INTRODUCTION A LA

TELEDETECTION

Classifications

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Région de l’application

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Lancement du programme
• La logiciel Erdas Imagine de
LEICA est un logiciel dédié au
traitement de données graphi-
ques et à l'extraction d'informa-
tions à partir d'images. Il vous
permettra de manipuler et
interpréter les photo aériennes
et images satellitaires.
• Lancer Erdas Imagine :
Démarrer > Programmes >
Leica Geosystems > ERDAS
IMAGINE 8.7 > ERDAS
IMAGINE 8.7.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Valeurs des pixels
• Ouvrir l’image : aster_020112_subset.img.
• Cliquer : bouton Inquire Cursor .
• La fenêtre permet
d’afficher les valeurs
propres (Pixel value) et
à l’affichage (LUT
value), les coordon-
nées cartographiques
du pixel survolé par la
souris (croix).
• Cet outil est très utile
pour faire le lien entre
la couleur à l’affichage
et la valeur des pixels.
• Fermer en cliquant
Close.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Valeurs des pixels
• Cliquer : bouton Profile Tool .
• Cliquer : Spatial.
• Confirmer en cliquant OK.
• Cliquer : bouton Create New Polyline .
• Digitaliser le transect en cliquant une fois sur le bouton gauche
pour inscrire chaque point d’inflexion et deux fois pour terminer.
• Choisir la couche dont le profil doit être affiché.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Classification non supervisée
• L’objectif consiste à regrouper en un certain nombre de
classes, des pixels présentant un comportement
radiométrique similaire dans une image multispectrale.
• Ainsi, on suppose que les valeurs radiométriques
similaires sur les canaux considérés traduisent une
occupation du sol identique.
• Dans le cas d’une classification non supervisée, on ne
connaît pas a priori le nombre et la nature (occupations
du sol) des classes qui vont être construites. Les classes
devront être identifiées et éventuellement généralisées
(simplifiées, regroupées) a posteriori sur base d’une
connaissance du terrain.
• Une telle classification est fréquemment appliquée
préalablement à une classification supervisée.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 Classification non supervisée

Deux méthodes :
– ISODATA (Iterative Self-Organizing Data Analysis
Technique) : Regroupement des pixels de l’image aux
centres de classes, régulièrement distribués dans
l’hyperespace, les plus proches (distance).
• Chaque itération recalcule les centres et
reclassifie les pixels sur base de ces nouveaux
centres.
• Le processus s’arrête lorsque le nombre de pixel
changeant de classe est inférieur à un seuil ou
lorsque le nombre d’itération est atteint.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 ERDAS Classification non supervisée

• Cliquer : Classifier (barre

de menu principale).
• Choisir : Unsupervised
Classification…
• Choisir Input : aster_
020112_subset.img.
• Encoder Output Cluster :
aster_020112_classifns.img
• Encoder Output Signature :
aster_020112_classifns.sig.
• Choisir Nb of Classes : 10.
• Confirmer en cliquant OK.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Classification non supervisée

• Détails :
– Input : Image à classifier,
– Output Cluster Layer : Image classifiée,
– Output Signature Set : Palette associée
à l’image classifiée,
– Initialize from Statistics : Le regroupe-
ment se fait sur des centres automati-
quement sélectionnés,
– Use Signature Means : Le regroupe-
ment se fait sur des centres prédéfinis
(fichier .sig),
– Initializing Options : Paramètres de
distribution des centres,
– Maximum iterations : Nombre maximum
d’itérations,
– Convergence Threshold : Pourcentage
seuil de pixel ne changeant pas de
classe.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 ERDAS Classification non supervisée

• Afficher l’image.
• Une palette de gris est
associée par défaut.
• Les classes doivent être
interprétées par la
confrontation avec les
observations de terrain ou
une analyse spécifique des
valeurs des pixels.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Interprétation des classes
• Lancer : Raster > Attributes…
• Modifier la couleur en cliquant avec le
bouton de droite de la souris sur un élément
de la colonne Color.
• Modifier le nom de la classe en remplaçant
un élément de la colonne Class Names.
• Quelques difficultés qui surviendront lors
d’une classification supervisée sont mises
en évidence.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Interprétation des classes

