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.

Quel est notre but ?

Nous disposons d’une série d’images constituée de 10 images issues du traitement r.texture. Chacune d’elles peut être considérée comme une bande spectrale d’un image globale multispectrale.

Les images de la scène ont des redondances d’informations. L’analyse en composante principales est une technique qui peut être utilisée pour réduire cette redondance en conservant le maximum d’information.

Les images provenant d’un traitement d’une image unique, peuvent être hautement corrélées. Compte tenu de l’abondance d’informations à traiter, le but de l’analyse en composantes principales (ACP) est de condenser les données originelles en de nouveaux groupements de façon à ce qu’ils ne présentent pas de corrélation entre eux et soient ordonnés en termes de pourcentage de variance apportée par chaque composante.

Ainsi, la première composante principale contient les informations relatives à la variance maximale, la deuxième contient les informations relatives à la variance suivante.

Le processus est répété jusqu’à l’obtention de la nième et dernière composante principale. Les pertes d’information diminuent d’une étape à la suivante.

Les différentes opérations de l’ACP sont :

Le calcul des matrices de covariance et de corrélation de l’ensemble des images. Ce sont des matrices carrées dont la dimension est égale au nombre de canaux spectraux de l’image. Dans notre cas le nombre de bandes issus de r.texture.

Le calcul des valeurs et vecteurs propres de la matrice de covariance

Le calcul des composantes principales de l’image multispectrale. Le nombre de composantes est au plus égal à celui des canaux spectraux, dix dans notre cas.

Voici les dix clichés utilisés :

Bande ASM_B04 Bande Contr_B05

Bande Var_06 Bande IDM_07

Bande SA_08 Bande SE_09

Bande SV_10 Bande Entr_11

Bande DE_13 Bande MOC-1_14

Calcul de l’ACP avec le plugin SCP de QGis

Avec le band set contenant les dix images issues de r.texture actif dans la fenêtre des bandes du plugin, on clique sur l’onglet ACP sur la barre d’onglets de gauche :

Vous pouvez laisser les valeurs par défaut affichées. Cliquez sur le Bouton « Lancer> ».

Vous serez invité à rentrer le nom d’un répertoire où seront créées les images résultantes de l’acp ainsi que le rapport.

Une fois le calcul terminé, le rapport final est affiché dans la fenêtre ACP du plugin.

Après les coordonnées par composante de chaque image en entrée, on retrouve le tableau des valeurs propres (eigen values) qui sera notre outil de décision.

La première composante contient 81% de l’information totale. La deuxième et troisième environ 8% chacune. Arrivés à la quatrième composante on n’a qu’un peu plus de 1%. En utilisant seulement les trois premières on travaille sur 97,25% de l’information totale des dix bandes.

Nous avons les bandes créés dans la liste des bandes de l’onglet « Jeu de bandes ». Nous pouvons ainsi créer un band set 2 avec les quatre premières composantes.

A titre de comparaison avec les 10 images en entrée, voici les quatre premières composantes :

Nous définissons nos trois ROIs rapides comme pour les traitements précédents (voir les articles précédents).

Nous chargeons les signatures dans la fenêtre du Graphique de signature spectrale

L’observation des distances spectrales pourra mieux nous renseigner sur la discrimination de nos classes

Les valeurs très proches de 2 des distances de Jeffries-Matusita nous indiquent qu’il est tout à fait possible d’utiliser l’algorithme de vraisemblance maximale pour discriminer nos trois classes. Ce résultat est à comparer avec le premier traitement où nous avions trois bandes et où les valeurs de Jeffries-Matusita pour discriminer les deux types d’herbiers était d’environ 1 et ici où il est de 1,9.

Arrivés à ce point, vous aurez à choisir lequel des traitements est le plus à même de vous donner satisfaction, et donc quelles bandes vous utiliserez.

Il faut rappeler que rien ne vous interdit d’utiliser les bandes les plus discriminantes de chacun des traitements présentés : une bande originale, plusieurs bandes issues de r.texture, une ou plusieurs bandes de l’ACP…

Laisser un commentaire

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