un seul exemple ici, mais n’oubliez pas qu’il existe de
nombreux autres algorithmes de classification génériques qui peuvent être
utilisés en télédétection.
Celui que nous allons examiner s’appelle un CLASSIFICATEUR A
ARBRE DE DECISION.
Comme les autres classificateurs, le classificateur à arbre de décision fonctionne
selon un processus en deux étapes :
a) Calibrer l’algorithme de classification, et
b) L’appliquer à tous les pixels de l’image.
Un classificateur à arbre de décision est calibré en divisant récursivement
l’ensemble des données (tous les pixels sous les polygones de la figure 02) pour
maximiser l’homogénéité des deux parties (appelées nœuds).
13
Une petite illustration : disons que nous avons 7 points de données (vous ne
devriez jamais avoir seulement sept points de données lorsque vous calibrez un
classificateur, ce petit nombre est utilisé uniquement à des fins d’illustration !)
Tableau 2- Sept points de données utilisés pour développer un classificateur à arbre de
décision.
La première tâche consiste à :
- Trouver une valeur, soit dans la bande 1, soit dans la bande
2, qui peut être utilisée pour diviser l’ensemble de données en deux
nœuds de sorte que, dans la mesure du possible, tous les points de la
classe A se trouvent dans un nœud et tous les points de la classe B dans
l’autre.
D’un point de vue algorithmique, cela se fait en testant toutes les valeurs
possibles et en quantifiant l’homogénéité des classes résultantes. Ainsi, nous
pouvons observer que la plus petite valeur dans la bande 1 est 10, et la plus
grande est 45. Si nous divisons l’ensemble de données selon la règle suivante :
« Tous les points dont la bande 1 est inférieure à 11 vont au nœud X, et tous les
autres au nœud y », nous obtiendrons des points divisés comme suit :
Tableau 3- Répartition
des points selon la valeur seuil 11 dans la bande 1. Par Anders
Knudby, CC BY 4.0.
14
Comme nous pouvons le voir, cela nous laisse avec un seul point « A » dans un
nœud (X), et deux points « A » et quatre points « B » dans l’autre nœud (Y).
Pour savoir si nous pouvons faire mieux, nous pouvons essayer d’utiliser la valeur
12 au lieu de 11 (ce qui nous donne le même résultat), 13 (toujours le même),
et ainsi de suite, et lorsque nous avons testé toutes les valeurs de la bande 1,
nous continuons avec toutes les valeurs de la bande 2.
Finalement, nous trouverons qu’utiliser la valeur 31 dans la bande 1 nous donne
le résultat suivant :
Tableau 4- Points crachés selon la valeur seuil 31 dans la bande 1. Par Anders Knudby, CC BY
4.0.
C’est presque parfait, sauf que nous avons un seul « B » dans le nœud X. Mais
bon, c’est plutôt bien pour un premier partage.
Nous pouvons représenter cela sous forme d’un « arbre » comme ceci :
Figure 8- La
structure « arborescente » qui émerge de la division des données sur la valeur
seuil 31 dans la bande 1. Chaque ensemble de points de données est appelé un nœud. Le
« nœud racine » contient tous les points de données. Les « nœuds feuilles », également
appelés « nœuds terminaux », sont les points finaux. Par Anders Knudby, CC BY 4.0.
15
Le nœud avec les points de données 5, 6 et 7 (qui ont tous des valeurs de bande
1 supérieures à 31) est maintenant ce qu’on appelle un « nœud pur » — il est
composé de points de données d’une seule classe, nous n’avons donc plus
besoin de le diviser.
Les nœuds qui sont des points terminaux sont également appelés « feuilles ». Le
nœud avec les points de données 1, 2, 3 et 4 n’est pas « pur », car il contient un
mélange de points de classe A et de classe B.
Nous recommençons donc à tester toutes les différentes valeurs possibles que
nous pouvons utiliser comme seuil pour diviser ce nœud (et seulement ce nœud),
dans les deux bandes.
Il se trouve que le point de la classe B dans ce nœud a une valeur dans la bande
2 qui est plus élevée que tous les autres points, donc une valeur de séparation
de 45 fonctionne bien, et nous pouvons mettre à jour l’arbre comme ceci :
structure « arborescente » finale. Tous les nœuds (parties finales de l’ensemble
Figure 9- La
de données) sont maintenant purs. Par Anders Knudby, CC BY 4.0.
16
Une fois que « l’arbre » est en place, nous pouvons maintenant prendre tous
les autres pixels de l’image et les faire « tomber » dans l’arbre pour voir dans
quelle feuille ils atterrissent.
