Classification grossière par radiométrie et texture - Université Jean ...
Classification grossière par radiométrie et texture - Université Jean ...
Classification grossière par radiométrie et texture - Université Jean ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Sigrid GIFFON<br />
Université <strong>Jean</strong> Monn<strong>et</strong><br />
Ecole Nationale d’Ingénieurs – Saint Etienne<br />
Rapport de Stage<br />
DESS SIG <strong>et</strong> Gestion de l’Espace<br />
<strong>Classification</strong> grossière <strong>par</strong> radiométrie<br />
<strong>et</strong> <strong>texture</strong><br />
en zones agricoles, au Sud de Troyes <strong>et</strong> de Toulouse<br />
Laboratoire MATIS – IGN<br />
(Méthodes d'Analyses <strong>et</strong> de Traitement d'Images pour la Stéréo-restitution)<br />
Mars-Juill<strong>et</strong> 2004<br />
Dirigé <strong>par</strong><br />
Roger TRIAS SANZ (IGN)<br />
Thierry JOLIVEAU (Université de Saint Etienne)<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 1
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Remerciements<br />
Je tiens à remercier toutes les personnes qui m’ont apporté de l’aide pour<br />
ce stage :<br />
Tout d’abord, Roger TRIAS SANZ, mon tuteur, pour m’avoir permis de<br />
faire ce stage, pour m’avoir aidée méthodologiquement tout au long du<br />
stage, pour sa présence, pour ses explications techniques, pour sa<br />
disponibilité <strong>et</strong> pour m’avoir laissée assez libre dans l’élaboration de mon<br />
stage.<br />
Le personnel scientifique, technique <strong>et</strong> administratif du laboratoire MATIS,<br />
surtout Dider BOLDO, chef du laboratoire, <strong>et</strong> <strong>par</strong>ticulièrement les<br />
personnes travaillant au bureau 217 du bâtiment M, Gilles MARTINOTY <strong>et</strong><br />
Olivier TOURNAIRE, pour leurs aides <strong>et</strong> conseils de tout ordre, sans<br />
oublier François BOYERO.<br />
<strong>Jean</strong> Philippe SOUCHON, du laboratoire LOEMI, pour sa disponibilité lors<br />
de sa présentation des caméras argentiques <strong>et</strong> numériques de l’IGN.<br />
Thierry JOLIVEAU pour ses conseils dans les temps difficiles du début.<br />
David LANDGREBE <strong>et</strong> Larry BIEHL, développeurs du logiciel MultiSpec,<br />
qui n’ont pas hésité à répondre à mes questions d’utilisatrice de ce<br />
logiciel.<br />
Une pensée toute <strong>par</strong>ticulière à mes <strong>par</strong>ents <strong>et</strong> à Benjamin.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 2
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
« Il faut rappeler aux nations croissantes<br />
qu'il n'y a point d'arbre dans la nature qui,<br />
placé dans les meilleurs conditions de lumière,<br />
de sol <strong>et</strong> de terrain, puisse grandir <strong>et</strong><br />
s'élargir indéfiniment »<br />
Paul Valéry,<br />
Regards sur le monde actuel.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 3
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Liste des abréviations<br />
ACP :<br />
BD :<br />
CCD<br />
CP :<br />
DESS :<br />
DGI :<br />
ENSG :<br />
IGN :<br />
MATIS :<br />
MNE :<br />
MNT :<br />
MORIS :<br />
Ndg :<br />
PIR :<br />
RGE :<br />
RVB :<br />
SAU :<br />
SIG :<br />
STH :<br />
Analyse en Composantes Principales<br />
Base de Données<br />
Charge-Coupled Device (Dispositif à Couplage de Charge)<br />
Composante(s) Principale(s)<br />
Diplôme d’Etude Supérieur Spécialisé<br />
Direction Générale des Impôts<br />
Ecole Nationale des Sciences Géographiques<br />
Institut Géographique National<br />
Méthodes d’Analyse <strong>et</strong> de Traitement d’Images pour la Stéréorestitution<br />
Modèle Numérique d’élévation<br />
Modèle Numérique de Terrain<br />
MOdélisation Radiométrique des Images<br />
Niveaux de gris<br />
Proche InfraRouge<br />
Référentiel à Grande Echelle<br />
Rouge, Vert, Bleu<br />
Surfaces Agricoles Utiles<br />
Système d’Information Géographique<br />
Surfaces Toujours en Herbe<br />
Dans ce rapport, les mots en italique<br />
sont définis dans un glossaire en p 170.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 4
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Résumé<br />
L'IGN a pour mission la production <strong>et</strong> la mise à jour de la documentation <strong>et</strong> de<br />
l'information géographique institutionnelle (élaboration du Référentiel à Grande échelle ; cartes<br />
topographiques ; géodésie <strong>et</strong> nivellement ; réseau de photographies aériennes du territoire national<br />
à des fins géographiques ; ...).<br />
Les orthophotographies aériennes conçues, traitées <strong>et</strong> produites à l’IGN sont à la base de<br />
nombreux travaux <strong>et</strong> recherches, présent <strong>et</strong> futurs de l’Institut Géographique National qu’il<br />
s’agisse :<br />
- des cartes topographiques au 1/25 000 ème <strong>et</strong> au 1/50 000 ème ,<br />
- de la BD Ortho. La production <strong>et</strong> la mise à jour de la BD Ortho fait <strong>par</strong>tie des 4 points<br />
fondamentaux du RGE.<br />
La classification des photographies numériques orthorectifiées peut, dans un futur plus ou<br />
moins proche, servir en cartographie des zones végétales, établies dans la nomenclature IGN. Ce<br />
rapport de stage s’inscrit dans la reconstitution automatique ou semi-automatique de la couche<br />
« végétation » des cartes topographiques. C<strong>et</strong>te couche correspond aux Bois <strong>et</strong> forêts, aux<br />
Broussailles, aux Vergers <strong>et</strong> plantations, aux Vignes, … représentés <strong>par</strong> des trames de couleur<br />
verte sur les cartes IGN au 1/25 000 ème , Série Bleue, <strong>et</strong> aux zones agricoles, représentée <strong>par</strong> la<br />
trame blanche.<br />
A l’aide de trois séries de données photographiques en région rurale (1. près de Troyes ; 2a.<br />
près de Toulouse, avant correction radiométrique ; 2b. la même scène, après correction<br />
radiométrique), le but de ce stage est de détecter les zones végétales de ces 3 scènes, en faisant<br />
des classifications dirigées. Ces classifications sont faites suivant un algorithme optimal<br />
(vraisemblance gaussienne maximum ou vraisemblance quadratique), d'après des <strong>par</strong>celles<br />
d'entraînement <strong>et</strong> des <strong>par</strong>celles test, délimitées sous GéoConcept.<br />
Grâce aux bandes spectrales des caméras de prise de vue IGN, allant du bleu au rouge pour<br />
les caméras argentiques <strong>et</strong> du bleu au proche infrarouge pour les caméras numériques, de nouveaux<br />
canaux sont calculés au laboratoire MATIS de l’IGN (Méthode d’Analyse <strong>et</strong> de Traitement<br />
d’Image pour la Stéréorestitution). Ces nouveaux canaux sont essentiellement des canaux de<br />
couleur (canaux calculés dans un espace de couleur dérivé) ou des canaux de <strong>texture</strong>.<br />
Parmi ces nouveaux canaux, il faut essayer de déterminer les plus discriminants pour les<br />
classifications, en faisant intervenir :<br />
- des traitements statistiques (histogrammes de fréquence à une, deux ou trois<br />
dimensions ; Analyse en Composantes Principales),<br />
- des classifications sur un canal, effectuées à l'aide d'un logiciel gratuit, MultiSpec.<br />
Les meilleures combinaisons des canaux perm<strong>et</strong>tent les meilleures classifications, donc, la<br />
meilleure cartographie. La qualité des classification peut être évaluée à l’aide d’indices de qualité<br />
(précision totale <strong>et</strong> précision globale) <strong>et</strong> de matrices de confusion.<br />
L’objectif de ce rapport de stage est donc de m<strong>et</strong>tre en évidence l'intérêt de ces nouveaux<br />
canaux pour les classifications, <strong>par</strong> rapport au canaux radiométriques rouge, vert, bleu classiques,<br />
mais aussi l'intérêt du canal proche infrarouge <strong>et</strong> l’intérêt des caméras numériques sur les caméras<br />
argentiques.<br />
Mots clé : Institut Géographique National, Orthophotographies, <strong>Classification</strong>s dirigées,<br />
Traitement d'image, Radiométrie, Texture.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 5
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau Récapitulatif :<br />
Qualité des classifications<br />
(% de pixels bien classés)<br />
Troyes<br />
Toulouse corrigé<br />
Toulouse non<br />
corrigé<br />
Parcelles<br />
d’entraîne<br />
ment<br />
Parcelles<br />
test<br />
Parcelles<br />
d’entraîne<br />
ment<br />
Parcelles<br />
test<br />
Parcelles<br />
d’entraîne<br />
ment<br />
Parcelles<br />
test<br />
RVB 83,5% 75,2% 74,5% 77,7% 76% 74%<br />
RVB PIR - - 81,7% 87% 86,8% 86,4%<br />
Nouveaux<br />
Canaux<br />
(<strong>texture</strong> <strong>et</strong><br />
couleur)<br />
86,4% 81,6% 88,9% 85,1% 88,7% 86,7%<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 6
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1 ère <strong>par</strong>tie : Introduction<br />
Problématique, contexte, objectifs<br />
Etudiante au DESS SIG <strong>et</strong> Gestion de l’Espace de l’université <strong>Jean</strong> Monn<strong>et</strong><br />
de Saint Etienne, promotion 2003-2004, je présente dans ce rapport mes travaux<br />
réalisés pendant cinq mois de stage au laboratoire MATIS (Méthodes d’Analyse <strong>et</strong><br />
de Traitement d’Image pour la Stéréorestitution) de l’IGN, basé sur le site de<br />
Saint Mandé (94).<br />
I. Problématique<br />
Le but de ce stage est de cartographier l’occupation du sol de régions<br />
agricoles <strong>et</strong> non agricoles, en s’intéressant <strong>par</strong>ticulièrement à la problématique<br />
végétale. Pour ce faire, la télédétection est utilisée en effectuant des<br />
classifications dirigées grossières pixel à pixel, de photographies IGN<br />
orthorectifiées à haute résolution spatiale (50 cm à 2 mètres). Ces<br />
orthophotographies se trouvent en milieu rural, près de Troyes <strong>et</strong> Toulouse. A<br />
c<strong>et</strong>te fin, j’utilise des canaux de radiométrie de base : bleu, vert, rouge (<strong>et</strong> le<br />
proche infrarouge pour les images de Toulouse). Il ne s’agit donc pas de faire une<br />
cartographie détaillée (ou fine) <strong>par</strong> distinction de types de cultures <strong>par</strong> exemple,<br />
mais de déterminer des grands types de régions.<br />
La problématique <strong>et</strong> le contexte du suj<strong>et</strong> de stage déterminent le nombre <strong>et</strong><br />
la nature des classes à cartographier. Me basant sur les trames des cartes IGN<br />
au 1/25 000 ème (figure 1), les classes r<strong>et</strong>enues se découpent en 4<br />
groupes (tableau 1) : les classes végétales <strong>et</strong> non végétales, les classes agricoles<br />
<strong>et</strong> non agricoles. Cependant, certaines classes présentes sur les trames IGN<br />
n’existent pas sur les images à traiter : il n’est donc pas utile de les prendre en<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 7
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
compte dans les classifications (le sable sec, la végétation aquatique). De plus, la<br />
distinction entre bois de feuillus <strong>et</strong> bois de conifères n’est pas faite car :<br />
- ils ne sont pas distingués à Mur<strong>et</strong> (figure 1a, trames correspondant à la carte<br />
où se situe la série d’images intitulée Toulouse),<br />
- il n’y a que des bois de feuillus sur la série d’images de Troyes, d’après la<br />
carte topographique.<br />
Les différences de trames <strong>et</strong> les différences de teintes (les verts ne sont pas<br />
tout à fait les mêmes), présentées <strong>par</strong> la figure 1a <strong>et</strong> 1b, s’expliquent car il ne<br />
s’agit pas de la même série d’impression (les cartes de Toulouse, figure 1a, sont<br />
d’une série plus récente que les cartes de Troyes, figure 1b), même s’il s’agit de la<br />
série Bleue IGN dans les deux cas.<br />
a.<br />
b.<br />
Figure 1 : Extrait de la légende d’une carte IGN Série Bleue au 1/25 000 ème<br />
a. Trames de la carte n° 2044E, Mur<strong>et</strong>, 1993-1999<br />
b. Trames de la carte n° 2817O, Troyes, 1954-1994.<br />
Tableau 1 : Nomenclature des classes r<strong>et</strong>enues pour les images de Troyes <strong>et</strong> de<br />
Toulouse<br />
Classes végétales<br />
Classes non végétales<br />
Classes agricoles<br />
Classes non agricoles<br />
Champs <strong>et</strong> prairies<br />
Vergers<br />
Vignes<br />
Broussailles,<br />
Bois <strong>et</strong> forêts<br />
Haies<br />
Autre végétation (clairière)<br />
Terres arables<br />
Bitume<br />
Bâti<br />
Eau<br />
Sable humide<br />
Carrières<br />
Sols nus<br />
En gras, les classes qui intéressent la problématique de ce stage. Les autres classes sont<br />
tout de même r<strong>et</strong>enues <strong>et</strong> seront recherchées <strong>par</strong> la classification pour ne pas qu’elle soit<br />
biaisée.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 8
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
En tout, 14 classes seront à distinguer. Elles ne sont pas les mêmes pour<br />
les deux séries d’images : 7 classes sont r<strong>et</strong>enues pour Troyes, 12 classes sont<br />
r<strong>et</strong>enues pour Toulouse.<br />
Les classes agricoles correspondent assez précisément à la Surface<br />
Agricole Utile (SAU) ; elles comprennent à la fois :<br />
- des zones cultivées (des zones en activité chlorophyllienne : prairies, champs<br />
céréaliers, vignes, vergers),<br />
- des zones non cultivées (terres arables) ;<br />
Les classes non agricoles comprennent :<br />
- des zones minérales (bitume, bâti, sable)<br />
- des zones en eau (lacs, rivières)<br />
- des zones végétales (bois, broussailles, haies, clairières)<br />
L’utilisation de canaux texturaux <strong>et</strong> de nouveaux canaux de couleur, en<br />
plus des canaux de radiométrie classiques, va aider à faire c<strong>et</strong>te cartographie. Il<br />
faudra au préalable sélectionner les meilleurs canaux pour faire les meilleures<br />
