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 »

Tutoriel classification d’images avec ArcMap: 2.4- Création d’une image composite

Comme nous l’avons vu précédemment, les données satellitaires sont fournies sous forme d’images individuelles contenant chacune les valeurs correspondantes à une bande .

Pour que la classification d’image prenne en compte les valeurs de plusieurs bandes, il est nécessaire de créer un nouveau raster contenant les bandes souhaitées pour la classification. Vous pouvez choisir un nombre de bandes quelconque, mais au niveau de l’affichage vous ne pourrez sélectionner que trois bandes qui seront affichées en tant que bande rouge, verte et bleue, même si les bandes présentes ne correspondent pas à ces trois bandes.

Continuer la lecture de « Tutoriel classification d’images avec ArcMap: 2.4- Création d’une image composite »

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 »

Tutoriel classification d’images avec QGis: 2.1 Correction atmosphérique des images Landsat 8

Nous avons vu précédemment comment corriger les images Landsat pour avoir la réflectance TOA (top-of-atmosphere). Voilà un schéma qui va nous aider à comprendre la suite:

La réflectance que nous avons calculé est donc le % de lumière réfléchie par rapport à la totalité de la lumière visible incidente. Mais comme on le voit dans le schéma, le capteur du satellite mesure deux choses en même temps: la lumière réfléchie par nos cibles à la surface de la terre, plus la lumière diffusée par les particules en suspension dans l’air.

On peut pousser la correction atmosphérique des images satellites pour enlever la partie de lumière due à la diffusion.

Comme nous l’avons déjà dit, ceci n’a d’intérêt que si vous travaillez sur des images séparées dans le temps. Le pourcentage de diffusion étant le même pour l’ensemble d’une image, c’est du temps perdu de faire cette correction.

Continuer la lecture de « Tutoriel classification d’images avec QGis: 2.1 Correction atmosphérique des images Landsat 8 »

Tutoriel classification d’images avec QGis: 2- Prétraitement et exploration des données

On appelle fonctions de pré-traitement les opérations qui sont normalement requises avant l’analyse principale et l’extraction de l’information. Les opérations de pré-traitement se divisent en corrections radiométriques et en corrections géométriques. Les corrections radiométriques comprennent entre autres, la correction des données à cause des irrégularités du capteur, des bruits dus au capteur ou à l’atmosphère, et de la conversion des données afin qu’elles puissent représenter précisément le rayonnement réfléchi ou émis mesuré par le capteur. Les corrections géométriques comprennent la correction pour les distorsions géométriques dues aux variations de la géométrie Terre-capteur, et la transformation des données en vraies coordonnées (par exemple en latitude et longitude) sur la surface de la Terre.

Les fonctions de rehaussement ont pour but d’améliorer l’apparence de l’imagerie pour aider l’interprétation et l’analyse visuelles. Les fonctions de rehaussement permettent l’étirement des contrastes pour augmenter la distinction des tons entre les différents éléments d’une scène, et le filtrage spatial pour rehausser (ou éliminer) les patrons spatiaux spécifiques sur une image.

Les transformations d’images sont des opérations similaires à ceux de rehaussement de l’image. Cependant, alors que le rehaussement de l’image qui est normalement appliqué à une seule bande de données à la fois, la transformation de l’image combine le traitement des données de plusieurs bandes spectrales. Des opérations arithmétiques (c’est-à-dire addition, soustraction, multiplication, division) sont faites pour combiner et transformer les bandes originales en de « nouvelles » images qui montrent plus clairement certains éléments de la scène. Nous allons examiner certaines de ces opérations incluant les diverses méthodes de rapport de bande aussi appelé rapport spectral et un procédé appelé analyse des composantes principales qui est utilisée pour mieux représenter l’information en imagerie multispectrale.

Continuer la lecture de « Tutoriel classification d’images avec QGis: 2- Prétraitement et exploration des données »

Tutoriel classification d’images avec ArcMap: 3.1-la barre d’outils Classification d’images

La barre d’outils Classification des images fournit un environnement convivial pour la création d’échantillons d’apprentissage et de fichiers de signatures aux fins d’une classification assistée. Elle fait également office d’emplacement centralisé pour effectuer aussi bien une classification assistée qu’une classification non assistée.

Une licence Extension ArcGIS Spatial Analyst est requise pour utiliser les outils de cette barre d’outils.

L’image suivante montre la barre d’outils :

La barre d’outils contient des outils interactifs permettant de créer des échantillons d’apprentissage et des fichiers de signatures. Pour faciliter le travail, certains outils de classification fréquemment utilisés du jeu d’outils multivariés de la boîte à outils Spatial Analyst sont également fournis dans cette barre d’outils. Il sont reconnaissables à l’icône marteau à leur gauche.

La fenêtre centrale déroulante vous permet de définir l’image qui sera traitée par les commandes et les outils.

Commandes de la liste déroulante Classification

Dans cette liste vous trouvez un outil interactif et quatre liens sur des outils batch de la Toolbox.

Outil Classification interactive supervisée

L’outil Classification interactive assistée accélère le processus de classification de vraisemblance maximale. Il fonctionne de la même manière que l’outil Classification de vraisemblance maximale (Maximum Likelihood Classification) avec les paramètres par défaut. Tous les canaux provenant de la couche d’image sélectionnée sont utilisés par cet outil dans la classification. L’image classée est ajoutée à ArcMap en tant que couche raster.

Contrairement à ce qu’on croirait, ce n’est pas l’outil à utiliser pour faire la classification définitive de l’image. Il sert lors de la création des échantillons pour tester des hypothèses.

Les pyramides doivent avoir été créées pour l’image en entrée. La classification assistée interactive utilise la résolution associée au niveau de pyramide courant dans l’affichage.Elle ne va pas travailler au niveau des pixels en entrée. C’est la première raison de sa vitesse accrue.

De même, l’agrandissement d’une petite étendue de l’image permet d’accélérer la classification car l’outil ne traite que les pixels présents dans l’étendue d’affichage actuelle.

Conseils d’utilisation

  • Aucun fichier de signature n’est nécessaire pour l’exécution de cet outil. Une fois que vous avez créé quelques échantillons d’apprentissage, cliquez simplement sur cet outil pour effectuer la classification.
  • Les pyramides doivent avoir été créées dans l’image en entrée.
  • Vous pouvez utiliser cet outil comme outil d’exploration dans la création des échantillons d’apprentissage. Il vous permet de consulter rapidement le résultat de la classification pour des échantillons d’apprentissage donnés.


Pour exécuter la classification définitive d’une image vous devrez utiliser l’outil Classification de vraisemblance maximale (Maximum Likelihood Classification) .

Les autres commandes de la barre d’outils

Nous verrons le moment venu chacune de ces commandes en détail. Pour l’instant contentons nous d’une simple description

Classification de vraisemblance maximale

Cette commande ouvre l’outil de géotraitement (Toolbox) qui effectue une classification assistée sur une image en entrée à l’aide d’un fichier de signature. C’est l’outil à utiliser pour exécuter la classification  supervisée d’une image.

Classification de grappe Iso non assistée

Ouvre l’outil de géotraitement (Toolbox) qui effectue une classification non assistée sur une image en entrée.

Probabilité de classe

Ouvre l’outil de géotraitement (Toolbox) qui effectue une analyse de probabilité de classe sur une image en entrée à l’aide d’un fichier de signature. Cet outil crée un raster multicanal de canaux de probabilité, avec un canal qui est créé pour chaque classe représentée dans le fichier de signatures en entrée. Chaque classe souhaitée est représentée par une bande du raster en sortie, chaque pixel de ce raster en sortie a une valeur de probabilité d’appartenir à la classe représentée par cette bande.

Composantes principales

Ouvre l’outil de géotraitement (Toolbox) qui effectue l’analyse des composantes principales sur une image en entrée. Nous avons déjà abordé l’utilisation de cet outil dans l’article précédent.

Outils de la barre d’outils

Outil de dessin d’échantillons d’apprentissage


La barre d’outils Classification des images fournit quatre outils pour la création d’échantillons d’apprentissage en tant que polygones, rectangles, cercles et segments.

Bouton Gestionnaire des échantillons d’apprentissage

Le Gestionnaire d’échantillons d’apprentissage est le mécanisme de gestion des échantillons d’apprentissage. Il vous permet de modifier le nom et la valeur de classe, de combiner et de fractionner des classes, de supprimer des classes, de modifier la couleur d’affichage, de charger et d’enregistrer des échantillons d’apprentissage, d’évaluer les échantillons d’apprentissage et de créer un fichier de signature.Ce bouton ouvre la fenêtre du gestionnaire:

Le tableau suivant répertorie tous les boutons du gestionnaire et leurs fonctions :

OutilNom de l'outilFonction
Effacer les échantillons d'apprentissageEffacer les échantillons d'apprentissage existants et commencer une nouvelle session de classification assistée.
ChargerCharger le jeu d'échantillons d'apprentissage à partir d'une classe d'entités.
EnregistrerEnregistrer le jeu d'échantillons d'apprentissage dans une classe d'entités.
CombinerCombiner les échantillons d'apprentissage sélectionnés dans un seul échantillon d'apprentissage multi-parties.
FractionnerFractionner un échantillon d'apprentissage multi-parties dans ses entités individuelles. Chaque échantillon d'apprentissage sera maintenant son propre polygone.
SupprimerSupprimer les échantillons d'apprentissage sélectionnés.
HautDéplacer l'échantillon d'apprentissage sélectionné d'une ligne vers le haut.
BasDéplacer l'échantillon d'apprentissage sélectionné d'une ligne vers le bas.
Réinitialiser les valeurs de classeRenuméroter les valeurs de classe dans l'ordre croissant (de 1 à n).
HistogrammesEvaluer les échantillons d'apprentissage sélectionnés avec les histogrammes. Ce bouton est grisé si aucun échantillon d'apprentissage n'est créé ou si l'image est stockée en tant que raster à virgule flottante.
Nuages de pointsEvaluer les échantillons d'apprentissage sélectionnés avec les nuages de points. Ce bouton est grisé si aucun échantillon d'apprentissage n'est créé ou si l'image est un raster monocanal.
StatistiquesAfficher les statistiques concernant les échantillons d'apprentissage sélectionnés. Ce bouton est grisé si aucun échantillon d'apprentissage n'est créé.
Créer un fichier de signatureCréer un fichier de signature pour utilisation dans des classifications supplémentaires.


Les échantillons d’apprentissage sont créés pour représenter les classes dans une classification assistée. Les différentes classes doivent être séparées dans l’espace attributaire multidimensionnel. Si certaines d’entre elles se superposent, vous pouvez envisager de les combiner dans une seule classe. Pour vérifier la séparabilité et la distribution de vos échantillons d’apprentissage, le Gestionnaire d’échantillons d’apprentissage fournit trois outils d’évaluation : une fenêtre Histogrammes, une fenêtre Nuages de points et une fenêtre Statistiques. Ces outils sont accessibles via les boutons dans le gestionnaire.

Outils d’évaluation des échantillons d’apprentissage

Fenêtre Histogrammes

La fenêtre Histogrammes vous permet de comparer la distribution de plusieurs échantillons d’apprentissage. Si les échantillons d’apprentissage représentent différentes classes, leurs histogrammes ne doivent pas se superposer.

  • Pour comparer les distributions d’au moins deux échantillons d’apprentissage, sélectionnez leurs classes dans le Gestionnaire d’échantillons d’apprentissage et cliquez sur le bouton Histogrammes.
  • La couleur de l’histogramme correspond à la couleur de la classe dans le Gestionnaire d’échantillons d’apprentissage.
  • La fenêtre Histogrammes contient le même nombre de diagrammes que le nombre de canaux dans la couche d’images.
  • Cette fenêtre affiche quatre diagrammes par écran. Si la couche d’images comprend plus de quatre canaux (ce qui signifie qu’il y a plus de quatre diagrammes), une barre de défilement verticale est disponible.
  • Cet outil fonctionne uniquement pour les images de nombres entiers. Si les données d’image sont stockées au format à virgule flottante, le bouton Histogrammes n’est pas disponible dans le Gestionnaire d’échantillons d’apprentissage.
  • Le bouton Modifier l’ordre (situé en bas de la fenêtre) vous permet de modifier l’ordre de superposition de la série d’histogrammes. Si une classe est masquée à l’arrière-plan d’un ou plusieurs histogrammes, vous pouvez la mettre au premier plan en cliquant sur ce bouton.

L’image suivante montre un exemple de fenêtre Histogrammes :

Fenêtre Histogrammes pour une image comprenant 4 bandes pour lesquelles ont a sélectionné 4 classes dans le gestionnaire d’échantillons.

Fenêtre Nuages de points

La fenêtre Nuages de points est une autre manière de comparer plusieurs échantillons d’apprentissage. Si les échantillons d’apprentissage représentent différentes classes, leurs nuages de points ne doivent pas se superposer.

  • Pour comparer les distributions d’au moins deux échantillons d’apprentissage, sélectionnez les classes représentées par ceux-ci dans le Gestionnaire d’échantillons d’apprentissage et cliquez sur le bouton Nuages de points .
  • La couleur du nuage de points correspond à la couleur de la classe dans le Gestionnaire d’échantillons d’apprentissage.
  • Il y a un nuage de points pour chaque combinaison de canaux unique de la couche d’images. Pour une image à n canaux, il y a 1 + 2 + … + (n – 1) nuages de points. Par exemple, il y a six nuages de points pour une image à quatre canaux.
  • Cette fenêtre affiche quatre diagrammes par écran. Si la couche d’images comprend plus de quatre canaux (ce qui signifie qu’il y a plus de quatre diagrammes de nuages de points), une barre de défilement verticale est disponible.
  • L’outil fonctionne aussi bien pour les images de nombres entiers que pour les images de nombres à virgule flottante.
  • Le bouton Modifier l’ordre (situé en bas de la fenêtre) vous permet de modifier l’ordre de superposition de la série de nuages de points. Si une classe est masquée à l’arrière-plan d’un ou plusieurs nuages de points, vous pouvez la mettre au premier plan en cliquant sur ce bouton.

