Vous êtes sur la page 1sur 48

Introduction à la classification

des données de télédétection

UMR TETIS Cemagref-CIRAD-ENGREF


5 mars 2007
Plan

• Principes généraux
– Classifications, évaluation, post-classification
• Classification : Approche supervisée
– Extraction de l'information utile
– Stratification
– L’apprentissage
– Classifications supervisées
• Classification : Approche non supervisée
• Évaluation de la classification
• Post-classification
• Méthodes récentes
– Approche Orienté-Objet
– Classifications floues

U.M.R. TETIS Module Extraction de l’information en télédétection 2/€48


Principe général (1/3)
Les éléments de la classification

• Problème général de classification


– Ranger des individus caractérisés par des variables
dans des classes
• En télédétection :
– Individus = pixels
– Variables = canaux spectraux
– Classes = nomenclature

U.M.R. TETIS Module Extraction de l’information en télédétection 3/€48


Principe général (2/3)
De “l’espace” géographique à “l’espace” radiométrique

Analyse
de l'image

Image de départ
(2 canaux) Canal n°1
Partition de Classification des pixels
l'espace des variables Généralisation

Canal n°2

Image classée
U.M.R. TETIS Module Extraction de l’information en télédétection 4/€48
Principe général (3/3)
Modes de partition de l'espace des variables

• Approche non-supervisée (non dirigée) :


 partition automatique de l'espace des variables
 intervention post-classification
• Approche supervisée (dirigée) :
 partition dirigée de l'espace des variables à l'aide de
données de terrain
intervention du thématicien avant, pendant et après la
classification

U.M.R. TETIS Module Extraction de l’information en télédétection 5/€48


Approche supervisée
Étapes de la démarche dirigée

Sélection des Choix des variables


données utiles (canaux originaux ou néo-canaux)
Approche supervisée

Stratification Découpage de l’espace en


“ zones d’iso-raisonnement ”

Apprentissage Définition des règles de décision


à partir des zones de référence

Classification Application des règles de décision


à l’ensemble des pixels à classer

Évaluation Confrontation du résultat de la classification


aux connaissances de terrain
Restitution Cartes thématiques, statistiques
des résultats de l’occupation du sol...

U.M.R. TETIS Module Extraction de l’information en télédétection 6/€48


Sélection des données utiles (1/2)

Sélection des
données utiles Objectif :
Approche supervisée

Stratification
Choix des variables (canaux)
pour la classification :
Apprentissage
ne retenir que l'information utile
compte tenu des objectifs assignés
Classification

Evaluation

Résultats

U.M.R. TETIS Module Extraction de l’information en télédétection 7/€48


Sélection des données utiles (2/2)
Selon critères

• Critères statistiques
– élimination de canaux trop redondants (matrice de corrélation)
Approche supervisée

– Canaux synthétiques décorrélés (ACP) - mais attention perte de


sens physique
• Critères physiques
– intérêt thématique d'un canal (ex : PIR pour le thème "eau")
– création de nouveaux canaux (ex. indice de végétation)

U.M.R. TETIS Module Extraction de l’information en télédétection 8/€48


La stratification (1/6)

Sélection des
données utiles
Objectif :
Stratification
Approche supervisée

Apprentissage
segmenter l'image en parties
de même apparence
Classification

Evaluation
définir des zones
d'égale valeur de raisonnement
Résultats

U.M.R. TETIS Module Extraction de l’information en télédétection 9/€48


La stratification (2/6)
Quand faut-il stratifier ?

variabilité géographique variabilité spectrale


exemple lié à la cible
Approche supervisée

cas n°1 cas n°2

même réponse pour 2 classes réponse différ. pour même classe


sur 2 milieux différents sur 2 situations topo

Milieu en eau Milieu terrestre


Stratification par type de sol Stratification avec MNT
U.M.R. TETIS Module Extraction de l’information en télédétection 10/€48
La stratification (3/6)
Critères endogènes à l’image

• Stratification manuelle par photo-interprétation des


textures et structures
Approche supervisée

• Stratification automatique :
– classification sommaire (seuillage)
– classification automatique
– application de filtres passe-bas afin de faire apparaître les
grandes unités de l'image

• Difficulté : relier ces segmentations à des


déterminants physiques

U.M.R. TETIS Module Extraction de l’information en télédétection 11/€48


La stratification (4/6)
exemple de critère endogène

Séparation zone brûlée / zone non brûlée

Seuillage
Approche supervisée

image SPOT (niveau 1B)

limite de la zone incendiée

U.M.R. TETIS Module Extraction de l’information en télédétection 12/€48


La stratification (5/6)
Critères exogènes à l’image

• Recherche du zonage pertinent


Approche supervisée

– carte pédo-géologique
– carte agro-pédologique
– carte des petites régions naturelles
– carte agro-climatique
– modèle numérique de terrain (MNT) ...

