{"id":9688,"date":"2021-10-21T13:28:08","date_gmt":"2021-10-21T11:28:08","guid":{"rendered":"https:\/\/www.sigterritoires.fr\/?p=9688"},"modified":"2021-10-21T13:28:09","modified_gmt":"2021-10-21T11:28:09","slug":"tutoriel-scppost-traitement-de-la-classification","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/tutoriel-scppost-traitement-de-la-classification\/","title":{"rendered":"Tutoriel SCP:Post-traitement de la classification"},"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

Pour compl\u00e9ter ce tutoriel, nous verrons ici comment traiter les sorties d’une classification supervis\u00e9e pour int\u00e9grer les r\u00e9sultats dans un SIG<\/a>. <\/p>\n\n\n\n\n\n\n\n

Mesure de la pr\u00e9cision de classification<\/a><\/h1>\n\n\n\n
Apr\u00e8s le processus de classification, il est utile d\u2019\u00e9valuer l\u2019exactitude de la classification de la couverture, afin d\u2019identifier et de mesurer les erreurs cartographiques. Habituellement, l\u2019\u00e9valuation de l\u2019exactitude est effectu\u00e9e au moyen du calcul d\u2019une matrice d\u2019erreurs, qui est un tableau qui compare le r\u00e9sultat de la classification avec des donn\u00e9es de r\u00e9f\u00e9rence (c.-\u00e0-d. les donn\u00e9es de la v\u00e9rit\u00e9 terrain.<\/p>\n\n\n\n
La classification est compar\u00e9e \u00e0 une matrice de r\u00e9f\u00e9rence ou \u00e0 un vecteur de r\u00e9f\u00e9rence (qui est automatiquement converti en matrice). Si le vecteur est s\u00e9lectionn\u00e9 comme r\u00e9f\u00e9rence, il est possible de choisir un champ d\u00e9crivant les valeurs de classe.<\/p>\n\n\n\n
Plusieurs statistiques sont calcul\u00e9es telles que la pr\u00e9cision globale, la pr\u00e9cision de l\u2019utilisateur, la pr\u00e9cision du producteur et le coefficient Kappa. En particulier, ces statistiques sont calcul\u00e9es selon la matrice d\u2019erreur bas\u00e9e sur la superficie, o\u00f9 chaque \u00e9l\u00e9ment repr\u00e9sente la proportion estim\u00e9e de la superficie de chaque classe. Ceci permet d\u2019estimer loa pr\u00e9cision de l\u2019utilisateur sans biais et la pr\u00e9cision du producteur, la zone sans biais des classes selon les donn\u00e9es de r\u00e9f\u00e9rence, et l\u2019erreur type des estimations de surface. o\u00f9 les valeurs de pixels repr\u00e9sentent les cat\u00e9gories de comparaison (c.-\u00e0-d. les combinaisons identifi\u00e9es par le code de matrice d\u2019erreurs dans la matrice d\u2019erreurs) entre la classification et la r\u00e9f\u00e9rence. De plus, un fichier texte contenant la matrice d\u2019erreurs (i.e. un fichier.csv s\u00e9par\u00e9 par tabulation) est cr\u00e9\u00e9 avec le m\u00eame nom d\u00e9fini pour le fichier .tif.<\/p>\n\n\n\n
La couche de \u00ab r\u00e9alit\u00e9 terrain \u00bb peut donc \u00eatre une couche raster ou une couche vecteur. La seule condition \u00e0 respecter est que les codes des classes soient les m\u00eames entre la couche r\u00e9alit\u00e9 terrain et le r\u00e9sultat de la classification que nous souhaitons \u00e9valuer.<\/p>\n\n\n\n
Cette couche peut \u00eatre construite manuellement en num\u00e9risant des polygones \u00e0 partir des images sources de la classification.<\/p>\n\n\n\n
Le plugin SCP va construire une matrice d\u2019erreurs en comparant les classes des pixels communs aux deux couches : la couche de classification et la couche r\u00e9alit\u00e9 terrain.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Les cellules diagonales de la matrice contiennent le nombre de pixels de chaque classe qui ont \u00e9t\u00e9 bien class\u00e9s. Le reste des cellules de la matrice contiennent les pixels mal class\u00e9s.<\/p>\n\n\n\n
Exemple<\/h2>\n\n\n\n

Prenons un exemple de sortie de classification :<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Le r\u00e9sultat contient 4 classes, cod\u00e9es 0 \u2013 2 \u2013 3 \u2013 4.<\/p>\n\n\n\n
Nous utiliserons une couche vecteur de r\u00e9alit\u00e9 terrain sur une partie de l\u2019image :<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Nous ex\u00e9cutons la commande \u00ab Pr\u00e9cision \u00bb du menu \u00ab Post-traitement \u00bb<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Le r\u00e9sultat s\u2019affiche sous forme de couche<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Mais pour comprendre cette couche il est- indispensable de se r\u00e9f\u00e9rer au tableau de sortie. Ce tableau s\u2019affiche dans la fen\u00eatre SCP dans l\u2019onglet Sortie de \u00ab Pr\u00e9cision \u00bb mais il est aussi disponible au format csv avec le m\u00eame nom que la couche de r\u00e9sultat.<\/p>\n\n\n\n