Par exemple, un pixel ayant des valeurs de 35 dans la bande 1 et de 25 dans la
bande 2 « ira à droite » au premier test et atterrira donc dans la feuille qui
contient les points de données 5, 6 et 7. Comme tous ces points appartiennent
à la classe B, ce pixel sera classé dans la classe B. Et ainsi de suite.
Notez que les feuilles ne doivent pas nécessairement être « pures », certains
arbres cessent de diviser les nœuds lorsqu’ils sont inférieurs à une certaine taille,
ou en utilisant un autre critère. Dans ce cas, un pixel atterrissant dans une telle
feuille se verra attribuer la classe qui compte le plus de points dans cette feuille
(et l’information selon laquelle il ne s’agissait pas d’une feuille pure peut même
être utilisée pour indiquer que la classification de ce pixel particulier est sujette
à une certaine incertitude).
Le classificateur à arbre de décision n’est qu’un des nombreux exemples
possibles de classificateurs non-paramétriques. Il est rarement utilisé
directement sous la forme présentée ci-dessus, mais il constitue la base de
certains des algorithmes de classification les plus performants utilisés aujourd’hui.
D’autres algorithmes de classification non paramétriques populaires incluent les
réseaux neuronaux et les machines à vecteurs de support, qui sont tous deux
implémentés dans de nombreux logiciels de télédétection.
17
3. LA CLASSIFICATION NON SUPERVISEE PAR PIXEL
Que faire si nous ne disposons pas des données nécessaires pour
calibrer un algorithme de classification ? Si nous n’avons pas les polygones
illustrés à la figure 02, ou les points de données indiqués au tableau 2? Que
faisons-nous alors ? Nous utilisons une classification non supervisée à la place !
La classification non supervisée consiste à laisser un algorithme diviser
les pixels d’une image en « clusters naturels », c’est-à-dire en combinaisons de
valeurs de bandes que l’on retrouve fréquemment dans l’image.
Une fois ces groupes naturels identifiés, l’analyste d’images peut alors les
étiqueter, en se basant généralement sur une analyse visuelle de l’emplacement
de ces groupes dans l’image.
Le regroupement est en grande partie automatique, bien que l’analyste fournisse
quelques paramètres initiaux.
L’un des algorithmes les plus couramment utilisés pour trouver des groupes
naturels dans une image est l’algorithme K-Means, qui fonctionne comme suit :
a) L’analyste détermine le nombre souhaité de classes.
Fondamentalement, si vous voulez une carte avec un haut niveau de
détail thématique, vous pouvez définir un grand nombre de classes. Notez
également que les classes peuvent être combinées ultérieurement, il est donc
souvent judicieux de fixer le nombre de classes souhaitées à un niveau
légèrement supérieur à celui que vous pensez serait votre résultat de la fin.
Un nombre de points « d’amorçage » égal au nombre de classes souhaité est
ensuite placé de manière aléatoire dans l’espace des caractéristiques (figure10).
b) Des clusters sont ensuite générés autour des points « graines » en
attribuant tous les autres points à la graine la plus proche (figure11).
c) Le centroïde (centre géographique) des points de chaque groupe devient
la nouvelle « graine » (figure12).
18
K-Means étape 1. Un certain nombre de points « d’amorçage » (points
Figure 10- Classification
colorés) sont distribués aléatoirement dans l’espace des caractéristiques. Les points gris
représentent ici les pixels à regrouper. Modifié à partir de K Means Example Step 1 par
[Link], Wikimedia Commons, CC BY-SA
Figure 11- Uncluster est formé autour de chaque graine en attribuant tous les points à la
graine la plus proche. Modifié à partir de K Means Example Step 2 par [Link],
Wikimedia Commons, CC BY-SA 3.0.
Figure 12- Les
graines sont déplacées vers le centroïde de chaque grappe. Le centroïde est
calculé comme le centre géographique de chaque grappe, c’est-à-dire qu’il est situé à la
valeur x moyenne de tous les points de la grappe, et à la valeur y moyenne de tous les
points de la grappe. Modifié à partir de K Means Example Step 3 par [Link],
Wikimedia Commons, CC BY-SA 3.0.
19
d) Répétez les étapes « b » et « c » jusqu’au critère d’arrêt.
Le critère d’arrêt peut être qu’aucun point ne se déplace vers un autre cluster,
ou que le centroïde de chaque cluster se déplace de moins d’une distance
préspécifiée, ou qu’un certain nombre d’itérations ont été complétées.
D’autres algorithmes de classification non supervisée effectuent le
regroupement de manière légèrement différente.
Par exemple, un algorithme populaire appelé ISODATA permet également la
division de grands clusters pendant le processus de clustering, et de la même
manière la fusion de petits clusters proches.
