Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010

classification d'images de télédétection

Classification supervisée

Les classifications d'images pixel à pixel

Les méthodes de classification d’images les plus courantes utilisent l'information
radiométrique d'une ou plusieurs bandes spectrales pour classifier chaque pixel
individuellement.

Ce type de classification standard est appelé reconnaissance de regroupements

spectraux. L’image issue de la classification est composée de pixels appartenant chacun à
un thème particulier (exemple : eau, forêt, bâti, etc.).

Lorsqu'on parle de classes, il faut faire la distinction entre des classes d'information et des
classes spectrales :
- les classes d'information sont des catégories d'intérêt que l'analyste cherche à
identifier dans les images, comme différents types de cultures, d'espèce d'arbres,
différents types de caractéristiques géologiques, etc.
- les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques
spectrales (ou presque) en ce qui a trait à leur valeur radiométrique dans les différents
canaux.

L'objectif ultime de la classification est de faire la correspondance entre les classes

spectrales et les classes d'information. Dans ce contexte, l'analyste a le rôle de déterminer
de l'utilité des différentes classes spectrales et de valider leur correspondance à des classes
d'informations utiles.

La démarche de classification comporte ainsi trois étapes fondamentales :

établissement de classes de signatures ou classes spectrales,

classification des pixels en fonction des classes de signatures,

vérification de la classification (fiabilité par rapport aux classes thématiques
envisagées).
C'est la manière d'établir les classes de signatures (1ère étape) qui détermine les deux
grandes approches en classification numérique :

l'approche non dirigée (non supervisée) : pas de connaissance a priori ; les
classes sont créées automatiquement par le logiciel. Les classes sont alors
nommées, étiquetées a posteriori,

l'approche dirigée (supervisée) : les connaissances a priori sont utilisées pour la

création des classes et la saisie des échantillons (zones (parcelles)
d'entraînement = données test).

Les méthodes de classifications par pixels sont délicates à mener car les confusions
radiométriques entre classes augmentent avec la résolution des capteurs et
l’hétérogénéité spatiale des milieux.

1
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

influence de la résolution des capteurs sur « pureté » des pixels

Un milieu hétérogène : Montferrier et la vallée du Lez

2
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Lancement d'une procédure de classification d'image sous TNT

Image  Interpréter  Classification

Liste des canaux choisis pour la classification

Méthode de classification ; ici

méthode supervisée par
Pour charger un raster de
maximum de vraisemblance
parcelles d'entraînement
déjà constitué

Pour éditer un raster de

parcelles d'entraînement :
pour le créer ou le modifier

étape 1 : création du raster de

parcelles d'entraînement

 cliquer sur le bouton : Editeur de

sites d'entraînement
 faire : Fichier  Site d'entraînement 
Nouveau

3
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

affichage d'un nouveau site

d'entraînement "vide" (à la
dimension des images utilisées
pour la classification)

pour créer les classes prévues,

faire : Fichier  Classe 
Ajouter des classes

Dans la fenêtre d'invite qui

s'ouvre, indiquer le nombre de
classes désiré (ici 8 classes)
ces 8 classes sont créées
avec un code (chiffre) et une
couleur arbitraire

En cliquant sur la couleur et le

Nom de la classe, constituer le
jeu de classe désiré

Ce fichier de classes doit être sauvegardé pour être

utilisé lors de la constitution du raster de parcelles
de vérité-terrain (utilisé pour juger de la qualité de
la classification au travers d'une matrice de
confusion).
Pour le sauvegarder, faire "Fichier  Classe 
Sauvegarder". TNT demande de sauver un objet
base de données nommé par défaut DBCLASS,
constituée d’une table d'information de classe
CLASSINFO qui contient les infos de définition des
classes.

4
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 2 : création des parcelles d'entraînement correspondant aux

différentes classes choisies

1) Afficher les couches permettant le choix des parcelles d’entraînement

(ex NDVI, RVB, ACP, …)
2) Cliquer sur une classe (ex prairie),
3) Choisir l'outil "Région de sélection",
4) Dessiner un polygone représentatif de cette classe ; pour terminer sa
construction, faire un click droit et choisir "Assigner tous les
pixels"

pour prendre les parcelles témoins il faut être en sélection
individuelle

Couches chargées
pour faciliter le choix
des parcelles

Une classe qui a été

"entraînée" (au moins une
parcelle "témoin" pour cette
classe) se voit attribuer une
couleur bleue

Une fois toutes les

classes entraînées,
sauvegarder
les parcelles test
Fichier  Site
d'entraînement 
sauvegarder

5
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 3 : création des parcelles de vérité-terrain permettant de

valider la classification au travers d'une matrice de confusion

1) appliquer la procédure employée à l’étape 1 pour créer un raster de sites d'entraînement en

réutilisant les classes déjà définies : Fichier  Classes  ouvrir (récupérer DBCLASS 
CLASSINFO,
2) délimiter des parcelles de vérité-terrain différentes des parcelles d'entraînement (utiliser la
couche de parcelles d'entraînement pour comparaison),
3) sauvegarder ce raster de vérité-terrain : Fichier  Site d'entraînement  sauvegarder.

6
Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 4 : lancement de la classification

Lancement de la classification

- canaux utilisés

- méthode supervisée choisie

- parcelles d'entraînement

Image résultat de la classification et

ouverture de la fenêtre "Opération
sur les classes"

7
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection
Classes définies par la vérité-terrain
Classes résultant de la classification
Précision géographique globale : cette valeur
signifie que 90.33 % des pixels des parcelles de
vérité-terrain se retrouvent correctement classés
90.33 % = [somme de la trace (729 = 30 + 86 +) /
nbre total de pixels échantillon (807)] * 100
Etape 5 : validation par la
matrice de confusion
Utiliser l'outil "Matrice d'erreur"
pour avoir une idée de la validité de
la classification.
1) Application sur les
parcelles d'entraînement
2) Application sur les parcelles
de vérité-terrain
A l'arrivée, la classe sol nu /
bâti compte 57 pixels ;
36 proviennent bien de la
classe sol nu (= 63% de bien
classés = 36/57*100)
Les autres (21) proviennent
d'autres classes (en fait de la
classe vigne claire).
Il y a erreur de commission
car cette classe incorpore des
pixels d'autres classes (pixels
attribués par erreur).
 erreur de commision de
27% (100% – 63%)
Avec les parcelles d’entraînement, la classe sol nu / bâti est définie avec
46 pixels.
Lors de la classification, 36 se retrouvent bien classés à l’arrivée en sol nu
(78.26% de bien classés = 36/46*100).
Les 10 autres sont dispersés dans d'autres classes (classes vignes). Ils ont
été incorrectement exclus, omis, de la classe sol nu.
L’erreur d’omission est de 10/46*100 = 21,74% (100% - 78,26%)
8
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 6 : vérification de la
séparabilité des classes puis
fusion de classes

Utiliser l'outil "Nuage de points de

l'ellipse" pour avoir une idée de la
séparabilité des classes entre elles
(canaux 2 à 2).

Utiliser aussi l'outil "Dendrogramme"

pour juger également de la proximité
spectrale des classes ( classes à
fusionner en premier)

Les classes bois 1 et bois 2 peuvent être

fusionnées pour donner naissance à la
classe bois.

9
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 7 : lissage de l'image classée simplifiée

L'image classée, assez "bruitée"

(pixels classés isolés), est lissée à
l'aide d'un filtrage d'image qui
remplace la valeur centrale d'une
fenêtre glissante (ici 3*3) par la
valeur majoritaire.
Ici, le résultat de 3 itérations de
filtrage.

10
Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 8 : vectorisation de l'image classée

(en vue d’applications vectorielles)

Par une conversion raster / vecteur

on obtient un vecteur héritant des
informations de l'image classée.

11
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Etape 9 : exportation de l'image classée vers Google Earth

Avant d'être exporté au format Tiff

(ou Png) + fichier kml pour être
utilisable dans Google Earth, l'image
classée (qui est alors en WGS84/
UTM31 N) doit être reprojetée en
WGS84 / géographique (Système de
coordonnées de Google Earth).

Exportation de l'image reprojetée :

- exportation au format TIFF
- ajout d'un fichier KML (utilisé
par Google Earth)

12
 Support de cours M1 SIIG3T - Traitement d’images - J-P Cherel 2010
classification d'images de télédétection

Superposition de l'image classée dans Google Earth

(double click sur le fichier KML)

13