Tutoriel SCP:réussir un classement supervisé avec calcul de texture(4)-ACP des dix bandes de r.texture

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous avons vu dans un article précédent le traitement classique des trois bandes RVB des images photographiques de drone sur une zone littorale. Dans l’article suivant nous avons vu le traitement après calcul des valeurs de texture de ces mêmes images.

Le traitement que nous allons voir ici n’a, généralement, du sens que si le nombre de bandes disponibles et important. Mais il peut s’avérer utile avec un nombre réduit de bandes, 4 par exemple.

Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(4)-ACP des dix bandes de r.texture »

Tutoriel SCP:réussir un classement supervisé avec calcul de texture(3)-bandes RVB+calculs de texture

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous avons vu dans l’article précédent le traitement classique des trois bandes RVB des images photographiques de drone sur une zone littorale.

Dans cet article nous allons voir le traitement après calcul des valeurs de texture de ces mêmes images.

Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(3)-bandes RVB+calculs de texture »

Tutoriel SCP:réussir un classement supervisé avec calcul de texture(2)-bandes RVB

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous allons voir trois traitements différents pour la même zone littorale:

  • le traitement classique des trois bandes RVB des images photographiques de drone
  • le traitement après calcul des valeurs de texture de ces mêmes images
  • le traitement après calcul des composantes principales des valeurs de texture
Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(2)-bandes RVB »

Tutoriel SCP:réussir un classement supervisé avec calcul de texture(1)

Nous continuons la série d’articles sur la Classification supervisée d’images de drone en milieu littoral. La première étape, indispensable pour pouvoir bien gérer la sélection des bandes à utiliser pour chaque étape du traitement, est de décomposer l’image aérienne originale, comportant trois bandes : rouge, vert et bleu, en trois images séparées. Nous utilisons pour tout le traitement QGis et le plugin SCP.

Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(1) »

Classification supervisée d’images de drone en milieu littoral (3) : statistiques descriptives de texture

Dans l’article précédent (https://www.sigterritoires.fr/index.php/classification-supervisee-dimages-de-drone-en-milieu-littoral-2-calculs-de-texture/) nous avons vu deux groupes de mesure de texture, celui du contraste et celui de l’ordre. Nous verrons ici le troisième et dernier groupe, celui des statistiques descriptives

Groupe de statistiques descriptives de la mesure de texture GLCM

Le troisième groupe de mesures de la texture utilise des équations semblables à celles des statistiques descriptives courantes, comme la moyenne ou l’écart-type (ou la variance). Cependant, tous sont calculés en utilisant les entrées dans la GLCM, pas les valeurs de pixels d’origine.

Continuer la lecture de « Classification supervisée d’images de drone en milieu littoral (3) : statistiques descriptives de texture »

Classification supervisée d’images de drone en milieu littoral (2) : calculs de texture

Dans l’article précédent (https://www.sigterritoires.fr/index.php/classification-supervisee-dimages-de-drone-en-milieu-littoral-1-utilisation-de-la-texture/ ) nous avons vu comment calculer la matrice de co-occurrence de niveau gris (GLCM) qui est à la base des calculs de texture d’image.

Nous avions calculé les fréquences des paires de pixels présents dans notre fenêtre de calcul. Travailler avec des fréquences rend la comparaison entre fenêtrees diffcile. C’est pourquoi nous travaillerons avec une matrice « normalisée ».

Continuer la lecture de « Classification supervisée d’images de drone en milieu littoral (2) : calculs de texture »

Classification supervisée d’images de drone en milieu littoral (1) : utilisation de la texture

L’accessibilité des drones et des moyens logiciels d’acquisition d’images aériennes permet aujourd’hui d’avoir des couvertures d’images à des échelles extrêmement fines pour appuyer les travaux en environnement littoral. Des pixels de l’ordre du millimètre ne sont plus un rêve. Mais tout ce qu’on a gagné en définition par rapport aux images satellitaires, on l’a un peu perdu en ce qui concerne le multi spectral. Les images photographiques se cantonnent aux trois bandes Rouge-Vert-Bleu. On travaillait avec plus d’une dizaine de bandes spectrales et des pixels de 3 ou 5 mètres, on se retrouve avec des pixels d’un centimètre et seulement trois bandes spectrales. La classification supervisée qui nous permet rapidement de cartographier les différentes biocénoses a gagné en précision et perdu en discrimination.

Nous allons aborder dans une série d’articles un moyen de palier à cette perte de bandes spectrales en analysant la texture des images et en utilisant ces résultats pour affiner la discrimination de la classification supervisée.

Continuer la lecture de « Classification supervisée d’images de drone en milieu littoral (1) : utilisation de la texture »

Travailler sur un catalogue d’images aériennes ou satellitaires avec QGis 3

Quand on dispose d’une couverture d’images aériennes ou satellitaires, géoréférencées il faut trouver un moyen efficace d’accéder au images individuelles pour, par exemple, procéder à la numérisation d’entités géographiques.

Avec QGis 3 on dispose d’un outil puissant, l’index des tuiles. Il permet de créer une couche avec les emprises des images individuelles avec un lien vers les fichiers image.

Sur cette couche , on peut définir une action déclenchée sur le clic de la souris sur une emprise, pour charger directement l’image concernée dans la fenêtre cartographique.

Voici le mode opératoire.

Continuer la lecture de « Travailler sur un catalogue d’images aériennes ou satellitaires avec QGis 3 »

Tutoriel classification d’images avec QGis: 2.3- Les filtres spatiaux

Les filtres spatiaux représentent une autre méthode de traitement numérique utilisées pour le rehaussement d’une image. Ces filtres sont conçus de façon à faire ressortir ou à supprimer des caractéristiques spécifiques d’une image en se basant sur leur fréquence spatiale. La fréquence spatiale est liée au concept de texture. Elle fait référence à la fréquence de variation des différents tons qui apparaissent dans une image. Les régions d’une image où la texture est « rugueuse » sont les régions où les changements dans les tons sont abrupts; ces régions ont une fréquence spatiale élevée. Les régions « lisses » ont une variation des tons qui est plus graduelle sur plusieurs pixels; ces régions ont une fréquence spatiale faible. La méthode de filtrage spatial consiste à déplacer une « fenêtre » d’une dimension de quelques pixels (ex. : 3 sur 3, 5 sur 5, etc.) au-dessus de chaque pixel de l’image. On applique alors un traitement mathématique utilisant les valeurs des pixels sous la fenêtre et on remplace la valeur du pixel central par le résultat obtenu. La fenêtre est déplacée le long des colonnes et des lignes de l’image, un pixel à la fois, répétant le calcul jusqu’à ce que l’image entière ait été filtrée. En modifiant le calcul effectué à l’intérieur de la fenêtre, il est possible de rehausser ou de supprimer différents types de caractéristiques présents dans une image.

Continuer la lecture de « Tutoriel classification d’images avec QGis: 2.3- Les filtres spatiaux »

Tutoriel classification d’images avec ArcMap: 2.5- Exploration des données

Les données de bandes multispectrales différentes ont souvent une corrélation très élevée et contiennent de l’information similaire. Par exemple, les capteurs de la bande 4 et 5 de Landsat MSS (vert et rouge respectivement) produisent des images d’apparence visuelle très semblable étant donné que la réflectance pour le même type de surface est presque identique. Des transformations d’images basées sur des traitements statistiques complexes des données multispectrales peuvent être utilisées pour réduire la redondance des données et la corrélation entre les bandes. L’analyse des composantes principales est une transformation de ce genre. Le but de cette transformation est de réduire le nombre de dimensions (nombre de bandes) et de produire une compression de l’information de plusieurs bandes dans un nombre plus restreint de bandes. Les « nouvelles » bandes qui résultent de cette compression statistique sont appelées composantes. Ce procédé vise à maximiser (statistiquement) la quantité d’information (ou variance) des données originales dans un nombre restreint de composantes. Par exemple, l’analyse des composantes principales, peut transformer des données provenant de sept bandes du capteur TM/Landsat (Thematic Mapper) de façon à ce que les trois principales composantes de la transformation contiennent plus de 90% de l’information contenue dans les sept bandes initiales. L’interprétation et l’analyse de ces trois composantes, en les combinant visuellement ou numériquement, est plus simple et plus efficace que l’utilisation des sept bandes initiales. L’analyse des composantes principales ou d’autres transformations complexes peuvent être utilisées comme techniques de rehaussement visuel pour faciliter l’interprétation ou pour réduire le nombre de bandes qui seront fournies comme données d’entrée à une procédure de classification numérique.

Continuer la lecture de « Tutoriel classification d’images avec ArcMap: 2.5- Exploration des données »