Néanmoins, le résultat de l’algorithme de clustering est que chaque pixel de
l’image entière fait partie d’un cluster. L’espoir est donc que chaque cluster
représente un type d’occupation du sol qui peut être identifié par l’analyste
d’images, par exemple en superposant l’emplacement de tous les pixels du cluster
sur l’image originale pour identifier visuellement ce à quoi correspond ce cluster.
C’est l’étape finale de la classification non supervisée :
e) L’étiquetage de chacun des clusters qui ont été produits.
C’est l’étape où il peut être pratique de fusionner des clusters, si par exemple
vous avez un cluster qui correspond à une eau trouble et un autre qui correspond
à une eau claire. À moins que vous ne soyez spécifiquement intéressé par la
qualité de l’eau, différencier les deux n’est probablement pas important, et les
fusionner fournira un produit cartographique plus clair. De même, il se peut que
vous ayez simplement deux grappes qui semblent toutes deux correspondre à
une forêt feuillue saine. Même si vous travaillez pour un service forestier, à moins
que vous ne puissiez déterminer avec certitude quelle est la différence entre ces
deux groupements, vous pouvez les fusionner en un seul et les appeler « forêt
de feuillus ».
À titre d’exemple, l’image ci-dessous montre l’image originale en arrière-plan, et
les pixels centraux colorés selon le produit d’une classification non supervisée. Il
est clair que la zone « bleue » correspond aux pixels recouverts d’eau, et que la
zone verte correspond en grande partie à la végétation. Une analyse plus détaillée
de l’image serait nécessaire pour étiqueter chaque zone, en particulier les zones
rouges et grises, de manière appropriée.
20
Exemple de correspondance entre l’image originale et les clusters formés dans un
Figure 13-
processus de classification non supervisé. Par Anders Knudby, CC BY 4.0.
L’un des défauts typiques des systèmes de classification d’images qui
fonctionnent au niveau du pixel par pixel est que les images sont bruyantes, et
que les cartes d’occupation du sol réalisées à partir d’images héritent de ce bruit.
Un autre défaut plus important est qu’il y a de l’information dans une image au-
delà de ce que l’on trouve dans les pixels individuels. Une image est l’illustration
parfaite du dicton « le tout est plus grand que la somme de ses parties », car les
images ont une structure, et la structure n’est pas prise en compte lorsqu’on
regarde chaque pixel indépendamment du contexte fourni par tous les pixels
voisins.
Par exemple, même sans connaître la couleur d’un pixel, si je sais que tous ses
pixels voisins sont classés comme « eau », je peux dire avec une grande confiance
que le pixel en question est aussi « eau ». J’aurai tort à l’occasion, mais j’aurai
raison la plupart du temps.
C’est là où intervient une technique appelée analyse d’image basée sur l’objet (en
anglais « Object-Based Image Analysis », OBIA), qui tient compte du contexte
lorsqu’elle génère des classifications d’images. Cet avantage lui permet souvent
de surpasser les méthodes plus traditionnelles de classification, pixel par pixel.
21
4. RESUME
Les opérations de classification et d'analyse d'image sont utilisées pour
identifier et classifier numériquement des pixels sur une image. La classification
est habituellement faite sur des banques de données multi-spectrales, et ce
procédé donne à chaque pixel d'une image une certaine classe ou thème, basé
sur les caractéristiques statistiques de la valeur de l'intensité du pixel. Il existe
une variété d'approches prises pour faire une classification numérique :
a. La classification supervisée
Utilise des échantillons (zones d’entrainement) homogènes et représentatifs de
différents types de surfaces (les polygones de la figure 02).
La sélection de ces zones est basée sur les connaissances et la familiarité de
l’analyste avec les régions étudiées.
Ensuite, un logiciel spécifique est utilisé pour définir des classes correspondant
aux zones d’entrainement selon les informations numériques pour chaque pixel.
Un programme spécial (algorithme) détermine les propriétés numériques de
chacune des classes.
Enfin, ces classes sont appliquées à l’ensemble de la région étudiée suivant leurs
propriétés similaires.
Les zones d’entrainement doivent être les plus homogènes possibles.
La vérification sur le terrain doit être effectuée le jour du passage du satellite.
22
b. La classification non-supervisée
Se basant seulement sur l’information numérique, aucune classe n’est établie à
priori.
L’analyste renseigne juste le nombre de classes désiré. Puis selon un algorithme
spécifique, un processus de classification automatique regroupe les individus qui
ont des propriétés similaires pour définir ce qu’on appelle des classes spectrales.
Ces dernières sont ensuite associées à des classes utiles correspondant aux
objets réels sur terrain.
Si la classification n’est pas satisfaisante, l’analyste peut être amené à réappliquer
l’algorithme de classification en changeant le nombre de classes dans le but de
combiner ou de séparer encore des classes spectrales.
23