L’image suivante montre un exemple de fenêtre d’évaluation Nuages de points :

Fenêtre Statistiques

La fenêtre Statistiques affiche les statistiques concernant les classes sélectionnées.

  • Pour afficher les statistiques d’un ou plusieurs échantillons d’apprentissage, sélectionnez les classes dans le Gestionnaire d’échantillons d’apprentissage et cliquez sur le bouton Statistiques .
  • Les statistiques disponibles comprennent les valeurs minimales, les valeurs maximales, les moyennes, les écarts types et une matrice de covariance.
  • Le texte de la fenêtre Statistiques peut être copié dans le Presse-papier Windows en appuyant sur Ctrl+C.

L’image suivante montre un exemple de fenêtre Statistiques :


Tutoriel classification d’images avec ArcMap: 2- Prétraitement et exploration des données

On appelle fonctions de pré-traitement les opérations qui sont normalement requises avant l’analyse principale et l’extraction de l’information. Les opérations de pré-traitement se divisent en corrections radiométriques et en corrections géométriques. Les corrections radiométriques comprennent entre autres, la correction des données à cause des irrégularités du capteur, des bruits dus au capteur ou à l’atmosphère, et de la conversion des données afin qu’elles puissent représenter précisément le rayonnement réfléchi ou émis mesuré par le capteur. Les corrections géométriques comprennent la correction pour les distorsions géométriques dues aux variations de la géométrie Terre-capteur, et la transformation des données en vraies coordonnées (par exemple en latitude et longitude) sur la surface de la Terre.

Les fonctions de rehaussement ont pour but d’améliorer l’apparence de l’imagerie pour aider l’interprétation et l’analyse visuelles. Les fonctions de rehaussement permettent l’étirement des contrastes pour augmenter la distinction des tons entre les différents éléments d’une scène, et le filtrage spatial pour rehausser (ou éliminer) les patrons spatiaux spécifiques sur une image.

Continuer la lecture de « Tutoriel classification d’images avec ArcMap: 2- Prétraitement et exploration des données »

Tutoriel classification d’images avec QGis: 1- Introduction

Tout d’abord, un avertissement: ce tutoriel ne s’adresse pas aux utilisateurs dont le traitement d’images spatiales est leur métier. Il s’adresse aux utilisateurs de SIG qui doivent se lancer dans le traitement d’images dans le but d’enrichir leur données. Le but est d’aplanir les écueils du débutant et de fournir quelques bases théoriques pour ne pas simplement suivre une recette de cuisine. Les aspects théoriques ne sont donc pas exhaustifs et on se permettra quelques approximations pour ne pas rendre le discours incompréhensible pour le néophyte.

Une grande partie des explications est tirée de l’excellent site de Ressources naturelles Canada, auxquelles nous avons ajouté toute la partie pratique avec QGis.  Vous trouverez le même tutoriel mais adapté aux outils proposé par ArcGis sur notre site.

Parmi la grande variété d’outil proposés par QGis pour réaliser le travail de classification d’images, nous utiliserons dans ce tutoriel:

  • le plug-in SEMI AUTOMATIC CLASSIFICATION
  • les outils de traitement de QGis

Le plug-in SEMI AUTOMATIC CLASSIFICATION est tellement performant que l’on pourrait se contenter de  lui pour l’ensemble du tutoriel. Mais dans ce cas il serait un boîte noire et vous ne sauriez pas faire ce qu’il fait. Nous verrons donc comment faire les différentes opérations sans utiliser le plugin (par exemple la correction atmosphérique) et après, nous verrons comment gagner du temps avec l’utilisation du plugin (en cochant une case pour la correction atmosphérique!).

Nous donnerons la marche à suivre pour les versions 2.18 et 3.4 de QGis.

Le tutoriel abordera les trois grandes phases du travail de classification d’images:

  • le prétraitement et l’exploration des données
  • la classification d’images à proprement parler
  • le post-traitement des classifications

Continuer la lecture de « Tutoriel classification d’images avec QGis: 1- Introduction »