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Classification supervisée
• L’objectif consiste à rattacher tous les pixels de l’image à
une classe d’occupation du sol identifiée a priori.
• Ainsi, on suppose que les statistiques calculées sur des
échantillons sélectionnés a priori sont représentatives
des classes et suffisantes pour effectuer la discrimination
des pixels.
• Dans le cas d’une classification non supervisée, on
connaît a priori le nombre et la nature (occupations du
sol) des classes qui vont être construites. Les
échantillons sont constitués par des groupes de pixels
de même affectation, identifiés et localisés sur le terrain.
• Il est souvent nécessaire d’utiliser des sous-classes pour
distinguer les variations au sein d’une classe, et une
classe « non classés » pour les zones non identifiées.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 Classification supervisée
• Nature des échantillons (sites d’entraînement) :
– Toutes les classes doivent être représentées par au moins un
site.
– Les variations de la radiométrie selon les conditions du milieu
(exposition, humidité, ombre portée, …) doivent être prises en
compte à l’aide de sous-classes (regroupées après la
classification proprement dite).
– Le nombre de pixel de l’échantillon d’une classe ou d’une sous-
classe doit être suffisant pour calculer des statistiques (> 100
pixels / classe). Il est possible d’avoir de plusieurs sites par
classe.
– Plus le nombre de canaux intervenant dans la classification est
grand, plus il faut de pixels dans l’échantillon (> 10 x nombre de
canaux).

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Classification supervisée
• Localisation des échantillons (sites d’entraînement) :
– Identification et délimitation sur le terrain (GPS) et/ou sur cartes
et images de meilleure résolution..
– Construction d’un fichier vectoriel de polygones d’entraînement
(Tous les polygones se rapportant à une même classe ont le
même identifiant).
• Représentativité des échantillons (sites d’entraînement) :
– L ‘échantillons doivent être les plus purs possibles, et éviter ainsi
les « mixels » mélangeant plusieurs affectations dans un pixel.
– Les échantillons doivent avoir une dimension suffisante
(minimum 9 pixels homogènes) car la signature d’un pixel est
due pour près de 50% aux pixels voisins (difficilté de discriminer
des sites aux affectations ponctuelles ou linéaires).

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Définition des sites
• Lancer : AOI > Tools…
• Détails :
– : Sélectionner,
– : Dessiner une AOI,
– : Supprimer,
– : Corriger une AOI,
• Souris gauche = déplacer,
• Souris milieu = ajouter point,
• Majuscule + Souris milieu =
supprimer point.
– : Générateur semi-automa-
tique d’AOI.
• Cliquer le bouton Create
polygon AOI .

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Définition des sites
• Digitaliser le polygone en cliquant
une fois sur le bouton gauche de la
souris pour inscrire chaque point
d’inflexion et deux fois pour
terminer.
• Il faut digitaliser plusieurs AOI pour
une même classe.
• Cliquer : File > Save > AOI Layer
as… pour sauvegarder un
ensemble d’AOI correspondant à
une même classe.
• Il sera toujours possible de revenir
modifier ou ajouter des sites
ultérieurement.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 ERDAS Définition des sites
• Il est aussi possible de générer
automatiquement une AOI autour d’un
pixel choisi.
• La zone est définie en fonction de
l’écart de la valeur des pixels adja-
cents par rapport au pixel choisi.
• Cliquer : bouton Inquire
Cursor .
• Cliquer : bouton Region
Growing Properties .
• Encoder l’écart par
rapport au pixel choisi.
• Définir la superficie limite
• Cliquer : Grow at Inquire.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Signatures spectrales

• Cliquer : Classifier (barre de

menu principale).
• Choisir : Signature Editor…
• Lancer : Edit > Image
Association.
• Choisir l’image à classifier.
• Sélectionner tous les AOI d’une
même classe.
• Cliquer : bouton Create New
signature(s) .
• Sélectionner les classes et
cliquer : bouton Merge .

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Signatures spectrales
• Supprimer les classes
devenues inutiles en
cliquant bouton droite de
la souris sur la première
colonne et choisir Delete
Selection.

• Modifier la couleur dans la colonne Color, le nom de la classe dans

la colonne Signature Names, la valeur future des pixels associés à
la classe dans la colonne Value.
• Faire de même
pour toutes les
autres classes.
• Sauvegarder.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Classification supervisée

• Lancer : Classify > Supervised.

• Encoder : aster_020112_classif
sup.img.
• Choisir : Feature Space.
• Choisir : Maximum Likehood. • Ces paramètres sont pris par
• Confirmer en cliquant OK. défaut, classifier nécessite une
stratégie de longue haleine
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 ERDAS Classification supervisée
• Suivant les options
choisies, tous les pixels
sont classés.
• La classification mérite
d’être améliorée en :
– Définissant d’autres sites.
– Choisissant d’autres op-
tions.
– Choisissant un autre mode
de classification.
– Classifiant l’image par
partie (masque sur les
classes bien définies).