classifications.<br />
Pour ce faire, j’ai à ma disposition l’ensemble des données présentes au<br />
laboratoire MATIS, à savoir :<br />
- des orthophotographies aériennes IGN ;<br />
- un programme perm<strong>et</strong>tant de visualiser les histogrammes de distribution des<br />
soixante canaux, en 3 dimensions ;<br />
- l’ensemble de la documentation <strong>et</strong> des connaissances se trouvant dans les<br />
locaux du laboratoire, …<br />
Je souhaite aussi voir si les classifications faites à l’aide de caméras<br />
numériques IGN, possédant les canaux RVB <strong>et</strong> PIR (images de Toulouse), sont<br />
améliorées <strong>par</strong> rapport aux caméras argentiques IGN (images de Troyes),<br />
possédant seuls les canaux RVB, <strong>et</strong> perm<strong>et</strong>tent ainsi une meilleure cartographie.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 9
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Ce rapport s’articule en 3 <strong>par</strong>ties :<br />
1) après avoir dressé le contexte du stage, la méthode choisie pour faire des<br />
classifications sera explicitée,<br />
2) puis des classifications à <strong>par</strong>tir des canaux radiométriques de base (RVB <strong>et</strong><br />
PIR) seront faites,<br />
3) enfin la méthode pour choisir les meilleurs canaux de <strong>texture</strong> <strong>et</strong> les canaux<br />
calculés dans un espace de couleur dérivé sera expliquée ; de nouvelles<br />
classifications seront faites en s’attachant, à chaque fois, à faire ressortir la<br />
qualité des classifications à l’aide d’indices de qualité <strong>et</strong> de matrices de<br />
confusion.<br />
II.<br />
Contexte institutionnel<br />
Mon travail au sein du laboratoire MATIS porte sur l’assistance<br />
méthodologique auprès d’un étudiant en thèse à l’Université Paris V, Roger Trias<br />
Sanz, également mon tuteur de stage. Son suj<strong>et</strong> de thèse porte sur : la mise à<br />
jour automatique de données d'occupation du sol <strong>par</strong> des méthodes<br />
d'analyse d'image.<br />
En s’appuyant sur des données cadastrales, certaines classes comme le bâti ou<br />
le bitume, précitées dans la problématique, peuvent être déduites directement,<br />
en utilisant un masque ; ces classes n’intéressent donc pas mon tuteur. Elles<br />
doivent cependant être modélisées dans mes propres classifications, pour ne pas<br />
que celles-ci soient biaisées.<br />
Ce stage s’articule de façon plus générale dans les objectifs du laboratoire<br />
MATIS, à savoir la mise à jour <strong>et</strong> la validation de la base de données<br />
topographiques de l’IGN <strong>et</strong> l’accélération de l’obtention de la couche de<br />
végétation (trames vertes <strong>et</strong> blanche 1 ) pour la production des cartes<br />
topographiques, de manière automatique ou semi-automatique.<br />
1 Sur les cartes topographiques IGN au 1/25 000 ème , Série Bleue, les trames vertes correspondent<br />
aux Bois <strong>et</strong> forêts, aux Broussailles, aux Vergers <strong>et</strong> plantations, aux Vignes, … (figure 1) <strong>et</strong> la<br />
trame blanche correspond aux zones agricoles, cultivées ou non. Ces trames agricole ne peuvent<br />
être distinguées car elles évoluent très rapidement, d’une année sur l’autre, plus vite que la mise à<br />
jour des cartes elles-mêmes.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 10
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Pour bien comprendre dans quel environnement se déroule mon stage,<br />
j’expose brièvement ci-dessous son contexte institutionnel, à savoir l’IGN, la<br />
recherche à l’IGN, le cadastre <strong>et</strong> le RGE.<br />
II.1 L’IGN <strong>et</strong> ses missions<br />
L’IGN est un établissement public administratif (EPA), crée en 1940 <strong>par</strong> le<br />
régime de Vichy 2 (voir annexe 1). Placé tour à tour sous la tutelle du ministère<br />
des travaux publics devenu ministère de l’équipement, du ministère de<br />
l’environnement <strong>et</strong> du cadre de vie, l’IGN dépend, depuis 2000, du ministère de<br />
l’aménagement du territoire <strong>et</strong> de l’environnement.<br />
L’IGN a pour missions, <strong>par</strong> le Décr<strong>et</strong> numéro 81-505 du 12 mai 1981 :<br />
• D'exécuter sur le territoire national, les travaux nécessaires à l'implantation <strong>et</strong> à<br />
l'entr<strong>et</strong>ien d'un réseau géodésique <strong>et</strong> d'un réseau de nivellement de précision, à<br />
la couverture photographique aérienne, à l'établissement <strong>et</strong> à la tenue à jour<br />
des cartes topographiques de base <strong>et</strong> des cartes dérivées ;<br />
• D'accomplir des travaux relatifs à la télédétection aérienne <strong>et</strong> spatiale à<br />
caractère géographique , à la numérisation des données cartographiques <strong>et</strong> à<br />
l'élaboration des cartes thématiques ;<br />
• D'effectuer les recherches d'intérêt général correspondant aux activités<br />
mentionnées ci-dessus ;<br />
• D'établir, de publier <strong>et</strong> de diffuser, sous forme graphique, photographique ou<br />
numérique, les documents correspondants ;<br />
• De gérer la documentation liée aux activités définies ci-dessus, notamment celle<br />
du centre de documentation de photographie aérienne institué <strong>par</strong> le décr<strong>et</strong> n°<br />
46.1282 du 29 mai 1946 ;<br />
• De diriger les activités de l'école nationale des sciences géographiques (ENSG),<br />
dans les conditions fixées <strong>par</strong> un arrêté du ministre de l'environnement <strong>et</strong> du<br />
cadre de vie <strong>et</strong> du ministre chargé du budg<strong>et</strong> ;<br />
2 Le service géographique de l’armée a été supprimé à c<strong>et</strong>te date au profit de l’IGN, organisme civil.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 11
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• De coordonner <strong>et</strong> de contrôler, avec le service du cadastre, les travaux de levés<br />
de plans entrepris <strong>par</strong> les collectivités <strong>et</strong> services publics dans les conditions<br />
précisées <strong>par</strong> un arrêté des mêmes ministres.<br />
Source : Site de l’IGN, www.ign.fr, 2004.<br />
L’IGN comprenait 1 800 agents permanents environ au 1 er janvier 2004. Il<br />
dispose, outre de son siège administratif à Paris-Grenelle, des sites de Saint-<br />
Mandé (services de la recherche, production <strong>et</strong> publications, cartothèque,<br />
photothèque), de Marne-la-Vallée (ENSG), de Creil (aviation), de Toulouse ainsi<br />
que de 6 centres interrégionaux <strong>et</strong> de 17 agences régionales, y compris dans les<br />
DOM TOM.<br />
II.2 Le service recherche à l’IGN<br />
Le service de la recherche à l’IGN comprend 4 laboratoires aux objectifs différents<br />
mais complémentaires :<br />
- le MATIS<br />
- le COGIT<br />
- le LOEMI<br />
- le LAREG<br />
II.2.1 Le laboratoire MATIS<br />
A. Présentation du MATIS<br />
Le MATIS (Méthodes d'Analyses <strong>et</strong> de Traitement d'Images pour la Stéréorestitution,<br />
12 agents, 9 doctorants, 11 chercheurs, au 1 er janvier 2004) étudie<br />
des méthodes d'analyses d'images. Les recherches portent sur les photographies<br />
aériennes <strong>et</strong> visent à détecter <strong>et</strong> restituer les éléments du paysage, généralement<br />
en 3 dimensions, <strong>par</strong> stéréoscopie.<br />
L'IGN, en tant que producteur de cartes <strong>et</strong> de bases de données topographiques, a<br />
de gros besoins dans le domaine de l'aide à la restitution de données<br />
géographiques à <strong>par</strong>tir d'images numériques. En eff<strong>et</strong>, une très large <strong>par</strong>t des<br />
données provient d'une saisie manuelle à <strong>par</strong>tir de couples stéréoscopiques<br />
d'images aériennes. Toute contribution pour alléger la charge de travail de saisie<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 12
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
est souhaitable pour réduire les coûts <strong>et</strong> les délais. (Source : extrait du site de l’IGN<br />
sur les fonctions du MATIS, http://recherche.ign.fr/activ/matis.html, 2004).<br />
B. Les thèmes de recherche<br />
- L’interprétation de scènes,<br />
- La reconnaissance <strong>et</strong> la restitution d’obj<strong>et</strong>s géographiques,<br />
- Leur mise à jour.<br />
Les recherches au MATIS répondent aux besoins du référentiel à grande échelle<br />
(RGE) <strong>et</strong> s'articulent actuellement autour de quelques thèmes principaux :<br />
- L'extraction <strong>et</strong> restitution du bâti,<br />
- La détection de changements pour la mise à jour de bases de données<br />
topographiques,<br />
- L’évaluation <strong>et</strong> qualité des données 3D,<br />
- Les Modèles Numériques d’Elévation (MNE),<br />
- La lecture automatique couplée des cartes <strong>et</strong> des images,<br />
- La radiométrie.<br />
C. La radiométrie au MATIS<br />
Description <strong>et</strong> objectifs scientifiques :<br />
- Modéliser les capteurs numériques de l'IGN aussi bien actuels qu'en cours de<br />
développement. Il s'agit de lier la valeur d'un pixel à l'albédo de la zone au sol<br />
correspondante. Ceci suppose donc la connaissance d'un modèle de la<br />
caméra <strong>et</strong> de l'atmosphère.<br />
- Calculer de « vraies » orthoimages (avec bâtiments redressés) en améliorant<br />
la fusion des données des différentes images, en utilisant les MNE (Modèle<br />
Numériques d’Elévation) issus des nouveaux algorithmes <strong>et</strong> en réduisant les<br />
eff<strong>et</strong>s d’ombrage.<br />
D. Le matériel à disposition<br />
Dans les locaux du laboratoire MATIS, 18 ordinateurs de type Pentium IV, sont à<br />
disposition pour l’ensemble du personnel (chercheurs, thésards, stagiaires), sous<br />
station Windows <strong>et</strong> Linux, ainsi qu’une imprimante couleur A3.<br />
II.2.2 Le laboratoire LOEMI<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 13
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
A. Présentation<br />
Laboratoire d'Optique, d'Electronique <strong>et</strong> de Micro-Informatique (4 agents, 1<br />
doctorant, 3 chercheurs, au 1 er janvier 2004). Le LOEMI est un laboratoire<br />
d'instrumentation dont les axes de recherche sont dictés <strong>par</strong> les besoins de l'IGN<br />
en terme d'instrumentation spécifique <strong>et</strong> de compétences de personnel.<br />
Situé dans les mêmes locaux que le laboratoire MATIS 3 , il travaille en étroite<br />
collaboration avec celui-ci.<br />
B. Les thèmes de recherche<br />
- Photogrammétrie (réalisation de caméras numériques, étude des<br />
systématismes des prises de vue aériennes).<br />
- Métrologie <strong>et</strong> positionnement (télémétrie LASER aéroportée à champ large,<br />
altimétrie GPS).<br />
- Instrumentation pour la géophysique<br />
C. Domaines de compétence<br />
- Caméras CCD à usage scientifique de grand format,<br />
- Modulation électro-optique de faisceaux laser,<br />
- Lasers impulsionnels utilisés en métrologie, instrumentation aéroportée,<br />
- Automatismes, électronique.<br />
II.2.3 Le laboratoire COGIT<br />
A. Présentation du COGIT<br />
Le COGIT (Conception Obj<strong>et</strong> <strong>et</strong> Généralisation de l'Information Topographique, 6<br />
agents, 12 doctorants, 6 chercheurs, au 1 er janvier 2004) étudie les<br />
problématiques liées à l'utilisation des données topographiques vectorielles,<br />
structurées sous la forme de bases de données.<br />
B. Les thèmes de recherche<br />
- Amélioration des bases de données géographiques (gestion des évolutions,<br />
unification, qualité, modélisation unifiée, procédures de mises à jour),<br />
- Facilitation de leur utilisation (dérivation, accessibilité, représentation<br />
cartographique, utilisation pour des applications géographiques thématiques).<br />
3 Site de Saint Mandé, Bâtiment M, 2 ème étage.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 14
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- L’accès aux données dérivées (Interfaces Homme Machine, métadonnées, …),<br />
- L’adaptation des données aux risques,<br />
- L’automatisation de la généralisation,<br />
- La cartographie de la BDPays.<br />
C. Domaines de compétence<br />
- La modélisation de bases de données (2D, 3D),<br />
- Les probabilités <strong>et</strong> les statistiques,<br />
- L'analyse spatiale,<br />
- La conception d'algorithmes de transformation géométrique,<br />
- L'intelligence artificielle (l'apprentissage, les agents, l'organisation des<br />
connaissances),<br />
- La cartographie numérique.<br />
II.2.4 Le laboratoire LAREG<br />
A. Présentation<br />
LAboratoire de REcherche en Géodésie (8 agents, 5 doctorants, 6 chercheurs, au<br />
1 er janvier 2004).<br />
B. Les thèmes de recherche<br />
Le LAREG est spécialisé dans la détermination de références géodésiques <strong>et</strong><br />
altimétriques. Les recherches sont menées en <strong>par</strong>tenariat étroit avec le service de<br />
géodésie <strong>et</strong> nivellement de l’IGN.<br />
C. Domaines de compétence<br />
L'IGN, <strong>par</strong> l'intermédiaire du LAREG, est impliqué depuis de nombreuses années<br />
dans les activités du Service International de Rotation de la Terre (IERS), en<br />
<strong>par</strong>ticulier dans celles concernant la réalisation du Système International de<br />
Référence Terrestre (ITRS).<br />
II.3 Le cadastre <strong>et</strong> la DGI<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 15
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Le cadastre est un document cartographique élaboré <strong>par</strong> la DGI (Direction<br />
Générale des Impôts). Il détermine les valeurs locatives qui servent de base à<br />
l’assi<strong>et</strong>te de la fiscalité directe locale, recense les terrains <strong>et</strong> les constructions,<br />
établit <strong>et</strong> m<strong>et</strong> à jour le plan cadastral [Source : Direction Générale des Impôts,<br />
http://www.impots.gouv.fr/portal/dgi/, 2004]. Le cadastre est actuellement le seul<br />
plan <strong>par</strong>cellaire à grande échelle couvrant la totalité du territoire national.<br />
II.4 Le RGE<br />
L’IGN est chargé d’élaborer le RGE, ou Référentiel à Grande Echelle, en<br />
<strong>par</strong>tenariat avec la DGI. Le RGE prône l’harmonisation des données<br />
géographiques. Il est constitué de 4 composantes métriques, cohérentes <strong>et</strong><br />
superposables :<br />
- La composante image : BD ORTHO<br />
- La composante topographique : BD TOPO<br />
- La composante <strong>par</strong>cellaire : BD PARCELLAIRE<br />
- La composante adresse : BD ADRESSE<br />
Source : Site de l’IGN, www.ign.fr, 2004.<br />
A la suite d'une décision interministérielle du 19 février 2001, la DGI a<br />
signé une convention de collaboration avec l’IGN en vue de l'élaboration du RGE.<br />
La DGI fournira à l'IGN le plan cadastral numérisé, sous forme de vecteur ou<br />
d'image, pour la constitution de la composante <strong>par</strong>cellaire <strong>et</strong> inversement.<br />
C’est la composante image qui m’intéresse pour mon stage. En eff<strong>et</strong>, le<br />
travail de mon tuteur au MATIS est inscrit dans la facilitation d’accès <strong>et</strong> la mise à<br />
jour du RGE.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 16
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
III.<br />
Les données <strong>et</strong> leur acquisition<br />
Les données utilisées pour c<strong>et</strong>te cartographie de zones agricoles sont<br />
essentiellement des orthophotographies prises <strong>par</strong> les caméras de l’IGN. Dans le<br />
<strong>par</strong>agraphe ci-dessous, le mode d’acquisition des données photographiques de<br />
l’IGN est explicité, en décrivant succinctement le fonctionnement des caméras<br />
argentiques <strong>et</strong> numériques 4 . Puis, la définition d’une orthophotographie est faite.<br />
Enfin, la BD ORTHO de l’IGN est brièvement présentée.<br />
III.1 Les caméras IGN<br />
Les caméras IGN sont embarquées sur des avions propres à l’Institut. La<br />
base d’aviation de l’IGN est située à Creil (60).<br />
III.1.1 Caméra argentique<br />
Une caméra argentique est une caméra avec laquelle l'enregistrement de<br />
l'information radiométrique se fait <strong>par</strong> le biais d'une réaction chimique sur un<br />
support appelé film [FRE, 02].<br />
III.1.2 Caméra numérique<br />
Elle fonctionne de la même manière que la caméra argentique, si ce n'est<br />
que le film sensible est remplacé <strong>par</strong> une matrice de capteurs photoélectriques.<br />
L’IGN utilise des capteurs CDD à matrice 5 sur les prototypes de caméras<br />
numériques. A cela plusieurs raisons :<br />
- le tangage de l’avion est plus important que dans un satellite,<br />
- les capteurs à barr<strong>et</strong>tes perm<strong>et</strong>tent un meilleur choix du temps d’exposition.<br />
• Caractéristiques des caméras numériques IGN<br />
- CCD Kodak<br />
- Chaque pixel peut emmagasiner 45 000 électrons environ<br />
4 Ayant recueilli essentiellement des renseignements sur les caméras numériques, leur<br />
fonctionnement sera plus développé que celui des caméras argentiques.<br />
5 En général, sur les satellites d’observation de la terre, les capteurs CCD sont à barr<strong>et</strong>tes.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 17
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- Chaque pixel mesure 9 µm × 9 µm<br />
• Caractéristiques des images<br />
- Codées en 12 bits<br />
- 4096*4096 = 16,8 Millions de pixels environ<br />
• Avantages du numérique sur l’argentique<br />
- la réponse radiométrique des caméras IGN est stable au sein d’une même<br />
mission, d’une image à l’autre, ce qui facilite le travail ultérieur de<br />
mosaïquage 6 . Cependant, le phénomène de dallage (voir figure 5) peut être<br />
plus ou moins important sur les images de Toulouse non corrigé (figure 10a).<br />
- les images argentiques comporte un double bruit causé <strong>par</strong> la prise de vue<br />
d’abord <strong>et</strong> <strong>par</strong> le scannage ensuite.<br />
- les images scannées comportent environ 300 ndg (niveaux de gris) en<br />
panchromatique contre 2 000 ndg en numérique ; l’intérêt n’est pas visuel,<br />
puisque l’œil humain ne peut distinguer que quelques dizaines de ndg, mais<br />
porte sur les traitements informatiques qu’on pourra faire sur ces images.<br />
- la courbe de réponse à la lumière est linéaire chez les images numériques (<strong>et</strong><br />
non logarithmique comme c’est le cas pour les images argentiques – figure 2),<br />
ce qui facilite les post traitements. C’est pour cela aussi que les images<br />
numériques sont plus sombres que les images argentiques.<br />
numérique<br />
Distribution théorique<br />
argentique<br />
Source : entr<strong>et</strong>ien avec J. P. SOUCHON, chercheur au LOEMI, juill<strong>et</strong> 2004<br />
Figure 2 : Réponse à la lumière théorique des images numériques <strong>et</strong> argentiques<br />
6 Le phénomène de mosaïquage est expliqué ultérieurement.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 18
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- la qualité des images argentiques possède une dépendance radiométrique vis<br />
à vis de la chimie ; de plus, la manipulation de chimie pose toujours de<br />
problèmes de pollution.<br />
- l’absence de chimie diminue les délais du numérique.<br />
- le rapport signal/bruit, c’est à dire le rapport déterminant si l’information<br />
contenue dans une image est plus ou moins grand que le bruit présent dans<br />
c<strong>et</strong>te image, est moins important en numérique, ce qui perm<strong>et</strong> de faire<br />
ap<strong>par</strong>aître des détails dans les zones d’ombres, <strong>par</strong> exemple.<br />
En revanche, la taille des images numériques est actuellement limitée à<br />
4096*4096 pixels alors qu’on peut faire des images plus grandes en argentique 7 .<br />
Il faut donc utiliser plus longtemps l’avion pour couvrir une surface égale, ce qui<br />
coûte en terme de personnel <strong>et</strong> de kérosène.<br />
En conclusion, le numérique offre de plus grandes possibilités que la<br />
caméra argentique. Les images ont une haute résolution (pixels jusqu’à 25 cm),<br />
mais la concurrence pourrait être importante dans les prochaines années avec<br />
l’arrivée de satellites à très haute résolution qui concurrenceront les images<br />
issues des caméras numériques IGN. Ils auront cependant toujours une<br />
atmosphère plus épaisse à traverser. Les productions orthophotographiques de<br />
l’IGN seraient réservées aux très grandes échelles en zones urbaine.<br />
Les premières missions officielles <strong>et</strong> commerciales de la caméra numérique<br />
IGN débutent en c<strong>et</strong> été 2004 (prise de vue de 10 dé<strong>par</strong>tements) <strong>et</strong> à <strong>par</strong>tir de<br />
2005, toutes les prises de vue seront en numérique. La migration de toute la<br />
production IGN de l’argentique vers le numérique se fait donc p<strong>et</strong>it à p<strong>et</strong>it.<br />
III.2 Orthophotographies <strong>et</strong> BD ORTHO<br />
III.2.1 Qu’est ce qu’une orthophotographie ?<br />
Une orthophotographie est une image photographique sur laquelle ont été<br />
corrigés les défaut géométriques <strong>et</strong> géographiques (voir ci-dessous), pendant une<br />
phase appelée l’orthorectification. Chaque élément de l'image est remplacé <strong>par</strong> sa<br />
7 Tout dépend de la taille des pixels au moment de la scannerisation.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 19
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
position géométrique exacte dans un plan de projection en 2 dimensions (figure<br />
3). Une orthophotographie peut ainsi être géoréférencée, puis superposable à une<br />
carte <strong>et</strong> facilement intégrable dans un SIG. Elle perm<strong>et</strong> de mesurer la longueur,<br />
la surface, … de tout obj<strong>et</strong> du sol visibles à l’écran tels que les cours d’eau, les<br />
champs, … [ENSG, 2004].<br />
Le terrain en 3D<br />
Prise de<br />
vue<br />
Image déformée <strong>par</strong> la<br />
technique <strong>et</strong> <strong>par</strong> le relief<br />
Orthorectification<br />
L’orthophotographie<br />
en 2D<br />
Source : Site du Ministère de la Culture, Cellule photogrammétrique du Centre National de<br />
la Préhistoire, 2004, http://www.culture.gouv.fr/culture/cnp/fr/, modifié.<br />
Figure 3 : Orthorectification<br />
Il est cependant à noter qu'une orthophotographie ne peut être visualisée<br />
en stéréoscopie, précisément à cause de ces corrections.<br />
III.2.2 Nature des défauts <strong>et</strong> corrections<br />
• Défauts géométriques<br />
Les défauts liés à la géométrie proviennent de :<br />
- la distorsion de l’objectif ; elle est facilement corrigée car elle est faible <strong>et</strong><br />
connue.<br />
- la non verticalité de l’axe de prise de vues, liée au fait qu’un avion n’est<br />
jamais <strong>par</strong>faitement horizontal au moment du cliché. Elle est corrigée <strong>par</strong><br />
l’aérotriangulation.<br />
• Défauts géographiques<br />
L’orthophotographie corrige également les défauts résiduels de <strong>par</strong>allaxe dus au<br />
relief (figures 3 <strong>et</strong> 4).<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 20
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
L'utilisation d'un modèle numérique de terrain (MNT) perm<strong>et</strong> de corriger<br />
c<strong>et</strong>te erreur de <strong>par</strong>allaxe en repositionnant les différents points de l'image pour<br />
leur donner la position géographique qu'ils occuperaient s’ils étaient représentés<br />
sur une carte (figure 3).<br />
Cliché<br />
M<br />
Niveau moyen<br />
P’<br />
M’ H<br />
V<br />
P<br />
Source : site de l’ENSG, www.ensg.ign.fr, 2004, adapté<br />
Figure 4 : Correction des défauts liés au relief<br />
La figure 4 montre que, sans correction, les points du terrain, notés P<br />
(situé en vallée) <strong>et</strong> M (situé en somm<strong>et</strong>), seraient proj<strong>et</strong>és en P' <strong>et</strong> M' sur le plan<br />
d'altitude moyen alors que la position correcte du point M, sur une carte, est<br />
celle qu'occupe le point H <strong>et</strong> la position correcte du point P est le point V [ENSG,<br />
2004]. Pour créer ses orthophotographies, l’IGN dispose de MNT pour l’ensemble<br />
du territoire français 8 .<br />
Ces corrections, géométriques <strong>et</strong> géographiques, ne corrigent que les<br />
éléments naturels du terrain ; tout ce qui est en sursol (arbres, bâtiments, ponts,<br />
châteaux d’eau, …) n’est pas redressé 9 .<br />
8 Les MNT IGN proviennent de la BD ALTI ou de la BD TOPO MNT. L’exactitude du MNT varie de 2<br />
m pour la BD TOPO hors zones de montagnes à 20 m pour la BD ALTI en montagne.<br />
9 Des travaux portant sur la détection 3D <strong>et</strong> sur le redressement des bâtiments en zone urbaine<br />
sont en cours au laboratoire MATIS (voir <strong>par</strong> exemple les travaux du directeur du laboratoire<br />
MATIS : Didier BOLDO).<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 21
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• Défauts visuels (liés à la radiométrie)<br />
Les orthophotographies sont ensuite assemblées pour créer une mosaïque de n<br />
orthophotographies. C<strong>et</strong>te mosaïque est appelée <strong>par</strong> extension orthophotographie,<br />
elle aussi.<br />
Cependant, des différences de couleurs peuvent ap<strong>par</strong>aître aux jonctions entre<br />
clichés, si certains clichés sont plus exposés que leurs voisins aux rayons du<br />
soleil, <strong>par</strong> exemple (voir figures 5 montrant deux extraits de la figure 10a) : au<br />
sein de chaque image, les luminances captées <strong>par</strong> la caméra présentent des<br />
variations dépendant notamment de la position relative du soleil <strong>et</strong> de la caméra,<br />
du type de surface vue <strong>et</strong> de la composition de l’atmosphère. Le mosaïquage des<br />
différentes images sans traitement radiométrique conduit à un eff<strong>et</strong> « patchwork »<br />
visuellement peu esthétique, avec une alternance de zones sombres <strong>et</strong> claires, <strong>et</strong><br />
des limites entre images initiales <strong>par</strong>ticulièrement visibles [CHA, 04].<br />
Figure 5 : Exemples de défauts visuels liés au mosaïquage, corrigé <strong>par</strong> égalisation<br />
radiométrique<br />
Les limites entre clichés voisins aussi peuvent couper des obj<strong>et</strong>s<br />
géographiques en 2 (<strong>par</strong> exemple des routes ou des bâtiments).<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 22
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Actuellement, à l’IGN, les orthophotographies sont corrigées<br />
radiométriquement à la main <strong>par</strong> une vingtaine d’opérateurs qui utilisent le<br />
logiciel PhotoShop. Mais des travaux sont en cours, au laboratoire MATIS, pour<br />
que la correction radiométrique se fasse automatiquement <strong>par</strong> égalisation<br />
radiométrique. Ce traitement perm<strong>et</strong> de rendre plus homogènes les radiométries<br />
dans les images <strong>et</strong> entre les images, de sorte que les problèmes ci-dessus ne<br />
soient pratiquement plus visibles. [CHA, 04 ; voir figure 10b]. C’est ainsi qu’ont<br />
été traitées les images intitulées Toulouse corrigé dans ce rapport.<br />
III.2.3 La BD ORTHO<br />
La bd Ortho de l’IGN est constituée de c<strong>et</strong>te mosaïque de photographies<br />
aériennes couleur, orthorectifiées, en projection Lambert II étendu, couvrant un<br />
dé<strong>par</strong>tement entier.<br />
Les orthophotographies de la BD ORTHO ont une résolution de 50 cm <strong>et</strong><br />
sont livrées <strong>par</strong> dalles de 1 km² au format *.tiff.<br />
En 2001, il a été en eff<strong>et</strong> décidé, sur demande du Ministère de<br />
l'Agriculture, que la BD Ortho de l'IGN serait acquise en quatre canaux le Bleu,<br />
le vert <strong>et</strong> le rouge classiques, ainsi que le PIR.<br />
Les images de la BD ORTHO possède un recouvrement intra bande de 60%<br />
environ <strong>et</strong> un recouvrement inter bande de 20% environ (figure 6).<br />
Recouvrement interbande : 20%<br />
Recouvrement intrabande : 60%<br />
Figure 6 : Recouvrement intrabande <strong>et</strong> interbande<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 23
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
IV.<br />
La zone d’étude : Troyes <strong>et</strong> Toulouse<br />
N<br />
0 250 km<br />
Source : Site de l’IGN, www.ign.fr, 2004<br />
Figure 7 : Localisation de la zone d’étude.<br />
Extrait du tableau d’assemblage des cartes IGN au 1/25 000 ème .<br />
Les données traitées <strong>par</strong> les chercheurs des laboratoires de l’IGN (le MATIS<br />
<strong>et</strong> le LOEMI) répondent à des commandes propres à ces laboratoires. Les<br />
données qui sont à ma disposition pour ce stage sont celles qu’utilise mon tuteur<br />
de stage. Elles reposent sur 2 missions aériennes de l’IGN (figure 7) :<br />
- une mission Troyes<br />
- une mission Toulouse<br />
Pour ces deux missions, Roger Trias Sanz possède les données cadastrales <strong>et</strong> les<br />
photographies aériennes.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 24
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
IV.1 Mission Troyes<br />
La mission de Troyes a été prise en mai. La résolution spatiale est de<br />
80 cm, rééchantillonnée à 50 cm lors de l’orthorectification.<br />
• Description technique<br />
- Image scannée.<br />
- 3 bandes spectrales dans le Vert, le Bleu <strong>et</strong> le Rouge.<br />
- Image non rectangulaire. Le découpage de c<strong>et</strong>te image a été fait <strong>par</strong> mon<br />
tuteur en suivant des limites cadastrales.<br />
N<br />
0 500 m<br />
Figure 8 : Photographie aérienne en « vraies » couleurs au Sud de Troyes<br />
Synthèse additive des canaux Bleu, Vert, Rouge.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 25
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• Description géographique<br />
Située à quelques kilomètres à peine au Sud-Est de Troyes, vers 48°14’N <strong>et</strong><br />
4°5’E, c<strong>et</strong>te série d’orthoimages est intégralement située en zone agricole. Elle<br />
comprend des <strong>par</strong>celles en culture herbacées <strong>et</strong> en cultures ligneuses, des<br />
<strong>par</strong>celles de terres arables <strong>et</strong> des <strong>par</strong>celles non agricoles de bois. Les altitudes<br />
sont homogènes (vers 110-120 m), le relief est peu marqué.<br />
Le paysage est celui d’un openfield : les champs sont grands <strong>et</strong> ne sont pas<br />
clôturés.<br />
IV.2 Mission Toulouse<br />
Une prise de vue en zone rurale au Sud de Toulouse a été commandée <strong>par</strong><br />
le laboratoire MATIS pour ses travaux dans le cadre du proj<strong>et</strong> MORIS [CHA,<br />
04] 10 . Outre la différence de caméra, la <strong>par</strong>ticularité de la scène de Toulouse est<br />
de posséder un canal PIR.<br />
• Description technique<br />
C<strong>et</strong>te prise de vue, datant du 12 décembre 2003 est constituée de<br />
5 bandes × 28 images <strong>par</strong> bande = 140 images.<br />
La résolution spatiale est de 20 cm, mais les images ont été rééchantillonnées à 2<br />
mètres de résolution, pour les classifications, afin de diminuer les temps de<br />
traitement. Les <strong>par</strong>amètres de <strong>texture</strong> ont cependant été calculés à 50 cm (voir<br />
3 ème <strong>par</strong>tie) pour plus de finesse.<br />
Toutes les images ont été acquises le même jour à quelques dizaines de minutes<br />
d’intervalle autour de midi, <strong>par</strong> la caméra numérique de l’IGN, à 1550 m<br />
d’altitude environ. Les images présentent un Hot Spot très marqué dans le sens<br />
Nord/Sud [CHA, 04].<br />
C<strong>et</strong>te série comprend quatre bandes spectrales (figure 9) 11 :<br />
- le bleu (340 à 500 nm environ)<br />
- le vert (450 à 610 nm environ)<br />
10 Le proj<strong>et</strong> MORIS est un proj<strong>et</strong> concernant les laboratoires MATIS <strong>et</strong> LOEMI. Il a pour but la<br />
modélisation des capteurs numériques de l’IGN <strong>et</strong> le calcul de vraies orthoimages avec bâtiments<br />
redressés.<br />
11 Sachant que la vision humaine s’étend de 400 à 750 nm environ.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 26
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- le rouge (570 à 730 nm environ)<br />
- le PIR (770 à1080 nm environ)<br />
Figure 9 : Bandes spectrales à Toulouse<br />
• Précision sur la date de prise de vue (décembre)<br />
Les images de Toulouse correspondent à une demande du laboratoire MATIS<br />
pour ses travaux. Elles ne correspondent pas à une demande de la <strong>par</strong>t de<br />
clients potentiels à l’IGN (qu’il s’agisse de clients privés ou publics). Dans ce cas,<br />
les prises de vue sont faites en été, lorsque le soleil est le plus haut à l’horizon,<br />
pour qu’à la fois les conditions atmosphériques soient optimales <strong>et</strong> les ombres les<br />
moins importantes. En décembre, c’est la période de repos de végétaux sous les<br />
latitudes moyenne : c’est la saison où les pieds d’arbres fruitiers n’ont pas de<br />
feuilles [WAS, 01]. Pour les images de Toulouse, les conditions atmosphériques<br />
étaient bonnes mais les ombres portées pourront peut être poser des problèmes<br />
sur les classifications futures car à c<strong>et</strong>te date hivernale, le soleil est loin de son<br />
zénith.<br />
• Description géographique<br />
Situées à une dizaine de kilomètres au Sud de Toulouse, vers 43°22’N <strong>et</strong> 1°15’W,<br />
les images recouvrent une zone de 11×4 km (44 km²) environ.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 27
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
C<strong>et</strong>te série d’images est plus intéressante que celle de Troyes <strong>par</strong> la diversité des<br />
types d’occupation du sol qu’elle propose : des zones urbaines, des champs<br />
cultivés ou non, des zones boisées, des zones d’eau naturelles (la Garonne coupe<br />
l’image dans le sens Sud/Nord) <strong>et</strong> artificielles (lacs), … Elle possède aussi un<br />
relief marqué (altitudes entre 180 <strong>et</strong> 300 m environ).<br />
a.<br />
N<br />
0 1km<br />
b.<br />
0 1km<br />
Figure 10 : Photographie aérienne en « fausses » couleurs au Sud de Toulouse<br />
Composition colorée standard : synthèse additive des canaux Vert, Rouge, Proche<br />
InfraRouge<br />
a. Image non corrigée<br />
b. Image corrigée<br />
Dans ce rapport, les résultats de traitements d’images <strong>par</strong> classification<br />
sont présenté sur la série d’images de Troyes (figure 8) <strong>et</strong> sur c<strong>et</strong>te série de<br />
Toulouse, qui se compose de 2 blocs :<br />
- une première série d’images non corrigées radiométriquement (figure 10a)<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 28
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- une seconde série d’images corrigées radiométriquement (figure 10b)<br />
Les images ont été traitées radiométriquement au laboratoire MATIS afin<br />
d’optimiser <strong>et</strong> d’automatiser visuellement le rendu radiométrique (figure 5). Mais<br />
en théorie, les changements ne sont que visuels 12 . Il sera cependant vu, dans la<br />
suite de ce rapport, que les résultats des classifications sont différents pour la<br />
série de Toulouse non corrigé radiométriquement <strong>et</strong> pour la série de Toulouse<br />
corrigé radiométriquement.<br />
Les images de Troyes, de Toulouse corrigé <strong>et</strong> de Toulouse non corrigé ne<br />
sont pas du même ordre de grandeur (tableau 2) compte tenu du nombre de<br />
pixels, ce qui a une influence sur les temps de calcul des traitements.<br />
Tableau 2 : Taille des images<br />
Troyes Toulouse corrigé Toulouse non corrigé<br />
Nombre de lignes 1 411 1 709 2 011<br />
Nombres de colonnes 1 748 5 011 5 688<br />
Nombres de pixels 2 466 428 8 563 799 11 438 568<br />
V. La classification dirigée<br />
V.1 Définition<br />
La classification d’une image numérique géographique (photographie<br />
aérienne ou image satellite) équivaut à identifier <strong>et</strong> classer numériquement les<br />
pixels d’une image. Un algorithme d’apprentissage attribue à chaque pixel une<br />
certaine valeur correspondant à une classe (ou thème).<br />
Deux grandes méthodes de classifications existent :<br />
12 Il est à noter que ces deux séries d’images présentent des différences radiométriques (voir<br />
<strong>par</strong>agraphe 2.1 de la <strong>par</strong>tie II). Celles-ci pourraient influencer les résultats cartographiques des<br />
classifications.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 29
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- la classification non dirigée (ou non assistée ou non supervisée ou<br />
automatique ou sans apprentissage 13 ),<br />
- la classification dirigée (ou assistée ou supervisée ou non automatique ou<br />
avec apprentissage).<br />
C’est c<strong>et</strong>te dernière qui va m’intéresser pendant mon stage. En eff<strong>et</strong>, je<br />
vais rechercher des obj<strong>et</strong>s semblables à des obj<strong>et</strong>s de référence [GIR, 99]. Les<br />
obj<strong>et</strong>s de référence sont des pixels que je détermine géographiquement <strong>par</strong> photointerprétation<br />
comme ap<strong>par</strong>tenant à telle ou telle classe <strong>et</strong> les obj<strong>et</strong>s semblables<br />
sont les autres pixels de l’image, qui n’ont pas été déterminés en tant que telle ou<br />
telle classe. Il faut donc une connaissance préalable de la zone à cartographier.<br />
J’utilise les cartes IGN série bleue au 1/25 000 ème pour m’aider dans c<strong>et</strong>te<br />
démarche car je n’ai pas de connaissances <strong>par</strong>ticulières sur le terrain à<br />
cartographier. En eff<strong>et</strong>, les méthodes de classification dirigée supposent une<br />
connaissance a priori de l’ap<strong>par</strong>tenance de chaque pixel à une classe donnée, ce<br />
qui revient à supposer une connaissance a priori sur l’image à classer [COQ, 95].<br />
La détermination des classes se fait à <strong>par</strong>tir de zones d’entraînement, qui<br />
sont des échantillons représentatifs des classes. Je détermine également de la<br />
même manière des zones test qui seront sensées valider les zones<br />
d’entraînement.<br />
V.2 Méthodologie<br />
La classification dirigée d’images numériques géographiques se déroule en<br />
7 étapes :<br />
1. Définition de la légende : choix du nombre de classes souhaitées <strong>et</strong> de leur<br />
nature en fonction de la problématique fixée au préalable,<br />
2. Sélection des pixels représentatifs : pour chaque classe, on identifie sur<br />
l’image des zones représentatives appelées échantillons. Les échantillons sont<br />
à la fois des <strong>par</strong>celles d’entraînement (qui perm<strong>et</strong>tent de décrire<br />
radiométriquement les classes) <strong>et</strong> des <strong>par</strong>celles test (qui servent à la<br />
13 Suivant la littérature, les différents chercheurs adoptent telle ou telle terminologie. Il s’agit<br />
néanmoins de la même méthode, qui porte différentes appellations.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 30
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
vérification de la classification). Ces deux types de <strong>par</strong>celles doivent être<br />
représentatives <strong>et</strong> sensiblement de la même composition. On estime qu’il doit<br />
y avoir 2/3 de <strong>par</strong>celles d’entraînement pour 1/3 de <strong>par</strong>celles test environ,<br />
3. Description des classes : les classes sont décrites statistiquement (moyenne,<br />
écart type, éventuellement minimum <strong>et</strong> maximum, …),<br />
4. Choix d’un algorithme de classification optimum,<br />
5. <strong>Classification</strong> elle-même : à ce stade, tous les pixels de l’image sont classés<br />
selon l’algorithme de classification choisi,<br />
6. Evaluation de la qualité de la classification : le résultat de la classification<br />
peut être évalué en le com<strong>par</strong>ant à des informations de références qui<br />
peuvent être fournies <strong>par</strong> :<br />
- des zones <strong>par</strong>celles sélectionnées sur l’image (voir points 2. <strong>et</strong> 3.)<br />
- des cartes de la région classée<br />
- des relevés de terrain 14<br />
7. Traitements post classification : les résultats cartographiques de la<br />
classification peuvent être traités de façon à rendre la classification plus<br />
propre, plus simple <strong>et</strong> moins bruitée (filtrage, regroupement de certaines<br />
classes, …) 20 .<br />
[Source : Université de Genève, http://www.unige.ch/ses/geo/, 2004]<br />
Dans ce rapport, je me suis préoccupée des 6 premiers points décrits cidessus.<br />
14 C<strong>et</strong>te option ne fait pas <strong>par</strong>tie des objectifs de ce stage.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 31
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2 ème <strong>par</strong>tie<br />
Méthodologie pour faire des classifications<br />
C<strong>et</strong>te <strong>par</strong>tie méthodologique a pour but de faire <strong>par</strong>t :<br />
• des outils utilisés pendant ce stage (explication de la démarche pour réaliser<br />
ces classifications à l’aide du logiciel gratuit MultiSpec),<br />
• des méthodes utilisées pour faire les classifications<br />
- méthodes pour délimiter des <strong>par</strong>celles d’entraînement <strong>et</strong> des <strong>par</strong>celles<br />
test sur les images à classer, à <strong>par</strong>tir du logiciel GéoConcept<br />
- méthodes pour obtenir des indicateurs statistiques montrant la qualité<br />
de la classification<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 32
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1. Logiciels utilisés<br />
1.1 GéoConcept<br />
Géoconcept sert à la délimitation des <strong>par</strong>celles d’entraînement <strong>et</strong> des<br />
<strong>par</strong>celles test, en utilisant les fonctions dessin du logiciel (outils de création).<br />
Quelques <strong>par</strong>celles d’entraînement sont manuellement délimitées, ainsi que<br />
des <strong>par</strong>celles test, validant ces <strong>par</strong>celles d’entraînement. A chaque groupe de<br />
pixels représentatifs est attribué le nom de leur classe (telle que les bois, les<br />
champs cultivés, les terres arables, les vergers, ...). L’algorithme de classification<br />
se chargera ensuite de classer chaque pixel de l’image en fonction de ces pixels<br />
représentatifs.<br />
Les <strong>par</strong>celles test <strong>et</strong> les <strong>par</strong>celles d’entraînement doivent être de même<br />
nature pour que la qualité de classification <strong>et</strong> la classification elle-même soient<br />
validées. Il sera vu dans ce rapport qu’il est difficile de trouver des <strong>par</strong>celles test<br />
<strong>et</strong> des <strong>par</strong>celles d’entraînement exactement de même nature.<br />
La surface de ces <strong>par</strong>celles d’entraînement <strong>et</strong> des <strong>par</strong>celles test est<br />
directement calculée en ha avec Géoconcept. Le nombre de pixels est calculé à<br />
l’aide de MultiSpec, logiciel méconnu, présenté dans le point suivant.<br />
J’ai préféré, sur les conseils de mon tuteur, sélectionner <strong>et</strong> définir mes<br />
<strong>par</strong>celles d’entraînement <strong>et</strong> mes <strong>par</strong>celles test avec GéoConcept, pour des raisons<br />
de facilitation <strong>et</strong> de visibilité, plutôt que de le faire directement avec MultiSpec.<br />
De plus, ces <strong>par</strong>celles seront directement récupérables <strong>et</strong> utilisables <strong>par</strong> mon<br />
tuteur pour ses travaux de recherche personnels, dans un fichier au format<br />
Texte GéoConcept *.txt, comprenant les coordonnées pixelaires de chaque<br />
<strong>par</strong>celle.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 33
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1.2 MultiSpec<br />
En accord avec mon tuteur de stage, un logiciel de traitement d’images,<br />
gratuit, est utilisé pour faire les classifications, comme je n’envisageait pas<br />
développer mes propres algorithme de classification ni utiliser les outils<br />
informatiques à disposition au MATIS (<strong>par</strong> exemple le noyau, bibliothèque<br />
algorithmique développée <strong>par</strong> les chercheurs du laboratoire, écrite en C++). Ce<br />
logiciel s’est révélé assez performant.<br />
1.2.1 Fonctionnement du logiciel<br />
• Présentation<br />
MultiSpec est un logiciel gratuit (freeware) de traitement d’images géographiques<br />
multispectrales <strong>et</strong> hyperspectrales, uniquement consacré aux classifications<br />
dirigées ou non dirigées .<br />
Il a été développé avec MacIntosh <strong>par</strong> des universitaires américains (laboratoire<br />
d’informatique de l’université de l’Indiana), initialement pour classer des images<br />
de types LANDSAT [LAN, 01].<br />
Les deux seuls les formats externes lisibles <strong>par</strong> MultiSpec sont :<br />
- le format *.tif (format d’image utilisé au MATIS)<br />
- le format ESRI *.shp.<br />
Les autres formats lisibles <strong>par</strong> le logiciel sont des formats propres à MultiSpec<br />
(*.lan).<br />
Logiciel <strong>et</strong> documentation sont rédigés en anglais. Le logiciel est assez<br />
simple à prendre en main, la documentation étant très bien écrite<br />
(téléchargement du guide d’utilisateur à l’adresse suivante :<br />
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Intro5_01.pdf).<br />
MultiSpec est téléchargeable sur :<br />
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec<br />
• Interface<br />
Son interface possède essentiellement 3 composantes (figure 11) :<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 34
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- Une fenêtre texte, créée dès que MultiSpec est ouvert. Elle ne peut être<br />
fermée. Tous les processus, les traitements <strong>et</strong> les résultats effectués <strong>par</strong><br />
MultiSpec sont écrits dans c<strong>et</strong>te fenêtre, comme <strong>par</strong> exemple les résultats<br />
d’une classification.<br />
- Une fenêtre image. Plusieurs fenêtre image sont ouvrables en même temps. Il<br />
existe deux types d’images : les images multispectrales (qu’on peut voir en<br />
composition colorée 3 canaux ou canal <strong>par</strong> canal sé<strong>par</strong>ément, en niveau de<br />
gris) <strong>et</strong> les images thématiques issues des classifications.<br />
- Une fenêtre proj<strong>et</strong>. Le proj<strong>et</strong> est créé <strong>par</strong> l’utilisateur. C’est la fenêtre la plus<br />
importante du logiciel : c’est là que sont sélectionnées <strong>et</strong> enregistrées toutes<br />
les <strong>par</strong>celles d’entraînement (<strong>et</strong> éventuellement les <strong>par</strong>celles test) qui servent<br />
aux classification dirigées. On ne peut ouvrir qu’un proj<strong>et</strong> à la fois. Un fichier<br />
*.prj est crée. Il doit respecter un code stricte pour être ouvert.<br />
Fenêtre<br />
Texte<br />
Fenêtre<br />
Proj<strong>et</strong><br />
Fenêtres<br />
Image<br />
Figure 11 : Interface MultiSpec<br />
Grâce à un programme de conversion de fichier adapté, développé <strong>par</strong> mon<br />
tuteur, je peux utiliser les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test, définies<br />
avec Géoconcept <strong>et</strong> les utiliser avec MultiSpec pour faire les classification. Ces<br />
<strong>par</strong>celles sont intégrées dans un fichier au format MultiSpec *.prj <strong>et</strong> je peux ainsi<br />
m’en servir dans la fenêtre proj<strong>et</strong> de MultiSpec.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 35
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• Menus<br />
MultiSpec propose 8 menus dans sa version Windows :<br />
- les menus classiques (File, Edit, Help),<br />
- des menus propres (View, Project, Processor, Options <strong>et</strong> Window).<br />
C’est le menu Processor le plus important : c’est lui qui perm<strong>et</strong> tous les<br />
traitements de classification dirigée ou non dirigée, … pour l’image active ou pour<br />
proj<strong>et</strong> ouvert.<br />
• Options<br />
Il est possible d’entrer les <strong>par</strong>amètres de l’image (figure 12), tels que :<br />
- l’unité des pixels (en km, m, cm, mm, miles, yards, fe<strong>et</strong>, inches),<br />
- la taille des pixels,<br />
- le système de coordonnées,<br />
- la projection géoïde <strong>et</strong> ellipsoïde.<br />
Figure 12 : Fenêtre Image Map Param<strong>et</strong>ers de MultiSpec (menu Edit)<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 36
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
MultiSpec perm<strong>et</strong> aussi de faire des ACP (Analyse en Composantes<br />
Principales) qui pourront aider à déterminer les canaux les plus adaptés pour<br />
faire des classifications optimales 15 .<br />
1.2.2 Un seul algorithme de classification r<strong>et</strong>enu<br />
MultiSpec propose sept algorithmes de classification, à choisir dans la<br />
fenêtre Classify du menu Processor (figure 13) :<br />
- Maximum Likelihood (Maximum de vraisemblance : méthode statistique qui<br />
vise à définir le meilleur estimateur pour un problème donné)<br />
- Fisher Linear Likelihood (Vraisemblance linéaire de Fisher)<br />
- Minimum Euclidean Distance (Distance euclidienne minimum)<br />
- ECHO Spectral-spatial (Extraction and <strong>Classification</strong> of Homogeneous<br />
Objects : Extraction <strong>et</strong> <strong>Classification</strong> d’Obj<strong>et</strong>s Homogènes)<br />
- Quadratic (Vraisemblance quadratique ou vraisemblance gaussienne<br />
maximum)<br />
- Fisher Linear Discriminant (Vraisemblance de Fisher)<br />
- Correlation SAM (Spectral Angle Mapper)<br />
- Matched Filter CEM (Constrained Energy Minimization)<br />
Après de nombreux essais, il s’est avéré que l’algorithme le plus concluant<br />
est l’algorithme ECHO Spectral-spatial quadratic. C<strong>et</strong> algorithme sera le seul<br />
utilisé tout au long du stage, pour pouvoir com<strong>par</strong>er toutes les classifications<br />
entre elles. Il s’agit d’un classifieur spatial <strong>et</strong> spectral, c’est à dire qu’il peut<br />
intégrer non seulement les variations spectrales entre pixels, mais aussi les<br />
variations dans l’espace [LAN, 01]. La méthode de classification se déroule en<br />
deux <strong>par</strong>ties :<br />
1. d’abord, il segmente l’image en régions statistiques homogènes. C<strong>et</strong>te étape<br />
est elle-même découpée en deux temps :<br />
- l’homogénéité statistique de fenêtres n×n pixels appelées Cells 16 est<br />
vérifiée <strong>par</strong> un test ; les cellules qui échouent au test sont considérées<br />
comme non homogènes <strong>et</strong> mises de coté,<br />
15 Voir 4 ème <strong>par</strong>tie.<br />
16 Ou cellules. C’est l’utilisateur qui détermine la taille de la cellule <strong>et</strong> le seuil des deux tests<br />
statistique .<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 37
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- les cells non homogènes, voisines de cells homogènes, subissent à<br />
nouveau un test d’homogénéité statistique. Celles qui réussissent le<br />
test sont agrégées aux cells homogènes,<br />
2. les cells restantes, qui n’ont été agrégées à aucune autres, sont ensuite<br />
classées en fonction d’un schéma de maximum de vraisemblance.<br />
Figure 13 : Fenêtre Classify de MultiSpec (menu Processor), perm<strong>et</strong>tant le choix de<br />
l’algorithme de classification <strong>et</strong> des <strong>par</strong>amètres <strong>et</strong> options de classification<br />
La spécificité de l’algorithme ECHO Spectral-spatial quadratic, est que la<br />
matrice des covariances entre canaux est utilisée pour chaque classe<br />
sé<strong>par</strong>ément 17 .<br />
Après avoir choisi les logiciels utilisés pour classer les images, je vais<br />
m’attacher à décrire précisément les classes à cartographier.<br />
17 Et non sur l’ensemble des classes, comme c’est la cas pour l’algorithme ECHO Spectral-spatial<br />
Fisher Linear Discriminant.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 38
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2. Méthodes <strong>et</strong> réflexions préalables aux classifications<br />
Ces méthodes <strong>et</strong> réflexions concernent toute les démarches à faire avant<br />
les classifications (création des <strong>par</strong>celles test <strong>et</strong> des <strong>par</strong>celles d’entraînement) <strong>et</strong><br />
précisent quels sont les indicateurs utilisés pour faire la qualité des<br />
classifications.<br />
2.1 Les classes r<strong>et</strong>enues<br />
2.1.1 A Troyes<br />
Pour la série d’images de Troyes, compte tenu de la problématique <strong>et</strong> de ce<br />
que représente c<strong>et</strong>te série, sept classes sont r<strong>et</strong>enues (figure 14, tableau 2). Elles<br />
ont été délimitées <strong>par</strong> photo-interprétation <strong>et</strong> <strong>par</strong> analyse de la carte IGN 2817O<br />
au 1/25 000 ème , datant de 1954, révisée en 1994. Elles comprennent :<br />
• quatre classes non agricoles :<br />
- Autre végétation, comprenant des zones de clairières (zones non boisées)<br />
contenues à l’intérieur des bois,<br />
- Bitume, comprenant les routes <strong>et</strong> les zones goudronnées, peu nombreuses,<br />
- Bois, comprenant toutes les zones ligneuses (bois de feuillus),<br />
- Sols nus, comprenant des zones de terrain qui se trouveraient hors SAU.<br />
• trois classes agricoles :<br />
- Champs cultivés <strong>et</strong> prairies, qui correspondent à des zones géométriques en<br />
herbe, indifféremment qu’il s’agisse de cultures de type céréalières ou de STH<br />
(Surfaces Toujours en Herbe ou prairies permanentes),<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 39
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- Terres arables, qui correspondent à des zones géométriques non cultivées à<br />
c<strong>et</strong>te période de l’année. Elles sont aussi reconnaissables aux sillons <strong>et</strong> traces<br />
laissés <strong>par</strong> le passage de machines agricoles,<br />
- Vergers, qui correspondent aux cultures ligneuses, donc pérennes. Ils sont<br />
reconnaissables grâce à l’agencement rectiligne <strong>et</strong> régulier des arbres qui<br />
composent le verger. On les rencontre dans le Nord de l’image. Ils peuvent<br />
reposer sur substrat végétalisé 18 ou non 19 .<br />
• Les classes non r<strong>et</strong>enues dans c<strong>et</strong>te nomenclature :<br />
- Bâti. La zone à cartographier est intégralement contenue dans une plaine<br />
agricole ; il n’y a donc pas de hameaux, éventuellement quelques maisons<br />
isolées, pas suffisamment grandes pour être cartographiées,<br />
- Eau. La carte laisse supposer que des cours d’eau temporaires sillonnent<br />
c<strong>et</strong>te région mais ne sont pas n<strong>et</strong>tement ap<strong>par</strong>us sur l’image. Ils peuvent<br />
néanmoins avoir une incidence sur la radiométrie des zones situées à<br />
proximité,<br />
- Broussailles. La carte laisse ap<strong>par</strong>aître des zones de broussailles au Nord<br />
Ouest de l’image. Cependant, à l’œil, elles ne sont pas distinguables des zones<br />
de bois<br />
- Vignes. Bien que situées dans un dé<strong>par</strong>tement viticole 20 , les images <strong>et</strong> la carte<br />
au 1/25 000 ème ne présentent aucune vigne<br />
- Sable humide, carrières <strong>et</strong> haies. Ces classes ne sont pas présentent sur les<br />
images de Troyes<br />
18 Substrat ap<strong>par</strong>aissant en vert sur la composition colorée RVB, qui correspondrait à un substrat<br />
herbeux (figure 8, annexe 2).<br />
19 Substrat ap<strong>par</strong>aissant en marron sur la composition colorée RVB, qui correspondrait à un<br />
substrat terreux (figure 8, annexe 2).<br />
20 L’Aube est le second dé<strong>par</strong>tement producteur de champagne en France [Source : Conseil Général<br />
de l’Aube, http://www.cg-aube.com/, 2004].<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 40
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
0 500 m<br />
Figure 14 : Les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test sur l’image RVB de<br />
Troyes (hors <strong>par</strong>celles de fond)<br />
Tableau 3 : Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> test sur l’image de Troyes<br />
Surface des Surfaces Nombre de<br />
Nombre de Nombre de<br />
<strong>par</strong>celles des <strong>par</strong>celles<br />
Nombre de<br />
<strong>par</strong>celles pixels<br />
d’entraînement<br />
(ha) test (ha) Ment<br />
<strong>par</strong>celles d’entraîne-<br />
pixels test<br />
test d’entraînement<br />
Autre végétation 0,3 0,0 3 2 801 61<br />
Bitume 0,8 0,3 12 9 1 928 695<br />
Bois 25,2 17,3 11 10 62 833 42 304<br />
Champs cultivés,<br />
prairies<br />
57,5 45,7 13 10 142 214 112 737<br />
Sols nus 1,5 2,1 1 1 3 852 5 049<br />
Terres arables 48,1 30,9 13 5 115 200 77 227<br />
Verger 0,8 0,8 2 2 1827 2 041<br />
Fond 70,7 39,5 1 1 171 544 94 828<br />
Total 133,9 97,0 56 40 500 199 334 942<br />
Surface totale<br />
(en ha)<br />
341,4<br />
Nombre total de<br />
<strong>par</strong>celles<br />
96<br />
Nombre de pixels 835 141<br />
L’ensemble des 96 <strong>par</strong>celles d’entraînement <strong>et</strong> de <strong>par</strong>celles test de l’image<br />
de Troyes couvre une surface de 340 ha environ, soit un peu plus de 835 000<br />
pixels.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 41
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Les classes contenant peu de pixels ou peu de <strong>par</strong>celles représentatives<br />
sont les classes les moins représentées sur les images. Etant situées en zone<br />
agricole, il est normal que les images présentent des régions agricoles (champs<br />
cultivés <strong>et</strong> prairies, terres arables) plus importantes que les autres régions<br />
(bitume, sols nus). En revanche, on peut noter l’importance de la présence de<br />
bois non considérés comme une classe agricole (tableau 1).<br />
Il est cependant préférable de choisir un nombre important voire<br />
maximum de <strong>par</strong>celles de référence pour faire une classification optimale,<br />
notamment lorsque les classes semblent hétérogènes comme c’est le cas ici (voir<br />
p. 50).<br />
Une classe Fond a été ajoutée car c<strong>et</strong>te série d’images est non<br />
rectangulaire. Le fond, étant à valeur 255 dans les canaux RVB, ap<strong>par</strong>aît en<br />
blanc. Il était important de bien le distinguer du reste de l’image, dont les pixels<br />
ont un comportement radiométrique tout à fait différent.<br />
2.1.2 A Toulouse<br />
A Toulouse, qu’il s’agisse de la série d’images corrigées ou non corrigées,<br />
douze classes ont été r<strong>et</strong>enues (figure 15, tableau 3 pour Toulouse corrigé ;<br />
annexe 2 pour Toulouse non corrigé), plus ou moins similaires à celles de Troyes,<br />
si ce n’est qu’il y a plus de classes à Toulouse compte tenu de l’occupation du<br />
sol :<br />
• huit classes non agricoles :<br />
- Bitume, comprenant des p<strong>et</strong>ites routes, une autoroute (A64) <strong>et</strong> des zones<br />
goudronnées,<br />
- Bâti, comprenant des hameaux isolés, des zones urbaines (les communes de<br />
Lavernose-Lacasse <strong>et</strong> du Fauga possèdent plus d’un millier d’habitants) <strong>et</strong> des<br />
zones industrielles (centre de recherche),<br />
- Bois, comprenant des bois en zones escarpées <strong>et</strong> des forêts ripicoles, le long<br />
de la Garonne <strong>et</strong> des ses affluents (la Louge à l’Ouest, la Lèze à l’Est),<br />
- Broussailles, caractérisés <strong>par</strong> des ligneux bas assez espacés,<br />
- Carrières, correspondant à une zone atypique <strong>par</strong> sa radiométrie <strong>et</strong> sa<br />
<strong>texture</strong>, située localement au Sud Ouest de l’image,<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 42
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- Eau, comprenant à la fois des zones d’eau naturelles (fleuve <strong>et</strong> rivières) <strong>et</strong><br />
artificielles 21 (lacs),<br />
- Haies, localisées sur les limites entre champs. Elles correspondent à un<br />
regroupement rectiligne de buissons, arbustes, arbres,<br />
- Sable humide, se rencontrant localement aux bords de la Garonne, dans les<br />
méandres.<br />
0 1km<br />
Figure 15 : Les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test sur l’image RVB de<br />
Toulouse corrigé (hors <strong>par</strong>celles de fond)<br />
• quatre classes agricoles :<br />
- Champs cultivés <strong>et</strong> prairies. Il s’agit des zones en activité chlorophyllienne,<br />
correspondant, sans doute, à c<strong>et</strong>te époque de l’année, aux STH (Surfaces<br />
Toujours en Herbe) <strong>et</strong> aux champs céréaliers d’hiver. En eff<strong>et</strong>, d’après le<br />
calendrier agricole [GIR, 99], seules les cultures de blé d’hiver <strong>et</strong> d’orge d’hiver<br />
sont susceptibles d’être en herbe à c<strong>et</strong>te période (mois de décembre),<br />
- Terres arables, les plus nombreuses, elles sont le mieux représentées sur la<br />
<strong>par</strong>tie Ouest des images car elles occupent une grand surface,<br />
- Vergers. Ils sont reconnaissables à leur organisation spatiale : ils sont<br />
composés de rangées d’arbres fruitiers <strong>par</strong> exemple,<br />
21 Ce qui me perm<strong>et</strong> d’être assez catégorique sur l’origine artificielle des lacs situés sur au Sud-<br />
Ouest de l’image, n’ayant pas de connaissances du terrain, c’est que certains lacs n’ap<strong>par</strong>aissent<br />
pas sur la carte de 1994, mais sur les images, 10 ans plus tard seulement. De plus, la géométrie<br />
très régulière de certains lacs laisse supposer c<strong>et</strong>te origine anthropique.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 43
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- Vignes, <strong>par</strong>fois confondues avec les vergers, elles présentent néanmoins un<br />
espacement moindre entre chaque plant.<br />
Tableau 4 : Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> test sur les images de<br />
Toulouse corrigé<br />
Surface des<br />
Nombre de<br />
Nombre de<br />
Surface des<br />
Nombre de<br />
Nombre<br />
<strong>par</strong>celles<br />
<strong>par</strong>celles<br />
pixels<br />
<strong>par</strong>celles<br />
<strong>par</strong>celles<br />
de pixels<br />
d’entraînement<br />
(ha)<br />
ment<br />
ment<br />
d’entraîne-<br />
d’entraîne-<br />
test (ha)<br />
test<br />
test<br />
Bâti 3,4 1,9 5 5 8 468 4 704<br />
Bitume 2,2 2,0 10 6 5 621 4 942<br />
Bois 42,8 31,9 13 10 107 096 79 870<br />
Broussailles 14,5 9,2 2 3 36 141 23 120<br />
Carrières 3,0 2,6 2 2 7 608 6 572<br />
Champs cultivés,<br />
prairies<br />
37,9 19,9 10 17 94 676 49 850<br />
Eau 31,9 19,2 13 13 79 943 47 972<br />
Haies 0,5 0,3 7 5 1 323 833<br />
Sable humide 0,4 0,2 1 1 1 007 578<br />
Terres arables 40,5 32,9 12 10 101 246 82 282<br />
Vergers 8,3 7,0 8 5 20 726 17 546<br />
Vignes 6,3 4,3 4 5 15 662 10 774<br />
Fond 3,6 1,1 1 1 8 980 2 657<br />
Total 195,4 132,6 88 83 488 497 331 700<br />
Surface totale<br />
(en ha)<br />
328,0<br />
Nombre total de<br />
<strong>par</strong>celles<br />
171<br />
Nombre de pixels 820 197<br />
L’ensemble des 171 <strong>par</strong>celles d’entraînement <strong>et</strong> de <strong>par</strong>celles test de l’image<br />
de Toulouse corrigé couvre une surface de 328 ha environ, soit un peu plus de<br />
820 000 pixels.<br />
Il sera peut-être à envisager l’intégration d’une classe ombre, compte tenu<br />
de la date hivernale de prise de vue.<br />
L’ordre de grandeur de toutes les <strong>par</strong>celles test <strong>et</strong> <strong>par</strong>celles d’entraînement<br />
est à peu près le même à Troyes, à Toulouse corrigé <strong>et</strong> à Toulouse non corrigé, en<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 44
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
ha <strong>et</strong> en nombre de <strong>par</strong>celles, bien que l’espace géographique représenté <strong>par</strong> les<br />
images de Toulouse soit plus vaste.<br />
2.2 Construction d’indicateurs de précision des classifications<br />
Le <strong>par</strong>agraphe suivant décrit les indicateurs qui perm<strong>et</strong>tent de quantifier la<br />
qualité d’une classification, en télédétection.<br />
2.2.1 Construction théorique d’une matrice de confusion<br />
Les matrices de confusion sont construites de la façon suivante :<br />
chaque case de la matrice com<strong>par</strong>e la conformité de la classification à la<br />
délimitation des <strong>par</strong>celles d’entraînement (ou <strong>par</strong>celle test) définies <strong>par</strong><br />
l’utilisateur (tableau 5a), en définissant les confusions, c’est à dire les pixels<br />
affectés à une classe, alors qu’ils ap<strong>par</strong>tiennent en réalité à une autre [GIR, 99] ;<br />
ces confusions devraient en théorie être de 0 pixels, pour que la classification<br />
soit <strong>par</strong>faite (tableau 5b), ce qui n’arrive jamais en pratique. Le but est cependant<br />
de minimiser ces confusions.<br />
Tableau 5a : Structure d’une matrice de confusion<br />
Image obtenue <strong>par</strong> classification<br />
i = 1 i = 2 … i = n<br />
Total<br />
(Erreur d’excédent)<br />
Document de i = 1 x11 x12 … x1n x1<br />
référence i = 2 x21 x22 … x2n x2<br />
(terrain) : les … … … … … …<br />
<strong>par</strong>celles i = m xm1 Xm2 … Xmn xm<br />
d’entraînement<br />
(ou<br />
Total<br />
(Erreur de x1 x2 … Xn<br />
<strong>par</strong>celles test) déficit)<br />
Source : PAY, 02, adapté<br />
Avec<br />
xin : nombre de pixels ap<strong>par</strong>tenant à la <strong>par</strong>celle de contrôle de la classe i<br />
sur le document de référence <strong>et</strong> inclus dans la classe n sur l'image brute ;<br />
xmi : nombre de pixels ap<strong>par</strong>tenant à la classe i sur l'image brute <strong>et</strong> inclus<br />
dans la <strong>par</strong>celle de contrôle de la classe m sur le document de référence.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 45
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 5b : Matrice de confusion théorique<br />
Classe 1 Classe 2 Classe 3 Total<br />
Classe 1 100% 0 0 100<br />
Classe 2 0 100% 0 100<br />
Classe 3 0 0 100% 100<br />
Total 100 100 100<br />
Sur la diagonale, on trouve donc le nombre de pixels bien classées ; hors<br />
de la diagonale on trouve le nombre de pixels classés dans d’autres classes.<br />
Pour chaque classe, la matrice indique le nombre de pixels de l'ensemble<br />
de référence qui se classe correctement, ainsi que la ré<strong>par</strong>tition des pixels dont la<br />
classe résultante diffère de la classe de référence. On peut ainsi analyser les<br />
sources de confusion entre les classes <strong>et</strong> tenter d'expliquer ces phénomènes<br />
[Source : Service canadien de la faune,<br />
http://www.qc.ec.gc.ca/faune/faune/html/contenu.html, 2004].<br />
Il est important de nuancer la validité d’une matrice de confusion : le<br />
nombre de pixels doit être suffisant <strong>et</strong>, si possible, de même importance dans<br />
chaque classe pour que la com<strong>par</strong>aison ait un sens. Si cela n'est pas possible,<br />
comme c’est le cas ici, il faut prendre un plus grand nombre pixels pour les<br />
classes qui ont le plus d'importance thématique [GIR, 99]. C’est ce qui a été fait<br />
pour les classes agricoles, à Troyes (figure 14) <strong>et</strong> à Toulouse (figure 15).<br />
2.2.2 Les indicateurs de précision issus de la matrice de<br />
confusion<br />
On distingue :<br />
- les indicateurs issus des calculs <strong>par</strong> classes<br />
- les indicateurs issus des calculs sur l’ensemble des classes<br />
2.2.2.1 Les indicateurs issus des calculs <strong>par</strong> classes<br />
• L’erreur de commission ECi (ou précision statistique)<br />
Elle prend uniquement en compte le rapport des surfaces, pour une classe<br />
donnée, entre la référence <strong>et</strong> l’image classée :<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 46
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
ECi<br />
xii<br />
= ni<br />
×100<br />
Avec<br />
xii : nombre de pixels bien classés<br />
ni : total en ligne<br />
L’erreur d’excédents sera calculée comme 100 – ECi<br />
• L’erreur d’omission EOi (ou précision géographique ou cartographique)<br />
Elle porte sur les superficies <strong>et</strong> sur la localisation géographique :<br />
EOi<br />
xii<br />
= mi<br />
×100<br />
Avec<br />
xii : nombre de pixels bien classés<br />
mi : total en colonne<br />
L’erreur de déficits sera calculée comme 100 – EOi<br />
2.2.2.2 Les indicateurs issus des calculs sur l’ensemble des<br />
classes<br />
• Précision globale (% de pixels bien classés)<br />
Avec<br />
n<br />
∑ xii<br />
i=1 PG = ×100<br />
x<br />
Σxii : total de la diagonale de la matrice<br />
x : nombre total de pixels délimités <strong>par</strong> l’utilisateur<br />
Un classement est jugé comme bon lorsque le pourcentage de pixels bien classés<br />
(diagonale de la matrice) est supérieur à 80 [GIR, 99].<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 47
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• L’erreur de commission moyenne sur l’ensemble des n classes (EC)<br />
Avec<br />
nc : nombre de classes<br />
EC =<br />
ΣECi<br />
nc<br />
