{"id":9677,"date":"2021-10-19T10:02:14","date_gmt":"2021-10-19T08:02:14","guid":{"rendered":"https:\/\/www.sigterritoires.fr\/?p=9677"},"modified":"2021-10-19T10:02:15","modified_gmt":"2021-10-19T08:02:15","slug":"tutoriel-scp-les-methodes-de-classification-supervisee","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/tutoriel-scp-les-methodes-de-classification-supervisee\/","title":{"rendered":"Tutoriel SCP : Les m\u00e9thodes de classification supervis\u00e9e"},"content":{"rendered":"\n

Dans cette s\u00e9rie d’articles<\/a> nous avons vu un tutoriel qui aborde la classification d\u2019images a\u00e9riennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3. <\/p>\n\n\n\n

Le but de ce tutoriel est de trouver un moyen de multiplier les trois bandes RGB des images a\u00e9riennes en utilisant des calculs de texture de sol et de l\u2019analyse en composantes principales. <\/p>\n\n\n\n

Pour compl\u00e9ter ce tutoriel, nous verrons ici comment d\u00e9finir les m\u00e9thodes de classification supervis\u00e9e. <\/p>\n\n\n\n\n\n\n\n

On a deux types de calculs, compl\u00e9mentaires, pour classer les images. Nous utiliserons, si n\u00e9cessaire, un algorithme de calcul des distances spectrales de chaque pixel de notre image globale par rapport au signatures spectrales retenues.<\/p>\n\n\n\n

Ind\u00e9pendamment de ces distances, on utilise une m\u00e9thode de classification d\u2019occupation des sols pour d\u00e9cider l\u2019affectation d\u2019une classe \u00e0 chaque pixel.<\/p>\n\n\n\n

En r\u00e9alit\u00e9, toutes les combinaisons sont possibles. Voyons ces deux types de proc\u00e9d\u00e9s en d\u00e9tail.<\/p>\n\n\n\n