Le premier pav\u00e9 donne les informations n\u00e9cessaires \u00e0 l\u2019interpr\u00e9tation de la couche g\u00e9ographique :<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
La premi\u00e8re colonne indique l\u2019\u00e9tiquette utilis\u00e9e pour la couche g\u00e9ographique. Les deux colonnes suivantes indiquent la classe de r\u00e9f\u00e9rence et la classe de classement, puis, la derni\u00e8re colonne, le nombre de pixels pour cette combinaison.<\/p>\n\n\n\n
Dans cet exemple, la premi\u00e8re ligne indique que la classe de couleur 5 indique les pixels de classe 2 sur le terrain (spartine) qui sont non class\u00e9s dans notre sortie de classification, et qu\u2019il y a 2191 pixels dans ce cas.<\/p>\n\n\n\n
La deuxi\u00e8me ligne indique que la classe de couleur 6 indique les pixels de classe 2 sur le terrain (spartine) qui sont bien class\u00e9s (2) dans notre sortie de classification, et qu\u2019il y a 13619 pixels dans ce cas.<\/p>\n\n\n\n
Le deuxi\u00e8me pav\u00e9 donne ces r\u00e9sultats sous forme de matrice, indiquant pour chaque cellule de la matrice le nombre de pixels correspondants.<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Le troisi\u00e8me pav\u00e9 converti le nombre de pixels en surface, en utilisant la taille des pixels et les unit\u00e9s du SCR.
Mais les indicateurs importants pour aider \u00e0 l\u2019\u00e9valuation sont les indicateurs suivants :<\/p>\n\n\n\n
$\"\"$ <\/a><\/figure>\n\n\n\n
Pr\u00e9cision utilisateur et pr\u00e9cision producteur<\/a><\/h2>\n\n\n\n
Ces termes un peu barbares recouvrent un calcul tr\u00e8s simple.<\/p>\n\n\n\n
Pour chaque classe on fait le rapport des pixels bien class\u00e9s par rapport au total de la ligne et au total de la colonne de la matrice d\u2019erreur.<\/p>\n\n\n\n
Le total de chaque ligne correspond au nombre total de pixels de la classe dans notre sortie de classification.<\/p>\n\n\n\n
Le total de chaque colonne correspond au nombre total de pixels de la classe dans notre r\u00e9alit\u00e9 terrain.<\/p>\n\n\n\n
On appelle \u00bbPr\u00e9cision utilisateur \u00bb le rapport nombre de pixels de la classe\/nombre total de pixels par ligne, c\u2019est-\u00e0-dire le nombre total de pixels de la classe dans notre sortie de classification.<\/p>\n\n\n\n
On appelle \u00bbPr\u00e9cision producteur \u00bb le rapport nombre de pixels de la classe\/nombre total de pixels par colonne, c\u2019est-\u00e0-dire le nombre total de pixels de la classe dans notre r\u00e9alit\u00e9 terrain.<\/p>\n\n\n\n
Indice Kappa<\/a><\/h2>\n\n\n\n
Sans rentrer dans trop de consid\u00e9rations techniques, disons que ce coefficient nous indique dans quelle mesure on aurait pu obtenir le m\u00eame r\u00e9sultat de classification en faisant cette classification au hasard.<\/p>\n\n\n\n
$\"\"$ <\/a>
Geodesia et Descriptio Terrarum 13 (1-2) 2014<\/figcaption><\/figure>\n\n\n\n
Pr\u00e9cision globale<\/a><\/h2>\n\n\n\n
A partir de la matrice d\u2019erreur , il est possible de calculer la pr\u00e9cision globale comme le rapport entre le nombre d\u2019\u00e9chantillons correctement class\u00e9s (la somme de la diagonale principale) et le nombre total d\u2019unit\u00e9s d\u2019\u00e9chantillonnage n.<\/p>\n\n\n\n
\u00c9limination du bruit<\/span><\/h1>\n\n\n\n
Suite \u00e0 la proc\u00e9dure de classification, il subsiste g\u00e9n\u00e9ralement un faible taux de pixels isol\u00e9s, g\u00e9n\u00e9ralement mal class\u00e9s ou non class\u00e9s, souvent situ\u00e9s \u00e0 la limite entre deux plages d’affectations distinctes. Ceux-ci donnent un aspect \u00ab\u00a0pointilliste\u00a0\u00bb \u00e0 l’image qui peut s’av\u00e9rer g\u00eanant pour une repr\u00e9sentation cartographique. Il est alors souhaitable d’homog\u00e9n\u00e9iser la classification en r\u00e9affectant ces pixels \u00e0 l’une ou l’autre classe. Pour ce faire, on utilise \u00e9galement des techniques de filtrage.<\/p>\n\n\n\n
