Classification supervisée:lissage des frontières de classe avec ArcMap

Dans cette série d’articles nous avons vu un tutoriel qui aborde la classification d’images aériennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3.

Le but de ce tutoriel est de trouver un moyen de multiplier les trois bandes RGB des images aériennes en utilisant des calculs de texture de sol et de l’analyse en composantes principales . Dans le dernier article nous avons vu comment traiter les sorties d’une classification supervisée pour intégrer les résultats dans un SIG.

Ici nous verrons comment lisser les frontières de classe du résultat raster de la classification.

Cette opération n’est pas disponible dans QGis. Elle peut se faire avec ArcMap avec l’outil « Nettoyage de limites ». Avec QGis il est nécessaire de vectoriser le raster classé et de lisser les polygones résultants avec les outils de traitement vecteur.

Continuer la lecture de « Classification supervisée:lissage des frontières de classe avec ArcMap »

Tutoriel SCP:Post-traitement de la classification

Dans cette série d’articles nous avons vu un tutoriel qui aborde la classification d’images aériennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3.

Pour compléter ce tutoriel, nous verrons ici comment traiter les sorties d’une classification supervisée pour intégrer les résultats dans un SIG.

Continuer la lecture de « Tutoriel SCP:Post-traitement de la classification »

Tutoriel SCP : Les méthodes de classification supervisée

Dans cette série d’articles nous avons vu un tutoriel qui aborde la classification d’images aériennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3.

Le but de ce tutoriel est de trouver un moyen de multiplier les trois bandes RGB des images aériennes en utilisant des calculs de texture de sol et de l’analyse en composantes principales.

Pour compléter ce tutoriel, nous verrons ici comment définir les méthodes de classification supervisée.

Continuer la lecture de « Tutoriel SCP : Les méthodes de classification supervisée »

Tutoriel SCP:Réglages fins de la classification supervisée

Dans cette série d’articles nous avons vu un tutoriel qui aborde la classification d’images aériennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3.

Le but de ce tutoriel est de trouver un moyen de multiplier les trois bandes RGB des images aériennes en utilisant des calculs de texture de sol et de l’analyse en composantes principales.

Pour compléter ce tutoriel, nous verrons ici comment réaliser les réglages fins d’une classification supervisée.

Continuer la lecture de « Tutoriel SCP:Réglages fins de la classification supervisée »

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 »

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 »

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 »