Les algorithmes de classification<\/a><\/h1>\n\n\n\n
Nous avons trois algorithmes de classification :<\/p>\n\n\n\n
L\u2019algorithme de la distance minimale<\/li>
L\u2019algorithme de maximum de vraisemblance<\/li>
L\u2019algorithme du calcul de l\u2019angle spectral<\/li><\/ul>\n\n\n\n
Algorithme de la distance minimale<\/a><\/h2>\n\n\n\n
C\u2019est la m\u00e9thode la plus simple. On calcule la distance euclidienne entre les valeurs sur chaque bande du pixel \u00e0 classer et la signature sur chaque bande des diff\u00e9rentes classes du fichier d\u2019entrainement.<\/p>\n\n\n\n
On fait le carr\u00e9 de la distance de chaque bande, on les additionne, et on calcule la racine carr\u00e9e de cette somme.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure><\/div>\n\n\n\n
On retient pour ce pixel la classe qui se situe \u00e0 la plus petite distance calcul\u00e9e.<\/p>\n\n\n\n
Algorithme du maximum de vraisemblance<\/a><\/h2>\n\n\n\n
Tout d\u2019abord on calcule pour les donn\u00e9es de signature spectrale d\u2019entrainement, la distribution des probabilit\u00e9s pour chaque bande. On aura alors, pour chaque classe et chaque bande une courbe de probabilit\u00e9s avec une moyenne et un \u00e9cart type donn\u00e9s. Le tout constitue un mod\u00e8le normal multivari\u00e9.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure><\/div>\n\n\n\n
La figure donne un exemple de deux classes (ga et gb) et de deux pixels \u00e0 classer X1 et X2 sur la bande spectrale X. Pour chaque valeur de pixel on cherche la probabilit\u00e9 correspondante et on retient la classe avec la plus forte probabilit\u00e9.<\/p>\n\n\n\n
Algorithme du calcul de l\u2019angle spectral<\/a><\/h2>\n\n\n\n
Chaque classe de signature spectrale peut \u00eatre trac\u00e9e en fonction des diff\u00e9rentes paires de bandes. Dans l\u2019image suivante on prend la paire Bande 1 \u2013 Bande 2 et on trace la position des signatures spectrales de la classe a (en rouge) et de la classe b (en vert).<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure><\/div>\n\n\n\n
Chaque pixel \u00e0 classer est plac\u00e9 dans l\u2019espace Bande1-Bande 2, x dans la figure.<\/p>\n\n\n\n
On calcule alors l\u2019angle q avec la signature de a et avec la signature de b. On retiendra la classe correspondante au plus petit angle.<\/p>\n\n\n\n
Cette m\u00e9thode est insensible \u00e0 l\u2019\u00e9clairage puisque l\u2019algorithme SAM utilise uniquement la direction du vecteur et non la longueur du vecteur.<\/p><\/blockquote><\/figure>\n\n\n\n
Les m\u00e9thodes de classification<\/a><\/h1>\n\n\n\n
La m\u00e9thode Land Cover Signature Classification (LCS)<\/a><\/h2>\n\n\n\n
Cette classification permet de d\u00e9finir des seuils spectraux pour chaque signature d\u2019entra\u00eenement (une valeur minimale et une valeur maximale pour chaque bande). Les seuils de chaque signature d\u2019entr\u00e9e d\u2019entra\u00eenement d\u00e9finissent une r\u00e9gion spectrale appartenant \u00e0 une certaine classe de couverture du sol.<\/p>\n\n\n\n
Les signatures spectrales des pixels d\u2019image sont compar\u00e9es aux signatures spectrales d\u2019entra\u00eenement ; un pixel appartient \u00e0 la classe X si la signature spectrale des pixels est enti\u00e8rement contenue dans la r\u00e9gion spectrale d\u00e9finie par la classe X. En cas de pixels tombant \u00e0 l\u2019int\u00e9rieur de r\u00e9gions se chevauchant ou en dehors de toute r\u00e9gion spectrale, il est possible d\u2019utiliser des algorithmes de classification suppl\u00e9mentaires (c.-\u00e0-d. distance minimale, probabilit\u00e9 maximale, cartographie<\/a> d\u2019angle spectral) en tenant compte des caract\u00e9ristiques spectrales de la signature d\u2019entr\u00e9e originale.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Dans l\u2019image, on illustre la classification de la signature de couverture du sol (LCS) pour un cas simple de deux bandes spectrales x et y. Les r\u00e9gions spectrales d\u00e9finies par l\u2019utilisateur d\u00e9finissent trois classes (ga, gb et gc). Le pixel p1 appartient \u00e0 la classe ga et le pixel p2 \u00e0 la classe gb. Cependant, le pixel p3 se trouve \u00e0 l\u2019int\u00e9rieur des r\u00e9gions spectrales des deux classes gb et gc (r\u00e9gions qui se chevauchent); dans ce cas, le pixel p3 sera non classifi\u00e9 ou class\u00e9 selon un algorithme de classification suppl\u00e9mentaire. Le pixel p4 se trouve en dehors de toute r\u00e9gion spectrale, il sera donc non classifi\u00e9 ou class\u00e9 selon un algorithme de classification suppl\u00e9mentaire.<\/p>\n\n\n\n
Pour utiliser ce syst\u00e8me de classement, il faut cocher LCS dans la fen\u00eatre de classification.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
LSC est le classificateur strict . Il est le classificateur initial. Cette m\u00e9thode assigne un pixel dans une classe seulement si les valeurs de celui-ci dans chacune des bandes entrent dans la \u00ab\u00a0gamme\u00a0\u00bb de la signature spectrale de cette classe (comme on peut le voir dans la figure), si elle n\u2019entre dans aucune classe, le pixel n\u2019est attribu\u00e9e \u00e0 aucune classe (\u00ab\u00a0Non class\u00e9\u00a0\u00bb), si la signature du pixel correspond \u00e0 plusieurs classes (\u00ab\u00a0superposition\u00a0\u00bb) il n\u2019est pas non plus attribu\u00e9, m\u00eame si une seule valeur dans une bande qui diff\u00e8re de la signature de la classe reste non class\u00e9e. C\u2019est pourquoi lorsque nous ex\u00e9cutons une classification uniquement avec cette m\u00e9thode, il nous reste de vastes zones non class\u00e9es. Cependant, cette m\u00e9thode nous garantit que les portions de l\u2019image qui sont classifi\u00e9es sont adapt\u00e9es (elles sont contenues) \u00e0 l\u2019int\u00e9rieur des signatures spectrales des classes de couverture.<\/p>\n\n\n\n
C\u2019est un bon point de d\u00e9part pour notre classification, nous verrons quelles zones sont bien diff\u00e9renci\u00e9es (classifi\u00e9es) et celles qui pr\u00e9sentent plus de confusion, ces derni\u00e8res pouvant \u00eatre attribu\u00e9es par les autres algorithmes.<\/p>\n\n\n\n
Comment s\u2019int\u00e8grent les diff\u00e9rents algorithmes ?<\/p>\n\n\n\n
On verra ici quatre cas :<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
1er Cas<\/strong> n\u2019est s\u00e9lectionn\u00e9 que l\u2019option LSC, alors la classification est g\u00e9n\u00e9r\u00e9e par cette m\u00e9thode. Les pixels non class\u00e9s par LCS restent non class\u00e9s. L\u2019algorithme, ici Maximum de vraisemblance, n\u2019est pas utilis\u00e9.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
2\u00e8me cas<\/strong> : sont s\u00e9lectionn\u00e9s \u00e0 la fois LSC et Algorithme, alors les deux m\u00e9thodes se combinent. Ce qui n\u2019est pas class\u00e9 par LSC sera class\u00e9 par l\u2019algorithme de distance s\u00e9lectionn\u00e9, ici le Maximum de vraisemblance.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
3\u00e8me Cas<\/strong> : seul algorithme <\/strong>est s\u00e9lectionn\u00e9, alors le classement est effectu\u00e9 sans LSC, en utilisant uniquement l\u2019algorithme choisi, ici Maximum de vraisemblance.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
4\u00e8me Cas<\/strong> : cette s\u00e9lection \u00ab\u00a0Superposition seulement\u00a0\u00bb avec LSC et\/ou Algorithme s\u00e9lectionn\u00e9, c\u2019est une option int\u00e9ressante pour affiner notre classification, il effectue le processus de classement seulement des zones o\u00f9 il y a confusion, c\u2019est \u00e0 dire que le pixel tombe dans deux ou plusieurs classes possibles, mais pas des pixels ne tombant dans aucune classe.<\/p>\n\n\n\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
Dans cette s\u00e9rie d’articles nous avons vu un tutoriel qui aborde la classification d\u2019images a\u00e9riennes de drone en milieu littoral. Il utilise QGis dans sa version 3.20 et le plugin SCP dans sa version 7.3. Le…<\/p>\n","protected":false},"author":1,"featured_media":9680,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[147,26,62,172],"tags":[1653,1480,1685,1688,1687,1686,58,1649,1683,1684,1486,1644],"class_list":["post-9677","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images","category-outils-et-methodes","category-qgis-2","category-tutoriel","tag-angle-spectral","tag-classification","tag-distance-minimale","tag-land-cover-signature","tag-lcs","tag-maximum-de-vraissemblance","tag-qgis","tag-scp-plugin","tag-signature","tag-spectrale","tag-supervisee","tag-texture"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/10\/i3.png?fit=648%2C376&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-2w5","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=9677"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9677\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/9680"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=9677"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=9677"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=9677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}