Le filtre majoritaire consiste \u00e0 affecter un pixel isol\u00e9 \u00e0 la classe dominante au sein de laquelle il se trouve. Pour chaque pixel, l’image est analys\u00e9e au moyen d’une fen\u00eatre mobile de 3×3 pixels afin de d\u00e9terminer la classe la plus repr\u00e9sent\u00e9e autour du pixel central. Celle classe est alors attribu\u00e9e au pixel central. L’inconv\u00e9nient majeur du filtrage majoritaire est de trop favoriser les classes dominantes, particuli\u00e8rement aux fronti\u00e8res entre deux classes, aux d\u00e9pens des classes moins repr\u00e9sent\u00e9es ou des classes pr\u00e9sentant des structures lin\u00e9aires comme le r\u00e9seau routier ou encore des classes repr\u00e9sentant l’habitat dispers\u00e9.<\/p>\n\n\n\n
Le plugin SCP inclue une autre fa\u00e7on de r\u00e9duire le bruit , l\u2019option \u00ab Cribler la classification (sieve). Cette commande supprime les polygones matriciels inf\u00e9rieurs \u00e0 une taille de seuil fournie (en pixels) et les remplace par la valeur de pixel du plus grand polygone voisin. Il est utile si vous avez une grande quantit\u00e9 de petites zones sur votre carte matricielle. L\u2019algorithme est d\u00e9riv\u00e9 de l\u2019utilitaire GDAL<\/a> sieve.<\/p>\n\n\n\n
On peut d\u00e9finir un nombre quelconque de pixels connect\u00e9s, contrairement au filtre qui ne prend que les pixels isol\u00e9s. On peut aussi d\u00e9finir le type de voisinage souhait\u00e9 :<\/p>\n\n\n\n
4 : dans une fen\u00eatre 3×3, les pixels diagonaux ne sont pas consid\u00e9r\u00e9s comme connect\u00e9s ;<\/p>\n\n\n\n
8 : dans une fen\u00eatre 3×3, les pixels diagonaux sont consid\u00e9r\u00e9s comme connect\u00e9s<\/p>\n\n\n\n
Attention \u00e0 ne pas confondre le bruit avec les petits patchs isol\u00e9s. Ces derniers peuvent \u00eatre \u00e9limin\u00e9s \u00e0 la fin du post-traitement en d\u00e9finissant une taille minimale de zone. Par d\u00e9finition, le bruit correspond \u00e0 des pixels isol\u00e9s ou \u00e0 des petits groupes de pixels isol\u00e9s, surtout dans le cas o\u00f9 la taille r\u00e9elle du pixel est petite.<\/p>\n\n\n\n
Il ne faut pas oublier que la plupart de ces traitements d\u2019image ont \u00e9t\u00e9 con\u00e7us pour des applications satellitaires avec des pixels qui \u00e9taient de l\u2019ordre de 5 \u00e0 10 m\u00e8tres. Des images de drone pouvant produire des pixels de quelques millim\u00e8tres, la notion de bruit doit aussi s\u2019adapter \u00e0 l\u2019\u00e9chelle.<\/p>\n\n\n\n
Exemple<\/h2>\n\n\n\n
Nous pouvons voir un exemple d\u2019utilisation du criblage SCP sur une zone de notre image class\u00e9e.<\/p>\n\n\n\n
$\"\"$ <\/a>
Image en sortie de la classification SCP<\/figcaption><\/figure>\n\n\n\n
$\"\"$ <\/a>
Image r\u00e9sultante du criblage SCP avec un seuil de taille de 10 pixels et un voisinage de 8.<\/figcaption><\/figure>\n\n\n\n
$\"\"$ <\/a>
Image r\u00e9sultante du traitement Filtre majoritaire avec ArcMap<\/figcaption><\/figure>\n\n\n\n
On observe que le \u00ab nettoyage \u00bb du bruit est bien plus net avec le criblage qu\u2019avec le filtre majoritaire.<\/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. Pour…<\/p>\n","protected":false},"author":1,"featured_media":9692,"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_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":"","jetpack_post_was_ever_published":false},"categories":[147,26,62,172],"tags":[1696,1480,1695,1694,379,58,1649,1683,1684,1486,1644],"class_list":["post-9688","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images","category-outils-et-methodes","category-qgis-2","category-tutoriel","tag-bruit","tag-classification","tag-indice-kappa","tag-post-traitement","tag-precision","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\/i4-1.png?fit=1177%2C628&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-2wg","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9688","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=9688"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/9688\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/9692"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=9688"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=9688"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=9688"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}