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.

On a deux types de calculs, complémentaires, pour classer les images. Nous utiliserons, si nécessaire, un algorithme de calcul des distances spectrales de chaque pixel de notre image globale par rapport au signatures spectrales retenues.

Indépendamment de ces distances, on utilise une méthode de classification d’occupation des sols pour décider l’affectation d’une classe à chaque pixel.

En réalité, toutes les combinaisons sont possibles. Voyons ces deux types de procédés en détail.

Les algorithmes de classification

Nous avons trois algorithmes de classification :

  • L’algorithme de la distance minimale
  • L’algorithme de maximum de vraisemblance
  • L’algorithme du calcul de l’angle spectral

Algorithme de la distance minimale

C’est la méthode la plus simple. On calcule la distance euclidienne entre les valeurs sur chaque bande du pixel à classer et la signature sur chaque bande des différentes classes du fichier d’entrainement.

On fait le carré de la distance de chaque bande, on les additionne, et on calcule la racine carrée de cette somme.

On retient pour ce pixel la classe qui se situe à la plus petite distance calculée.

Algorithme du maximum de vraisemblance

Tout d’abord on calcule pour les données de signature spectrale d’entrainement, la distribution des probabilités pour chaque bande. On aura alors, pour chaque classe et chaque bande une courbe de probabilités avec une moyenne et un écart type donnés. Le tout constitue un modèle normal multivarié.

La figure donne un exemple de deux classes (ga et gb) et de deux pixels à classer X1 et X2 sur la bande spectrale X. Pour chaque valeur de pixel on cherche la probabilité correspondante et on retient la classe avec la plus forte probabilité.

Algorithme du calcul de l’angle spectral

Chaque classe de signature spectrale peut être tracée en fonction des différentes paires de bandes. Dans l’image suivante on prend la paire Bande 1 – Bande 2 et on trace la position des signatures spectrales de la classe a (en rouge) et de la classe b (en vert).

Chaque pixel à classer est placé dans l’espace Bande1-Bande 2, x dans la figure.

On calcule alors l’angle q avec la signature de a et avec la signature de b. On retiendra la classe correspondante au plus petit angle.

Cette méthode est insensible à l’éclairage puisque l’algorithme SAM utilise uniquement la direction du vecteur et non la longueur du vecteur.

Les méthodes de classification

La méthode Land Cover Signature Classification (LCS)

Cette classification permet de définir des seuils spectraux pour chaque signature d’entraînement (une valeur minimale et une valeur maximale pour chaque bande). Les seuils de chaque signature d’entrée d’entraînement définissent une région spectrale appartenant à une certaine classe de couverture du sol.

Les signatures spectrales des pixels d’image sont comparées aux signatures spectrales d’entraînement ; un pixel appartient à la classe X si la signature spectrale des pixels est entièrement contenue dans la région spectrale définie par la classe X. En cas de pixels tombant à l’intérieur de régions se chevauchant ou en dehors de toute région spectrale, il est possible d’utiliser des algorithmes de classification supplémentaires (c.-à-d. distance minimale, probabilité maximale, cartographie d’angle spectral) en tenant compte des caractéristiques spectrales de la signature d’entrée originale.

Dans l’image, on illustre la classification de la signature de couverture du sol (LCS) pour un cas simple de deux bandes spectrales x et y. Les régions spectrales définies par l’utilisateur définissent trois classes (ga, gb et gc). Le pixel  p1 appartient à la classe ga et le pixel p2 à la classe gb. Cependant, le pixel p3 se trouve à l’intérieur des régions spectrales des deux classes gb et gc (régions qui se chevauchent); dans ce cas, le pixel p3 sera non classifié ou classé selon un algorithme de classification supplémentaire. Le pixel p4 se trouve en dehors de toute région spectrale, il sera donc non classifié ou classé selon un algorithme de classification supplémentaire.

Pour utiliser ce système de classement, il faut cocher LCS dans la fenêtre de classification.

LSC est le classificateur strict . Il est le classificateur initial. Cette méthode assigne un pixel dans une classe seulement si les valeurs de celui-ci dans chacune des bandes entrent dans la « gamme » de la signature spectrale de cette classe (comme on peut le voir dans la figure), si elle n’entre dans aucune classe, le pixel n’est attribuée à aucune classe (« Non classé »), si la signature du pixel correspond à plusieurs classes (« superposition ») il n’est pas non plus attribué, même si une seule valeur dans une bande qui diffère de la signature de la classe reste non classée. C’est pourquoi lorsque nous exécutons une classification uniquement avec cette méthode, il nous reste de vastes zones non classées. Cependant, cette méthode nous garantit que les portions de l’image qui sont classifiées sont adaptées (elles sont contenues) à l’intérieur des signatures spectrales des classes de couverture.

C’est un bon point de départ pour notre classification, nous verrons quelles zones sont bien différenciées (classifiées) et celles qui présentent plus de confusion, ces dernières pouvant être attribuées par les autres algorithmes.

Comment s’intègrent les différents algorithmes ?

On verra ici quatre cas :

1er Cas n’est sélectionné que l’option LSC, alors la classification est générée par cette méthode. Les pixels non classés par LCS restent non classés. L’algorithme, ici Maximum de vraisemblance, n’est pas utilisé.

2ème cas : sont sélectionnés à la fois LSC et Algorithme, alors les deux méthodes se combinent. Ce qui n’est pas classé par LSC sera classé par l’algorithme de distance sélectionné, ici le Maximum de vraisemblance.

3ème Cas : seul algorithme est sélectionné, alors le classement est effectué sans LSC, en utilisant uniquement l’algorithme choisi, ici Maximum de vraisemblance.

4ème Cas : cette sélection « Superposition seulement » avec LSC et/ou Algorithme sélectionné, c’est une option intéressante pour affiner notre classification, il effectue le processus de classement seulement des zones où il y a confusion, c’est à dire que le pixel tombe dans deux ou plusieurs classes possibles, mais pas des pixels ne tombant dans aucune classe.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *