Les images de télédétection couvrent toujours une vaste zone géographique à haute fréquence temporelle. Pour comprendre et obtenir facilement des informations sur l’utilisation et la couverture des terres, il est toujours nécessaire de traiter l’interprétation et la classification des images. Le pixel d’image est utilisé comme unité d’analyse de base depuis le début des années 1980.
Par conséquent, la classification d’image est le processus d’attribution de classes de couverture terrestre aux pixels. En télédétection, les images photographiques sont regroupées en différentes classifications. Ces classifications sont regroupées en trois ;
Classification manuelle
Classification Basée Sur les Pixels
- Classification d’image supervisée
- Classification d’image non supervisée
Classification d’image basée sur des caractéristiques ou des objets
Les techniques de classification d’image supervisée et non supervisée sont considérées comme les principales catégories. Supervisé est principalement une classification guidée par l’homme. En revanche, la classification non supervisée est calculée par le logiciel.
1. Classification manuelle
La classification manuelle fait référence à l’interprétation et à la classification des images de télédétection par l’œil humain. Avant le progrès technologique, c’était la principale méthode utilisée pour classer les images. À l’ère de la numérisation, la méthode manuelle s’est intégrée à l’utilisation de l’ordinateur. Il est plus fiable lorsqu’il s’agit de petites superficies géographiques.
2. Classification basée sur les pixels
La classification basée sur les pixels est en outre divisée en deux
Classification d’image supervisée
Comme indiqué ci-dessus, l’imagerie supervisée est principalement une classification guidée par l’homme. Les analystes de l’image humaine jouent un rôle crucial. Ils spécifient les valeurs d’émission par réflexion multispectrale de chaque classe de couverture ou utilisation des terres. En bref, les analystes superviseront le processus de classification des pixels en trois étapes: formation, allocation et test.
La formation permet aux analystes d’identifier un échantillon de pixels d’une appartenance à une classe connue, recueilli à partir de données référencées. Ces données peuvent inclure des photographies aériennes ou des cartes existantes. Les pixels de formation sont utilisés pour dériver diverses statistiques pour chaque classe de couverture terrestre. Au stade de l’allocation, les images sont classées et attribuées aux classes dans lesquelles elles présentent les plus grandes similitudes sur la base des résultats statistiques. Enfin, lors de la phase de test, un groupe de pixels de test est sélectionné et les différentes identités de classe comparées. La comparaison est basée sur les données de référence et les propriétés spectrales de chaque pixel de l’image. Les résultats sont basés sur une matrice d’erreurs en fonction des accords et des désaccords des échantillons de test. À l’issue des trois étapes, un analyste peut évaluer la classification des images pour chaque classe de couverture terrestre.
En dehors de cela, un grand nombre de méthodes de classification supervisées ont été développées. Ces algorithmes incluent;
- Classificateur de Probabilité Maximale
- Classificateur de Distance Minimale par rapport à la moyenne
- Classificateur de Distance de Mahalanobis
- Classificateur de K-Voisins les plus proches
- Machine Vectorielle de support
Classification d’image non supervisée
La classification non supervisée est une classification où les regroupements de pixels ayant des caractéristiques communes sont basés sur l’analyse logicielle d’une image sans que l’utilisateur ne définisse de champs de formation pour chaque classe de couverture terrestre. Tout cela se fait sans l’aide de données de formation ou de connaissances préalables. La responsabilité de l’analyste d’images est de déterminer les correspondances entre les classes spectrales définies par l’algorithme.
Dans la classification non supervisée, il y a deux étapes de base à suivre. Ceux-ci incluent; générer des clusters et attribuer des classes. À l’aide du logiciel de télédétection, un analyste créera d’abord des grappes et identifiera le nombre de groupes à générer. Après cela, ils attribuent des classes de couverture terrestre à chaque cluster. Tout cela est rendu possible par l’utilisation d’algorithmes tels que;
- K – signifie
- Analyse de données Auto-Organisée Itérative (ISODATA)
3. Classification d’image basée sur des objets
Ce type de classification d’image utilise l’utilisation d’objets géographiques comme unité d’analyse de base. Les méthodes basées sur des objets génèrent des objets d’image en segmentant les images et en effectuant une classification sur les objets plutôt que sur les pixels. Ces images sont formées et classées en utilisant différentes méthodes. Ce sont des informations contextuelles spatiales, spectrales, texturales et géographiques de la photographie.
Exemples de classificateurs d’algorithmes basés sur des objets :;
- Segmentation d’image
- Techniques d’analyse d’image basées sur des objets qui incluent l’E-cognition et l’Analyste de fonctionnalités SIG Arc