• informations à introduire dans la géométrie de l'image

U.M.R. TETIS Module Extraction de l’information en télédétection 13/€48


La stratification (6/6)
exemple de critère exogène

Etude de la reprise végétale en tenant compte de l'antécédent forestier


au travers de la cartographie de l'Inventaire Forestier National (IFN)
Approche supervisée

Classes
forestières
avant
incendie
= strates pour
analyse du
comportement
radiométrique

Cartographie forestière Image SPOT


avant incendie (IFN) (normalisation du relief souhaitable)

U.M.R. TETIS Module Extraction de l’information en télédétection 14/€48


L’apprentissage (1/8)

Sélection des
données utiles

Stratification Objectifs :
Approche supervisée

Apprentissage 1. établir la nomenclature de


la classification
2. fournir les échantillons
Classification permettant d'initialiser et
de valider la classification

Evaluation

Résultats

U.M.R. TETIS Module Extraction de l’information en télédétection 15/€48


L’apprentissage (2/8)
Principes et contraintes

• Localiser, extraire et caractériser les composantes d'un


Approche supervisée

échantillon représentatif

• La démarche d'échantillonnage dépend du type de paysage


– paysage présentant des limites claires (ex : parcellaire agricole)
– paysage sans limites claires (ex : zone de continuum végétal
ex. maquis)

• Plusieurs types d'apprentissage

U.M.R. TETIS Module Extraction de l’information en télédétection 16/€48


L’apprentissage (3/8)
éléments de conception

Positionnement

Aléatoire Entité géographique enquêtée


Approche supervisée

Systématique Point

Raisonné Ligne (transect)

Surface (Segment)
Stratification

Globale

Stratifiée

U.M.R. TETIS Module Extraction de l’information en télédétection 17/€48


L’apprentissage (4/8)
objets support d’apprentissage

• Points : méthode par tirage aléatoire ou systématique


Approche supervisée

• Segments à frontières repérables sur le terrain : méthode de


sondage stratifiée, aléatoire ou systématique

• Segments à forme géométrique (carré) : méthode de sondage


aléatoire ou systématique

• Itinéraire : méthode de sondage raisonnée


observation de parcelles le long d'un itinéraire

• Unité type : méthode de sondage raisonnée et stratifiée


exemple : ensemble des terres d'une exploitation "moyenne"€

U.M.R. TETIS Module Extraction de l’information en télédétection 18/€48


L’apprentissage (5/8)
Eléments de choix (1)

• Tenir compte :
Approche supervisée

– de la résolution du capteur
– de la taille des objets
– des hétérogénéités spatiales
– de l’objet d’étude (saison / phénologie / dynamique)

 Problème de nomenclature et de niveau d’organisation

U.M.R. TETIS Module Extraction de l’information en télédétection 19/€48


L’apprentissage (6/8)
Eléments de choix (2)

• Si la taille des objets >> à la résolution


– faibles contraintes dans la collecte (enquêtes par point, par transect,
Approche supervisée

par segment) : cas des régions à "limites nettes".

• Si la taille des objets << à la résolution


– fortes contraintes dans la collecte (ex. enquêtes par transect) :
cas des régions à "limites floues"
– recherche de motifs paysagers, de structurations spatiales, etc.

• Si l’objet d’étude varie beaucoup d’une saison à l’autre


– choisir la bonne période en fonction des possibilités d’acquisition
des satellites : cas des régions agricoles, urbaines...

U.M.R. TETIS Module Extraction de l’information en télédétection 20/€48


L’apprentissage (7/8)
Approche supervisée Échantillonnage par segments carrés

Positionnement des segments :


- taux de sondage
- superficie des segments enquête du segment
(souvent avec aide photo aérienne,
même ancienne de qqs années)
• Avantages
– Bon compromis résultats / temps passé (sous réserve représentativité
des segments)

U.M.R. TETIS Module Extraction de l’information en télédétection 21/€48


L’apprentissage (8/8)
Validation de l’apprentissage

• Validation intra-classe
– vérifier l'homogénéité radiométrique de chaque échantillon
Approche supervisée

et des échantillons appartenant à la même classe


– vérifier les hypothèses à la base des méthodes de classification
ex : hypothèse gaussienne

• Validation inter-classe
– comparaison des populations de pixels
– matrice de confusion en pré-classification
(cf. évaluation)

U.M.R. TETIS Module Extraction de l’information en télédétection 22/€48


Classifications – Généralités (1/2)

Sélection des
données utiles Trois étapes :
Approche supervisée

Stratification
1 - Choix d'un modèle de
classification
Apprentissage
2 - Définition des paramètres
de ce modèle
Classification
3 - Application à l'image

Evaluation

Résultats

U.M.R. TETIS Module Extraction de l’information en télédétection 23/€48


Classifications - Généralités (2/2)
Les méthodes de classification

Type de classification

Méthodes Supervisée Non supervisée

Métrique  
Arithmétique 
Statistique 

U.M.R. TETIS Module Extraction de l’information en télédétection 24/€48


Classifications supervisées (1/7)
Principe général

canal XS3

1 2
Approche supervisée

100
100

3
20 4
canal XS2
20

canal XS3
1

canal XS2

image brute

image classée

U.M.R. TETIS Module Extraction de l’information en télédétection 25/€48


Classifications supervisées (2/7)
méthodes disponibles

• Méthode de classification de type métrique


– exemple : classification par distance minimum
Approche supervisée

• Méthode de classification de type arithmétique


– exemple : classification par hypercube

• Méthode de classification de type statistique


– exemple : classification par maximum de vraisemblance
sous hypothèse gaussienne

U.M.R. TETIS Module Extraction de l’information en télédétection 26/€48


Classification supervisée (3/7)
de type métrique par distance minimum

canal 2
exemple :
Distance euclidienne
Approche supervisée

Centre
classe 1
Pixel classé dans classe
dont il est le plus proche Centre
classe 2
centres des classes
estimés à partir des
pixels d'apprentissage
Centre
(barycentre) classe 3

Limites de classe :
Médiatrices des segments
reliant les centres de classes canal 1

U.M.R. TETIS Module Extraction de l’information en télédétection 27/€48


Classification supervisée (4/7)
de type arithmétique par hypercube (ou méthode des bornes)

Cette méthode n'utilise :


- ni la notion de distance,
- ni d'hypothèse sur les propriétés de distribution des valeurs
radiométriques des pixels dans l'espace des variables
Approche supervisée

canal 1
problème des
Forêt recouvrements
entre classes
Orge
Blé Maïs

Vigne
Verger

canal 2

U.M.R. TETIS Module Extraction de l’information en télédétection 28/€48


Classification supervisée (5/7)
de type arithmétique par seuillage

nb de pixels
blanc extraction de l’eau
Approche supervisée

cas de 2
classes

noir
0 255
seuil compte numérique (canal XS3)

U.M.R. TETIS Module Extraction de l’information en télédétection 29/€48


Classification supervisée (6/7)
de type statistique : maximum de vraisemblance
Fonction de densité de probabilité

P(x/C2) représentation des fonctions de densités


de probabilités conditionnelles d’un
Approche supervisée

attribut x pour des points images


P(x/C1) provenant de 2 classes C1 et C2
+∞

∫ p( x / Cq ).dx = 1
−∞
q = 1, 2, ...

X
La règle de Bayes permet de calculer :
p ( x / Cq ). p (Cq )
p (Cq / x) =
p( x)
avec p ( x) = ∑ p ( x / Cq ). p (Cq )
q =1, 2 ,...

U.M.R. TETIS Module Extraction de l’information en télédétection 30/€48


Classifications supervisées (7/7)
Comparaison des méthodes de classification supervisée

Lignes d'équidensité
de probabilité
Canal 2 Canal 2 Canal 2

Canal 1 Canal 1 Canal 1


classification par classification par classification par
distance minimale hypercubes maximum de vraisemblance

Le choix de la méthode dépend de la structure des données.


Mais seule l'approche statistique permet d'atteindre un taux d'erreur minimal

U.M.R. TETIS Module Extraction de l’information en télédétection 31/€48


Approche non supervisée (1/2)
méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques)

C1
x Constitution des classes L’utilisateur
C2
x
C3
x
départ :
C1
C2 x choix du nombre de
x
C3 classes
x

Tirage au hasard des centres critères d’arrêt des


itérations :
choix du nombre maximal
C’1x des itérations (k)
C’2x Constitution des classes
OU
C’3x
seuil de stabilité des
C’’1x classes
C’’2x
Calcul des nouveaux centres
C’’3x astuce : choisir double du
nbre souhaité de classes
K itérations

U.M.R. TETIS Module Extraction de l’information en télédétection 32/€48


Approche non supervisée (2/2)
méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques)

exemple : cartographie en 10 classes


à partir de
6 images SPOT (1991 à 1996)

130
Année
120 4
5
Proche Infra Rouge

9 93
110 94
92
96
96
100 91 10
1
95
2 3 91
90 3
7
4
6 8
80 5 2
6 1
7 Numéro de la
70 8
9 classe
10
60
40 50 60 70 80 90 100 110 120
Rouge

U.M.R. TETIS Module Extraction de l’information en télédétection 33/€48


Évaluation de la classification (1/10)

étape essentielle de la démarche de cartographie


Sélection des
données utiles

terrain
parcelles enquêtées
Approche supervisée

Stratification

Apprentissage

Classification vérification de la

validation
cohérence des paramètres
de classification
Evaluation
validation du modèle
de classification

Résultats

U.M.R. TETIS Module Extraction de l’information en télédétection 34/€48


Évaluation de la classification (2/10)
Composantes de l'évaluation

La précision des résultats cartographiques peut être évaluée par :

– la précision géométrique
• précision de la délimitation des limites des objets

– la précision sémantique
• identification du contenu des objets cartographiés

U.M.R. TETIS Module Extraction de l’information en télédétection 35/€48


Évaluation de la classification (3/10)
Conditions de l'évaluation

• Il existe une limite théorique de la précision :


– fonction du taux de pixels thématiquement "purs",
– lui même relié à la résolution du capteur et à la taille des objets

• L'évaluation de la précision n'a qu'une valeur relative,


– la référence elle-même étant une représentation du terrain
(la ‘vérité-terrain’ existe-t-elle ?)

U.M.R. TETIS Module Extraction de l’information en télédétection 36/€48


Évaluation de la classification (4/10)
Types d'évaluation

• Évaluation globale :
– évaluation qualitative :
• Comparaison visuelle avec des données exogènes
(photo-aériennes, cartes, etc.)

– évaluation quantitative :
• comparaison des superficies obtenues avec des données
exogènes (statistiques agricoles, etc.)
• comparaison des populations de pixels provenant des
parcelles d'apprentissage avec celles provenant de la
cartographie obtenue

• Évaluation spatialisée

U.M.R. TETIS Module Extraction de l’information en télédétection 37/€48


Évaluation de la classification (5/10)
Notion de précision statistique et géographique

Précision

statistique géographique
(cartographique)

A B 100% 100%

A B

A B 100% 0%
vérité terrain

classifications

U.M.R. TETIS Module Extraction de l’information en télédétection 38/€48


Évaluation de la classification (6/10)
évaluation spatialisée à l’aide de la matrice de confusion

Vérité-terrain

X1 … X1j … X1n X1.


.
.
.
Xi … Xijii … Xin Xi.
Classification .
.
.
X … Xnj … Xnn Xn.
X. … X.j … X.n X..

Xij : nb de pixels appartenant sur le terrain à la classe Cj et classés dans Ci


X.j : somme des Xij sur la colonne j
Xi. : somme des Xij sur la ligne i
X.. : somme en ligne et en colonne (nombre total de pixels d€’apprentissage)

U.M.R. TETIS Module Extraction de l’information en télédétection 39/€48


Évaluation de la classification (7/10)
Précisions et Types d’erreur

• Paramètres par classe dérivés de la matrice de confusion :


• Précision du producteur (producer’s accuracy)
- probabilité pour un pixel de la classe Ck sur le terrain d’être bien
classé en Ck sur la carte : EC = (Xkk/X.k)*100
- Complément à 100% : Erreur de commission
• Précision de l'utilisateur (user’s accuracy)
- probabilité pour un pixel classé en Ck sur la carte d’appartenir à Ck sur
le terrain EO = (Xkk/Xk.)*100
- Complément à 100% : Erreur d’omission

• Erreur statistique
proportion de pixels classés en Ck par rapport au nombre de pixels
réellement en Ck sur le terrain
EA = (Xk./X.k)*100

U.M.R. TETIS Module Extraction de l’information en télédétection 40/€48


Evaluation de la classification (8/10)
Types d’erreur

• Quelques paramètres globaux dérivés de la matrice de confusion


• Erreur de commission moyenne
moyenne des EC sur les n classes

• Erreur d’omission moyenne


moyenne des EO sur les n classes

• Précision géographique globale


somme de la diagonale
ΣiXij)/X..]*100
PGG = [(Σ

U.M.R. TETIS Module Extraction de l’information en télédétection 41/€48


Evaluation de la classification (9/10)
matrice de confusion

exemple : 5 classes avec 100 pixels par classe

Classification

Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Total

Classe 1 100 100

Classe 2 10 50 10 5 25 100
Terrain

Classe 3 80 20 100

Classe 4 20 10 65 5 100

Classe 5 0 15 5 5 75 100

Total 110 85 105 95 105 500

Précision géographique Précision statistique

U.M.R. TETIS Module Extraction de l’information en télédétection 42/€48


Evaluation de la classification (10/10)
Emploi de la matrice de confusion

• Dans le cas de classifications pixel à pixel


– 1 pixel = 1 objet

• Lors de l'apprentissage (en pré-classification)


– cohérence des paramètres estimés pour le modèle de classification, mais ce
n'est pas une validation !

• Pour valider le modèle de classification


– à partir de parcelles de validation (non utilisées lors de l'apprentissage)
– ces parcelles doivent constituer un échantillon représentatif et couvrir de
façon homogène le territoire

U.M.R. TETIS Module Extraction de l’information en télédétection 43/€48


Post-classification (1/2)
Amélioration des images classées

• Processus itératif «€classification / évaluation€» : amélioration


progressive

• Amélioration à partir des matrices de confusion


– redécoupages de classes radiométriques en sous-classes avant de relancer
la classification
– regroupements visuels ou numériques des sous-classes d’une même classe
– regroupement des classes thématiques trop confondues

• Probabilité de correcte affectation (max. de vraisemblance)


– utilisation du plan de probabilité comme plan masque pour retravailler les
pixels classés avec une faible probabilité
– modification du seuil de rejet avant de relancer la classification

U.M.R. TETIS Module Extraction de l’information en télédétection 44/€48


Post-classification (2/2)
Amélioration des images classées

• Probabilité à priori (max. de vraisemblance)


– pondération des classes en fonction de leur répartition dans la réalité (selon
données statistiques, expertises …)
– utile pour retravailler les classes qui se confondent
=> amélioration des statistiques

• Choix de l’algorithme et de l’approche de classification

• Filtrage des images classées


– ex : filtre d’homogénéisation

• Introduction de variables exogènes


– comme néocanaux (ex: pente, altitude…)
– comme plans masques (ex: villes et réseaux tirés de BD IGN)
– comme éléments d’homogénéisation (ex: limites du parcellaire)

U.M.R. TETIS Module Extraction de l’information en télédétection 45/€48


Autres approches de classification
Approche Orienté-Objet (AOO)

• Contexte AOO en télédétection


– Imagerie THR : augmentation hétérogénéité
ex. variabilité intra-parcellaire
ex. forêt -> arbre -> composantes de l'arbre :
(1) partie du houppier au soleil, (2) partie du houppier à l'ombre, (3) ombre portée
≠ pixel)
• Objet d'intérêt : segment (≠
• Méthode
– Segmentation
– Calcul de paramètres par segment
• radiométriques : moyenne, écart-type, texture
• Identification des segments voisins
• Exemple d'intérêt
– Arbre = 3 segments côte à côte, de taille et radiométrie correspondant aux
3 composantes (1) houppier au soleil, (2) houppier à l'ombre, (3) ombre portée

U.M.R. TETIS Module Extraction de l’information en télédétection 46/€48


Autres approches de classification
Classifications floues (1/2)

• Logique booléenne
– Ex. classification sur 3 classes, variable taille
• frontière franche, étanche à x = x0 :
avant x0 : n'appartient pas, après x0 : appartient
– Logique booléenne dans
• Plus proche voisin, hypercube,
maximum vraisemblance…
• Logique floue (fuzzy logic)
– Frontière floue
• Variation progressive de probabilité
d'appartenance sur intervalle [x0, x1]

x0 x1

U.M.R. TETIS Module Extraction de l’information en télédétection 47/€48


Autres approches de classification
Classifications floues (2/2)

• Combinaison de fonctions d'appartenance


– Par ex. par pondération des canaux

U.M.R. TETIS Module Extraction de l’information en télédétection 48/€48