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.
Pour commencer il faut bien comprendre que l’on applique le rehaussement des images afin de faciliter l’interprétation visuelle et la compréhension des images. Le rehaussement ne va pas changer les valeurs radiométriques des objets présents dans l’image, il va juste permettre à un observateur une meilleure vision de ces objets. Cette étape, donc, ne sert qu’à aider l’utilisateur à définir les échantillons d’apprentissage et les signatures à utiliser dans la classification.
Les images numériques ont l’avantage de nous permettre de manipuler assez facilement les valeurs enregistrées pour chaque pixel. Même s’il est possible d’effectuer les corrections radiométriques pour les effets de l’illumination solaire, les conditions atmosphériques et les caractéristiques des instruments utilisés avant de distribuer les images aux usagers, il peut s’avérer que l’image ne soit pas à son meilleur pour l’interprétation visuelle. Les systèmes de télédétection, et spécialement ceux qui utilisent une plate-forme spatiale, doivent être conçus de façon à pouvoir traiter les différents niveaux d’énergie propres aux cibles et à leur environnement, susceptibles d’être rencontrés dans une utilisation normale. Cette variation importante dans la réponse spectrale des différents types de cibles (ex. : forêt, désert, neige, eau, etc.) rend impossible l’application d’une correction radiométrique générale capable d’optimiser le contraste et les niveaux d’intensité dans chacune des conditions. Il faut donc faire un ajustement différent des tons en fonction de l’utilisation et de l’état de chacune des images.
Pour commencer il faut bien comprendre que l’on applique le rehaussement des images afin de faciliter l’interprétation visuelle et la compréhension des images. Le rehaussement ne va pas changer les valeurs radiométriques des objets présents dans l’image, il va juste permettre à un observateur une meilleure vision de ces objets. Cette étape, donc, ne sert qu’à aider l’utilisateur à définir les échantillons d’apprentissage et les signatures à utiliser dans la classification.
Les images numériques ont l’avantage de nous permettre de manipuler assez facilement les valeurs enregistrées pour chaque pixel. Même s’il est possible d’effectuer les corrections radiométriques pour les effets de l’illumination solaire, les conditions atmosphériques et les caractéristiques des instruments utilisés avant de distribuer les images aux usagers, il peut s’avérer que l’image ne soit pas à son meilleur pour l’interprétation visuelle. Les systèmes de télédétection, et spécialement ceux qui utilisent une plate-forme spatiale, doivent être conçus de façon à pouvoir traiter les différents niveaux d’énergie propres aux cibles et à leur environnement, susceptibles d’être rencontrés dans une utilisation normale. Cette variation importante dans la réponse spectrale des différents types de cibles (ex. : forêt, désert, neige, eau, etc.) rend impossible l’application d’une correction radiométrique générale capable d’optimiser le contraste et les niveaux d’intensité dans chacune des conditions. Il faut donc faire un ajustement différent des tons en fonction de l’utilisation et de l’état de chacune des images.
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.
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 ArcMap. Vous trouverez sur notre site, en parallèle, le même tutoriel mais adapté aux outils proposé par QGis .
Parmi la grande variété d’outil proposés par ArcGis pour réaliser le travail de classification d’images, nous utiliserons dans ce tutoriel:
la barre d’outils « Classification d’images »
la fenêtre Image Analysis
les outils batch de la Toolbox
Le tutoriel abordera les trois grandes phases du travail de classification d’images:
