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 (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 »

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

KML : (3) Définir un point de vue

Lorsque l’utilisateur double-clique sur un repère, Google Earth automatiquement zoome la vue directement sur le marqueur. Vous pouvez contrôler la vue initiale du marqueur en spécifiant un élément <LookAt> qui définit le point de vue exact du point d’intérêt. Nous décrirons ici comment spécifier un élément de type <LookAt> pour un repère. Une fois que vous avez créé un ensemble de repères, vous pouvez voler successivement de l’un à l’autre. Continuer la lecture de « KML : (3) Définir un point de vue »

KML:(2) Comment créer des bulles (ballons) personnalisées

Dans cet article nous irons au-delà des bases du KML, afin que vous puissiez créer un fichier KML qui ajoute des icônes spéciales, des ballons de description plus élaborés et des effets personnalisés sur vos repères et vos tours.

Ce que l’on affiche du KML dans Google Earth c’est en fait un élément <Placemark> avec un élément enfant <Point>. Un Placemark de point est le seul moyen de dessiner une icône et une étiquette dans la vue 3D de Google Earth. Par défaut, l’icône est la punaise bleue poussoir familière. Dans KML, un <Placemark> peut contenir un ou plusieurs éléments géométriques, tels que <LineString>, <Polygon> ou <Modèle>. Mais seul un <Placemark> avec un <Point> possède une icône et une étiquette. L’icône indique la position du point.
L’élément Geometry dans <Placemark> est facultatif, mais si vous l’omettez, le ballon "flotte" dans le coin de la vue 3D. Dans la vue Google Earth 3D, un repère de point est le seul objet sur lequel vous pouvez cliquer. Les autres éléments de géométrie n’ont pas d’icône dans la vue 3D. Vous pouvez, cependant, donner à n’importe quelle géométrie une icône en utilisant un élément <MultiGeometry> qui contient à la fois un <Point> et l’autre élément Geometry. Continuer la lecture de « KML:(2) Comment créer des bulles (ballons) personnalisées »

KML: pour bien commencer

KML (Keyhole Markup Language) est un format de données XML utilisé pour afficher des informations dans un contexte géographique. Tout comme les navigateurs Web lisent et affichent des fichiers HTML, les navigateurs terrestres tels que Google Earth lisent et affichent des fichiers KML. KML est un langage lisible par tout un chacun, composé de texte et de ponctuation. Il peut être créé et édité avec un éditeur de texte de base, enregistré, puis visualisé dans un navigateur terrestre. Vous n’avez pas besoin d’être un as de la technique pour maîtriser les bases du KML, et vous constaterez que cette connaissance vous permettra de créer des présentations puissantes qui mettent en scène vos données et images géographiques sur les nombreux navigateurs terrestres gratuits :Google Earth, Microsoft Virtual Earth,NASA WorldWind,ArcGis Explorer,… Continuer la lecture de « KML: pour bien commencer »

L’analyse spatiale avec SQL:3-les fonctions de relation spatiale

Après les deux article introductifs,L’analyse spatiale avec SQL:1-Introduction, 2-les fausses idées reçues, voici, maintenant, la dizaine de fonctions de relation spatiale de Postgis (mais que vous trouverez aussi avec Spatialite). Comme dit précédemment, ce n’est qu’une toute petite partie des fonctions disponibles, mais c’est vraiment le noyau indispensable pour démarre l’analyse spatiale avec SQL. Continuer la lecture de « L’analyse spatiale avec SQL:3-les fonctions de relation spatiale »

L’analyse spatiale avec SQL:2-les fausses idées reçues

Nous avons dit dans l’article précédent(L’analyse spatiale avec SQL:1-Introduction) que l’idée la plus répandue est que le langage SQL est un très bon outil de requête sur les tables SIG mais qu’il faut un logiciel SIG tel que QGis ou ArcGis pour réaliser les tâches d’analyse spatiale. Voyons d’où vient cette idée reçue.

Continuer la lecture de « L’analyse spatiale avec SQL:2-les fausses idées reçues »