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Classification supervisée
• Classification par distance minimale
– Le centre d’une classe est défini par les moyennes sur tous les
canaux, des pixels de son échantillon (site). Chaque pixel de
l’image est affecté à la classe dont le centre est le plus proche.
– Cette classification ne prend pas en compte la dispersion propre
à chaque canal et convient principalement lorsque les canaux
sont indépendants (ACP) ou lorsque la représentativité des
échantillons n’est pas assurée (classes et/ou pixels peu
nombreux).
– Une option permet de ne pas classer les pixels dont la distance
au centre est supérieure à une distance (hypersphère) arbitraire
ou fonction de l’échantillon (écart-type). Cette dernière permet
de tenir compte de la position et de la dispersion des classes.
– L’image des règles (Rule Image) reprend la somme des
distances aux centres.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 Classification supervisée
• Classification par parallélogrammes (hyperboîtes)
– Des hyperboîtes (rectangle en 2D, parallèlipipède en 3D, …)
sont constituées en fonction des valeurs extrèmes sur chaque
canal. Chaque pixel est classé dans l’hyperboîte où il se trouve.
– Une option permet de définir que les limites soient fonction des
maximums et minimums ou des écarts-type de l’échantillon.
– Cette classification est rapide mais peu efficace. Elle ne tient pas
compte de la forme de nuages allongés de manière non
parallèle aux axes, et admet des superpositions entre les
hyperboîtes (application de la distante minimale aux centres des
classes concurentes).
– L’image des règles (Rule Image) reprend le nombre de bandes
qui ont satisfait aux critères des parallèlipipèdes.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Classification supervisée
• Classification par maximum de vraisemblance
– Suivant l’hypothèse que les statistiques de chaque classe pour
chaque canal ont une distribution normale, la probabilité
conditionnelle d’appartenance à chaque classe est calculée pour
chaque pixel. Ces dernier sont ensuite classés selon la
probabilité maximale d’appartenance.
– Cette classification basée sur une multinormalité multivariée,
nécessite des échantillons purs et contenant de nombreux
pixels.
– Une option permet de ne pas prendre en compte les faibles
valeurs de probabilité (seuil). Les pixels en cause ne sont pas
classés.
– L’image des règles (Rule Image) reprend la probabilité des
pixels d’appartenance à une classe.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 Contrôle de la classification
• Le contrôle de la classification se fait sur base d’un
échantillon de pixels vérifiés sur le terrain.
• L’échantillonnage se fait sur l’ensemble de l’image (et
pas uniquement dans les sites d’entraînement)
– Avec une distribution spatiale aléatoire et une distribution par
classe aléatoire, proportionnelle ou égale.
– Avec une distribution spatiale systématique (quadrillage).
– Avec une distribution spatiale fonction des données à disposition
(fonction du trajet de la mission de terrain)
• Le nombre de pixels de l’échantillon est compris entre 30
et 60 selon la couverture relative de chaque classe.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Contrôle de la classification

• Cliquer : Classifier (barre

de menu principale).
• Choisir : Accuracy Assess-
ment…
• Lancer : File > Open...
• Choisir l’image classifiée.
• Lancer : Edit > Create /
Add Random Points…
• Choisir le nbre de points.
• Choisir le mode de distri-
bution des points.
• Confirmer en cliquant OK.

Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›

 ERDAS Contrôle de la classification
• Se rendre sur le terrain sur les
sites définis par les coordon-
nées des colonnes X et Y.
• Remplir la colonne Reference
sur base des observations.
• Lancer : Report > Accuracy
Mal classé Report...
• Construction d’une matrice de
confusion croisant les données
classées et les relevés sur le
terrain. Ceci permet la mise en
évidence la qualité de la
classification et plus spécifi-
quement des classes.
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›
 Stratégies de classification
• Dans le cas d’un résultat insuffisant lors du contrôle de
la classification, une évaluation de la stratégie suivie doit
être effectuée afin d’améliorer la classification.
• Il est possible de suivre une autre stratégie :
– Classification par masques (masquage des eau, végétation, ...,
application de procédures de classification distinctes sur les
différents masques).
– Classification par zones (segmentation, classifications non
supervisées, caractérisation, résultat).
– Classification floue supervisée (évaluation de l’incertitude de la
classification, abandon d’une règle de décision stricte).
– Classification multi-dates (exploitation de l’évolution des
signatures spectrale de la végétation (cultures) entre les saisons
d’une même année).
Marc Salmon Université Mohammed Ier d’Oujda 08.06.2005 - ‹#›