Tldtection, la classification des images

Traitement d'image, notions introductives

Retraitement- corrections radiomtriques et gomtriques.

Amlioration- amlioration du contraste et le filtrage.
Transformation- oprations arithmetiques, rapports spectraux, lanalyse des composantes
principales, transformations colorimtriques.
Classification et analyse- non supervise, supervis, hybride, semi-supervis.

La classification des images

La classe d'objets (thme)

Classification
La classe spectrale
La segmentation spectrale
La segmentation spatiale
Les objetifs des classifications sont: la simplification radiomtrique, la simplification de la
distribution spatiale du radiometrie et lextraction d'information thmatique pour faire des cartes.

La segmentation spatiale

L'identification et d'extraction des limites au format vectoriel et d'obtenir une nouvelle couche
thmatique.
La segmentation du territoire en objets .
La cration de sous-objects dans les limites sur la base similitude radiomtrique des pixels.

Les valeurs de pixels ou caractristiques statistiques d'objets peuvent tre donnees dentr dans
les algorithmes de classification.
Algorithme: squence dtermine par des prescriptions prcises, visant rsoudre une probleme
du classe aprs un nombre fini d'tapes, rendu dans la squence de temps.
La segmentation spatiale est obtenue par l'identification des programmes spcifiques de formes,
de similitude radiomtrique de pixels adjacents, analyse dans le contexte des statistiques locales
ou rgionales une distance donne du pixel "central".
Chaque application ncessite rsolutions spcifiques, conformment l'objectif vis.

La classification nonsupervise

-est l'oppos de la classification supervise

-classes spectrales sont spares exclusivement par des moyens statistiques
-analyste relie chaque classe spectrale d'une classe thematique
-cluster algorithms dterminent les groupes statistiques ou les structures des donnes analyses
Principe: lagrgation des valeurs de pixels dans l'espace radiomtrique autour de la milieu la
plus proche, en fonction dune distance euclidienne. Le nombre de classes dpend du nombre de
centres placs au dbut de la classification.
Les tapes de travail:
-introduction de centres initiales dans lespace radiomtrique
-le calcul des distances entre chaque pixel et tous les centres
-le calcul du centre de gravit de la nouvelle classe obtenue
Avantages:
-ne ncessite pas d'informations sur la zone
-rduire l'erreur humaine
-chaque classe est une unit thmatique distincte
Inconvnients:

-discerne classes spectrales homognes qui ne correspondent pas ncessairement populaire aux
classes thmatiques trouves par lanalyste
-lanalyste a un contrle limit sur la structure et l'identit
-proprits spectrales spcifiques de chaque classe se change en temps

La classification supervise

Principe: lanalyste d'identifier des zones homognes sur les images reprsentant des diffrentes
classes / informations thmatiques. Ces zones sont appeles training areas.
Etapes:
-spcifiant training areas
-evaluation de la qualit des echantillons utilisant des moyens statistiques
-algorithmes dterminent et caractrisent spectrales et statistique les zones de contrle
- chaque pixel est compare la signature spectrale et statistique de la zone de contrle
Avantages:
-lanalyste contrle linformation thematique en conformit avec la rgion spcifique et des
objectifs
-reudire de la erreure de relocalisation statistique

Inconvnients:
-training areas peuvent ne pas tre reprsentatifs pour toutes les conditions nonces dans le
tableau d'ensemble
- lanalyste pourrait ignorer catgories individuelles qui ne sont pas dans les zones de contrle

La classification semi-supervis

Principe: regroupement par l'analyste de certaines classes selon les connaissances obtenues dans
les zones d'chantillonnage partir du terrain.

Les etapes de travail:

- introduction de valeurs radiomtriques
- le calcul des distances entre chaque pixel
-le calcul du centre de gravit de la nouvelle classe obtenue