• L’erreur d’omission moyenne sur l’ensemble des n classes (EO)<br />
Avec<br />
nc : nombre de classes<br />
EC =<br />
ΣECi<br />
nc<br />
• L’erreur de commission combinée (ECC)<br />
ECC =<br />
EC + PG<br />
2<br />
• L’erreur d’omission combinée (EOC)<br />
EOC =<br />
EO + PG<br />
2<br />
La plu<strong>par</strong>t de ces indicateurs statistiques ne sont signalés ici qu’à titre<br />
indicatif. Dans ce rapport, seuls les indices suivants sont utilisés :<br />
- précision globale,<br />
- ECi,<br />
- EOi,<br />
- Et l’indice Kappa ci-dessous.<br />
2.1.3 L’indice Kappa<br />
Contrairement à la précision globale, l’indice Kappa 22 prend en compte les<br />
valeurs hors diagonale de la matrice de confusion. Il évalue la précision d’une<br />
classification en télédétection. Il est calculé selon la formule suivante :<br />
22 Egalement appelé le coefficient d’accord ou la précision totale d’une classification.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 48
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
K<br />
=<br />
N<br />
r<br />
∑<br />
x<br />
N ² −<br />
−<br />
i=<br />
1<br />
( x<br />
( x<br />
ii<br />
iσ<br />
σi<br />
i=<br />
1 i=<br />
1<br />
×<br />
r<br />
∑<br />
r<br />
∑<br />
iσ<br />
× x<br />
× x<br />
σi<br />
)<br />
)<br />
100<br />
avec :<br />
x iσ total en ligne<br />
x σ i total en colonne<br />
N nombre total d’observation<br />
r nombre de lignes de la matrice de confusion (c’est à dire nombre de<br />
classes).<br />
Ce coefficient prend indirectement en compte les erreurs de commission <strong>et</strong><br />
d’omission ; il indique dans quelle mesure le % de pixels correctement classés est<br />
dû à un réel accord entre les données de référence (<strong>par</strong>celles d’entraînement) <strong>et</strong> la<br />
classification ou bien si c<strong>et</strong> accord est le fruit du hasard. Ainsi, k = 0, la<br />
classification n’offre pas de meilleur résultat qu’une assignation aléatoire de la<br />
valeur des pixels [BAS, 00] ; k = 100, indique donc que la classification dirigée a<br />
nécessairement utilisé les données de référence pour bien classer tous les pixels<br />
de l’image.<br />
On considère, en télédétection, une bonne correspondance entre la<br />
cartographie issue de la classification des données pixellaires <strong>et</strong> les observations<br />
de terrain lorsque k > 80 [GIR, 99].<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 49
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
3 ème <strong>par</strong>tie<br />
Les classifications utilisant les canaux radiométriques de base<br />
Dans c<strong>et</strong>te <strong>par</strong>tie, des classifications avec les 3 ou 4 canaux de base, issus<br />
des caméras argentiques <strong>et</strong> numériques de l'IGN, sont effectuées sur les scènes<br />
de Troyes <strong>et</strong> de Toulouse. Pour ce faire :<br />
1) un com<strong>par</strong>atif des résultats est fait :<br />
- entre la série d’images de Troyes <strong>et</strong> la série d’images de Toulouse<br />
- entre la série d’images de Toulouse corrigé <strong>et</strong> de Toulouse non corrigé<br />
2) la qualité des classifications est effectuées à l’aide d’indices de qualité<br />
(précision globale <strong>et</strong> précision totale) <strong>et</strong> de matrice de confusion définis dans<br />
la <strong>par</strong>tie précédente.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 50
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1. Résultats graphiques <strong>et</strong> cartographiques<br />
Les résultats de la classification se présentent sous forme graphique <strong>et</strong><br />
cartographique. D’abord, une fois les classes délimitées géographiquement, on<br />
peut s’intéresser à leurs statistiques (moyenne, écart type) <strong>et</strong> com<strong>par</strong>er le<br />
comportement radiométrique enregistré au comportement radiométrique<br />
théorique. Ensuite, on peut analyser visuellement la qualité de la cartographie.<br />
1.1 Statistiques des classes<br />
La moyenne numérique des classes sur les canaux RVB (<strong>et</strong> PIR à<br />
Toulouse) est intéressante à étudier ; c<strong>et</strong>te moyenne est calculée dans MultiSpec,<br />
grâce à la fonction List Stats… de la fenêtre Project. Le comportement<br />
radiométrique des classes peut être com<strong>par</strong>é au comportement théorique<br />
habituel observé sur le même type de surfaces.<br />
L’écart type des classes peut être aussi calculé <strong>et</strong> sert à voir si une classe<br />
est homogène ou hétérogène. Plus une classe est hétérogène (dans un canal<br />
donné), plus elle sera difficile à classer.<br />
1.1.1 Méthodes d’acquisition des statistiques<br />
Les moyennes <strong>et</strong> les écarts types des classes sont calculés dans MultiSpec<br />
sur les <strong>par</strong>celles d’entraînement uniquement. Ces valeurs centrales n’ont<br />
cependant pas directement été calculées sur les images de base (figures 8 <strong>et</strong> 10).<br />
Sur les conseils de mon tuteur, il a fallu utiliser des images modifiées <strong>par</strong> des<br />
filtres. J’ai donc des images différentes pour calculer les statistiques <strong>et</strong> pour faire<br />
les classifications, ce qui n’est cependant pas gênant puisque les filtres vont<br />
modifier de la même façon les valeurs radiométriques sur tous les pixels de<br />
l’image.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 51
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• Pour Toulouse corrigé <strong>et</strong> non corrigé<br />
1) Dans un premier temps, il a fallu traiter le voile atmosphérique en<br />
appliquant un filtre qui consiste à soustraire aux valeurs de tous pixels, la<br />
valeur minimale (tableau 6), dans chaque canal. L’histogramme de<br />
distribution commence ainsi à 0.<br />
Tableau 6 : Valeurs radiométriques minimales sur les images de Toulouse dans les<br />
4 canaux de base<br />
Bleu Vert Rouge PIR<br />
Corrigé 6 12 21 11<br />
Non Corrigé 16 22 32 17<br />
2) Ensuite, il a fallu se baser sur les valeurs radiométriques moyennes de la<br />
classe bitume dans les 4 canaux, pour que toutes les classes aient une<br />
valeur radiométrique la plus proche de la réalité.<br />
En eff<strong>et</strong>, le comportement radiométrique théorique du bitume est assez<br />
rectiligne dans ces 4 longueurs d’onde [LAC, 04 ; figure 17]. Or ce n’était pas le<br />
cas à Toulouse, surtout pour le canal PIR : la calibration de la caméra, ou<br />
balance des blancs, n’a pas été faite pour le canal PIR avant la prise de vue à<br />
Toulouse.<br />
Il a donc fallu trouvé les coefficients multiplicateurs perm<strong>et</strong>tant de changer<br />
les valeurs radiométriques moyennes de toutes les classes.<br />
En se servant de la valeur radiométrique moyenne du canal Bleu pour la<br />
classe bitume, on cherche les coefficients perm<strong>et</strong>tant de passer du bleu au<br />
vert, du bleu au rouge <strong>et</strong> du bleu au PIR (tableau 7) pour c<strong>et</strong>te classe.<br />
Tableau 7 : Coefficients multiplicateurs perm<strong>et</strong>tant la correction des valeurs<br />
radiométriques sur les images de Toulouse<br />
Toulouse corrigé<br />
Toulouse Non corrigé<br />
Du bleu au vert 0,979 0,988<br />
Du bleu au rouge 1,154 1,02<br />
Du bleu au PIR 2,141 2,927<br />
On voit bien qu’étant proches de 1, les coefficients multiplicateurs vont avoir<br />
une faible influence sur les valeurs des canaux vert <strong>et</strong> rouge. La balance des<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 52
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
blancs étant faite pour les canaux RVB, il n’est pas forcement nécessaire<br />
d’effectuer des modifications sur ces deux canaux.<br />
Par contre, les valeurs du canal PIR seront multipliées <strong>par</strong> 2 environ pour les<br />
classes des images de Toulouse corrigé <strong>et</strong> multipliées <strong>par</strong> 3 environ pour les<br />
classes des images de Toulouse non corrigé.<br />
On garde les valeurs du canal bleu pour les 12 classes, <strong>et</strong> on multiplie celles<br />
des 3 autres canaux <strong>par</strong> les coefficient (voir tableaux de données en<br />
annexe 3). Les valeurs moyennes pour la classe bitume sont donc les mêmes<br />
dans les 4 canaux. On obtient ainsi les figures 16b <strong>et</strong> 16c, où la courbe de la<br />
classe bitume est totalement rectiligne.<br />
• Pour Troyes<br />
Aucun traitement n’a été fait : les moyennes sont calculées directement (figure<br />
16a) sur l’image de base (figure 8). En eff<strong>et</strong>, ces images étant plus anciennes que<br />
celles de Toulouse, elles avaient déjà été traitées antérieurement, pour le voile<br />
atmosphérique notamment. De plus, comme il n’y a pas de canal PIR, il n’y a pas<br />
eu de problème pour la balance des blancs dans ce canal. Et on voit que le<br />
comportement radiométrique de la classe bitume est assez rectiligne sur les<br />
canaux RVB.<br />
1.1.2 Comportement radiométrique des classes sur les 3 séries<br />
d’images<br />
1.1.2.1 Comportement radiométrique moyen<br />
• Troyes<br />
A Troyes (figure 16a), les 4 classes végétales (autre végétation, bois, champs<br />
cultivés <strong>et</strong> prairies, vergers) ont des comportements moyens identiques sur les 3<br />
canaux (notamment avec un pic dans le canal vert) ; on peut noter que les<br />
classes champs cultivés <strong>et</strong> prairies, vergers <strong>et</strong> autre végétation ont toutes les 3 des<br />
valeurs radiométriques moyennes extrêmement proches. Cela laisse supposer<br />
que les pixels de ces classes ont des valeurs radiométriques très proches sur ces<br />
3 canaux <strong>et</strong> qu’il sera peut-être difficile de les distinguer, de les classer <strong>et</strong> donc<br />
de les cartographier.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 53
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
On peut faire des remarques identiques pour les classes sols nus <strong>et</strong> terres<br />
arables : elles sont <strong>par</strong>allèles (pic dans le rouge) mais avec des valeurs moyennes<br />
différentes, plus faibles pour la classe terres arables.<br />
Les classes bitume <strong>et</strong> bois sembleraient les plus <strong>par</strong>ticulières <strong>et</strong> <strong>par</strong>-là même, les<br />
mieux classées. Ces hypothèses seront vérifiées ou réfutées dans les <strong>par</strong>agraphes<br />
suivants.<br />
a.<br />
Figure 16 : Comportement radiométrique des classes<br />
a. Sur les images de Troyes<br />
b. Sur les images de Toulouse corrigé (page suivante)<br />
c. Sur les images de Toulouse non corrigé (page suivante)<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 54
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
b.<br />
c.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 55
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
• Toulouse<br />
Le comportement radiométrique des classes est assez semblable sur les images<br />
de Toulouse corrigé (figure 16b) <strong>et</strong> sur celles de Toulouse non corrigé (figure 16c)<br />
puisque les courbes sont quasiment <strong>par</strong>allèles. Cependant, les intensités sont<br />
plus grandes à Toulouse non corrigé (<strong>par</strong> exemple, pour les classes champs <strong>et</strong><br />
prairies <strong>et</strong> haies, les valeurs radiométriques dans le canal PIR vont jusqu’à 240<br />
pour les images de Toulouse non corrigé <strong>et</strong> jusqu’à 150 pour Toulouse corrigé,<br />
environ). Cela est dû au coefficient multiplicateur (tableau 7) beaucoup plus élevé<br />
dans le PIR sur les classes des images de Toulouse non corrigé.<br />
Hormis la classe eau, les 11 autres classes ont un comportement radiométrique<br />
similaire : les valeurs moyennes augmentent pour à peu près toutes les classes,<br />
du canal bleu au canal rouge. Le comportement radiométrique moyen des classes<br />
est différencié avec le canal PIR puisqu’il oppose les classes qui connaissent une<br />
un pic dans le canal PIR (les classes végétales : champs <strong>et</strong> prairies, vergers,<br />
vignes, broussailles, bois) <strong>et</strong> les autres (les classes minérales : sable humide,<br />
carrières <strong>et</strong> terres arables), qui n’ont pas de pic dans le canal PIR.<br />
Les classes que l’on r<strong>et</strong>rouve à Toulouse <strong>et</strong> à Troyes (terres arables,<br />
bitume, champs <strong>et</strong> prairies) ont le même comportement radiométrique moyen,<br />
sauf bois <strong>et</strong> vergers, qui n’ont pas de pic dans le vert, à Toulouse. Il faut rappeler<br />
que les dates de prise de vue sont différentes à Troyes <strong>et</strong> à Toulouse ; en fin<br />
d’automne à Toulouse, en pleine période où la durée du jour est la plus courte <strong>et</strong><br />
où le soleil est au plus bas à l’horizon, les arbres sont dépourvus de feuilles <strong>et</strong><br />
n’ap<strong>par</strong>aissent pas en vert sur la composition colorée RVB, mais en brun. Ce<br />
n’est pas le cas à Troyes puisque la végétation est en pleine activité<br />
chlorophyllienne au mois de mai.<br />
Cependant, il faut relativiser ces valeurs car ce sont des moyennes <strong>et</strong><br />
qu’elles peuvent masquer d’importantes hétérogénéités car elles sont sensibles<br />
aux valeurs extrêmes.<br />
1.1.2.2 Classes homogènes <strong>et</strong> hétérogènes<br />
Pour voir si une classe est hétérogène ou non, il faut connaître son écart<br />
type (voir annexe 4). Il ressort que les classes homogènes (qui ont de faibles<br />
écarts types sur les canaux RVB PIR) sont principalement les clairières (ou autre<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 56
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
végétation), l’eau, les bois, les broussailles, les champs <strong>et</strong> prairies (sauf au niveau<br />
du canal PIR pour les images de Troyes), les vignes, les sols nus. Les classes<br />
hétérogènes sont le bâti, le bitume, les carrières, les haies, le sable humide (sauf<br />
au niveau du canal PIR pour les images de Troyes), les terres arables, les vergers.<br />
1.1.3 Comportement enregistré conforme au comportement<br />
théorique<br />
Ce comportement radiométrique enregistré des classes, sur les séries<br />
d’images de Troyes, Toulouse corrigé <strong>et</strong> Toulouse non corrigé est à com<strong>par</strong>er avec<br />
le comportement théorique d’états de surface similaires. On peut le trouver dans<br />
la littérature [GIR, 99] ou sur Intern<strong>et</strong>.<br />
Source : http://perso.wanadoo.fr/ccpasteur/ondes.html<br />
Figure 17 : Comportement spectral théorique<br />
D’une manière générale, les classes végétales de Toulouse montrent<br />
toutes un pic dans le PIR, ce qui est conforme au comportement spectral<br />
enregistré de façon théorique avec un spectromètre soit en laboratoire soit sur le<br />
terrain, comme on peut le voir sur la figure 17, avec le comportement de l’herbe<br />
(p<strong>et</strong>it pic dans le vert, gros pic dans le PIR) : la réflectance est maximale dans le<br />
PIR. Cela est dû à la nature même des végétaux chlorophylliens : la quantité de<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 57
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
rayonnement absorbée <strong>par</strong> une feuille chlorophyllienne est très faible dans le<br />
PIR. D’où, une réflectance importante, <strong>et</strong> cela sur les images de Toulouse, même<br />
si la végétation est au repos (l’activité chlorophyllienne est moindre en hiver).<br />
On voit bien aussi que le bitume (ou asphalte sur la figure 17) a un<br />
comportement spectral linéaire sur ces longueurs d’onde.<br />
Le comportement observé de l’eau, sur les images est lui aussi<br />
conforme au comportement théorique : l’eau (pure) réfléchit très peu dans le<br />
rouge <strong>et</strong> le PIR, donc absorbe la quasi totalité du rayonnement solaire. Les<br />
valeurs numériques de l’eau sont très faibles : l’eau ap<strong>par</strong>aît en noir sur les<br />
images ndg de Toulouse corrigé (figure 18).<br />
Figure 18 : Extrait de l’image de Toulouse corrigé<br />
L’eau ap<strong>par</strong>aît en noir sur l’image PIR<br />
Une fois les classes délimitées géographiquement <strong>et</strong> décrites<br />
statistiquement, il ne reste plus qu’à lancer l’algorithme d’apprentissage choisi,<br />
pour faire la classification dirigée.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 58
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1.2 <strong>Classification</strong>s avec les canaux d’origine<br />
Plusieurs classifications sont faites avec les canaux de base :<br />
- une classification RVB sur Troyes (figure 19)<br />
- une classification RVB sur Toulouse corrigé (figure 20)<br />
- une classification RVB PIR sur Toulouse corrigé (figure 21)<br />
- une classification RVB sur Toulouse non corrigé (annexe 5a)<br />
- une classification RVB PIR sur Toulouse non corrigé (annexe 5b)<br />
Pour la classification RVB de Troyes, on voit que l’algorithme de<br />
classification a relativement bien déterminé les zones de bois (en vert foncé), si on<br />
com<strong>par</strong>e c<strong>et</strong>te classification à la composition colorée en synthèse additive des<br />
canaux RVB (figure 8). On peut penser que le comportement radiométrique<br />
moyen de la classe bois (figure 16a), assez <strong>par</strong>ticulier <strong>par</strong> rapport à celui des<br />
autres classes, ait joué dans la bonne classification visuelle de c<strong>et</strong>te classe.<br />
Il faut cependant noter que certains champs cultivés ou prairies, qui possèdent<br />
une couleur vert-foncé (figure 8), ont été classés en tant que bois, à l’Est de<br />
l’image.<br />
La classe verger est surestimée : alors qu’il n’y avait que quelques<br />
<strong>par</strong>celles de vergers, isolées sur la figure 8, le classifieur a classé en verger des<br />
zones qui ne le sont pas : de nombreux champs sont en jaune sur la figure 19.<br />
De même la classe autre végétation, qui devrait correspondre aux zones de<br />
clairières, ne se r<strong>et</strong>rouve pas à l’intérieur des bois : un champs à l’extrême Est a<br />
été classé en tant qu’autre végétation.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 59
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
N<br />
0 500 m<br />
Figure 19 : <strong>Classification</strong> RVB sur l’image de Troyes<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 60
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
N<br />
0 1km<br />
Figure 20 : <strong>Classification</strong> RVB sur l’image de Toulouse corrigée<br />
0 1km<br />
Figure 21 : <strong>Classification</strong> RVB PIR sur l’image de Toulouse corrigé<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 61
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
La classification RVB de Toulouse, figure 20, semble globalement assez<br />
grossière dans le sens où les <strong>par</strong>celles de champs (cultivés ou non) sont<br />
découpées de manière aléatoire ; de plus, c<strong>et</strong>te classification présente des<br />
<strong>par</strong>celles de vignes <strong>et</strong> de vergers assez grandes, alors que sur la composition<br />
colorée (figure 10b) <strong>et</strong> sur l’image de découpage des <strong>par</strong>celles d’entraînement <strong>et</strong><br />
des <strong>par</strong>celles test (figure 15), elles sont assez p<strong>et</strong>ites. De même les haies, qui ne<br />
sont que des zones ligneuses rectilignes, larges de quelques pixels, sont classées<br />
comme de grosses <strong>par</strong>celles géométriques non rectilignes.<br />
On peut en revanche considérer que, visuellement, la classe bâti est bien<br />
découpée : les pixels très réfléchissant des bâtiments (aux valeurs fortes sur les 3<br />
canaux), ap<strong>par</strong>aissant dans de p<strong>et</strong>ites taches cyan clair sur la composition<br />
colorée (figure 10), sont assez bien ressortis sur la classification. Il peut<br />
cependant y avoir confusion avec la classe carrière, elle aussi très réfléchissante.<br />
Cela ne pose cependant pas de problème car :<br />
- la classe bâti <strong>et</strong> la classe carrières n’intéressent pas la problématique de ce<br />
stage, qui est de cartographier les zones végétales <strong>et</strong> les zones agricole,<br />
- ces deux classes peuvent être détectées avec d’autres méthodes (en utilisant<br />
un masque du cadastre).<br />
La classe eau a bien été classée au niveau de lacs artificiels mais pas<br />
intégralement au niveau de la Garonne : il y a deux grosses coupures au Nord <strong>et</strong><br />
au Sud du fleuve.<br />
L’intégration du canal PIR semble améliorer visuellement la classification<br />
de Toulouse (figure 21) ; les <strong>par</strong>celles de vignes, de vergers <strong>et</strong> de haies sont plus<br />
p<strong>et</strong>ites, mais encore surestimées <strong>par</strong> le classifieur, la Garonne est beaucoup<br />
moins découpée, ….<br />
Dans les deux cas, pour les classifications de Toulouse corrigé (avec ou<br />
sans canal PIR), la classe terres arables, majoritaire en c<strong>et</strong>te saison, semble<br />
sous-estimée <strong>par</strong> le classifieur.<br />
Des remarques com<strong>par</strong>ables peuvent être appliquées aux classifications<br />
faites sur Toulouse non corrigé (annexes 5a, 5b <strong>et</strong> 5c).<br />
Cependant, ces réflexions sur la qualité visuelle des classifications ne sont<br />
qu’un prélude à la véritable estimation statistique de la qualité de ces<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 62
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
classifications. Il semblerait que ces classifications soient très intéressantes pour<br />
la reconnaissance de certaines classes, mais posent un certain nombre de<br />
problèmes pour d’autres classes ; ces problèmes seront peut-être résolus grâce à<br />
l’intégration de nouveaux canaux (voir 4 ème <strong>par</strong>tie). Mais avant, la qualité des<br />
classifications faites avec les canaux radiométriques de base doit être estimée<br />
numériquement.<br />
2 Evaluation de la qualité des classifications<br />
La qualité des classifications est faite en utilisant :<br />
• des matrices de confusion,<br />
• des indices issus de la matrice de confusion (dont la précision globale, qui<br />
calcule le pourcentage de pixels bien classés),<br />
• l’indice Kappa (ou précision totale), qui perm<strong>et</strong> de quantifier la conformité<br />
entre les <strong>par</strong>celles d’entraînement 23 <strong>et</strong> les classes définies <strong>par</strong> l’algorithme de<br />
classification.<br />
2.1 Matrices de confusion <strong>et</strong> indicateurs associés à Troyes<br />
La matrice de confusion issue de la classification de l’image de Troyes est<br />
présentée ici (tableau 8), pour les <strong>par</strong>celles d’entraînement définies en 2 ème <strong>par</strong>tie.<br />
Pour voir la matrice des <strong>par</strong>celles test, se référer en annexe 6. La classe fond est<br />
exclue des commentaires suivants.<br />
23 Ou les <strong>par</strong>celles test.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 63
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 8 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image de<br />
Troyes. <strong>Classification</strong> RVB<br />
Autre<br />
végétation<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
Nb<br />
arables Vergers Fond pixels<br />
ECi<br />
Erreur<br />
de<br />
déficit<br />
748 1 5 32 2 1 12 0 801 93,4 6,6<br />
Bitume 5 1 778 6 9 6 37 87 0 1 928 92,2 7,8<br />
Bois 125 44 62 151 360 0 37 116 0 62 833 98,9 1,1<br />
Champs<br />
cultivés,<br />
prairies<br />
587 108 14 470 121 058 26 2 483 3 482 0 142 214 85,1 14,9<br />
Sols nus 0 7 0 0 3 568 272 5 0 3 852 92,6 7,4<br />
Terres<br />
Arables<br />
10 504 7 469 23 415 83 963 6 832 0 115 200 72,9 27,1<br />
Vergers 20 0 23 517 0 3 1 264 0 1 827 69,2 30,8<br />
Fond 0 0 0 0 0 0 0 171 544 171 544 100,0 0,0<br />
Nb pixels 1 495 2 442 76 662 122 445 27 017 86 796 11 798 171 544 500 199<br />
EOi 50,0 72,8 81,1 98,9 13,2 96,7 10,7 100<br />
Erreur<br />
d’excédent<br />
50,0 27,2 18,9 1,1 86,8 3,3 89,3 0,0<br />
La matrice se lit de la manière suivante (figures 22 <strong>et</strong> 23) :<br />
2.1.1 Lecture en ligne<br />
Parmi les 801 pixels délimités <strong>par</strong> l’utilisateur en tant que classe autre<br />
végétation :<br />
- 748 pixels ont été effectivement classés comme classe autre végétation,<br />
<strong>par</strong> l’algorithme de classification (soit 93,4 % environ),<br />
- 1 pixel a été classé comme classe bitume (soit 0,1%),<br />
- 5 pixels ont été classés comme classe bois (soit 0,6%),<br />
- 32 pixels ont été classés comme classe champs cultivés (soit 4%),<br />
- 2 pixels ont été classés comme classe sols nus (soit 0,2%),<br />
- 1 pixel a été classé comme classe terres arables (soit 0,1%),<br />
- 12 pixels ont été classés comme classe vergers (soit 1,5%),<br />
- aucun pixel n’a été classé comme classe fond.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 64
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
On peut donc considérer que ces 93,4% représentent une bonne<br />
classification des <strong>par</strong>celles autre végétation <strong>par</strong> l’algorithme : les <strong>par</strong>celles d’autre<br />
végétation sont bien classées, <strong>et</strong> n’ont pas été confondues avec les autres classes.<br />
Parcelle délimitée en tant que<br />
classe autre végétation<br />
Pixels bien classés comme autre<br />
végétation <strong>par</strong> le classifieur<br />
Pixels classés comme vergers <strong>par</strong> le<br />
classifieur<br />
Pixels classés non délimités, donc<br />
non pris en compte dans les erreurs<br />
en ligne<br />
Figure 22 : Exemple de pixels mal classés. Erreur de commission<br />
Globalement, les pixels ap<strong>par</strong>tenant aux <strong>par</strong>celles délimitées <strong>par</strong><br />
l’utilisateur ont bien été classés : les ECi sont supérieures à 80%, sauf pour les<br />
classes terres arables (l’erreur de déficit est de 27,1%, principalement <strong>par</strong>ce que<br />
20,3% des pixels délimités comme terres arables ont été classés comme sols nus)<br />
<strong>et</strong> les vergers (l’erreur de déficit est de 30,8%, principalement <strong>par</strong>ce que 28,3%<br />
des pixels délimités comme vergers ont été classés comme champs cultivés <strong>et</strong><br />
prairies).<br />
2.1.2 Lecture en colonne<br />
Parmi les 500 199 pixels délimités en tant que <strong>par</strong>celles d’entraînement,<br />
1 495 ont été classés dans la classe autre végétation <strong>par</strong> le classifieur, soit le<br />
double des pixels autre végétation délimités <strong>par</strong> l’utilisateur (erreur<br />
d’excédent de 50%). Parmi ces 1 495 pixels :<br />
- 748 étaient délimités <strong>par</strong> l’utilisateur comme pixels de la classe autre<br />
végétation (soit 50%),<br />
- 5 étaient délimités comme pixels de la classe bitume (soit 0,3%),<br />
- 125 étaient délimités comme pixels de la classe bois (soit 8,3%),<br />
- 587 étaient délimités comme pixels de la classe champs cultivés <strong>et</strong><br />
prairies (soit 39,2%),<br />
- aucun pixel n’était délimité comme classe sols nus,<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 65
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- 10 étaient délimités comme pixels de la classe terres arables (soit<br />
0,7%),<br />
- 20 étaient délimités comme pixels de la classe vergers (soit 1,3%),<br />
- aucun pixel n’était délimité comme classe fond.<br />
Parcelle délimitée <strong>par</strong> l’utilisateur<br />
en tant que classe autre végétation<br />
Pixels classés <strong>par</strong> l’algorithme<br />
comme autre végétation<br />
Pixels classés <strong>par</strong> l’algorithme<br />
comme vergers<br />
Pixels classés non délimités, donc<br />
non pris en compte dans les erreurs<br />
en colonne<br />
Figure 23 : Exemple de pixels mal classés. Erreur d’omission<br />
Les EOi sont moins bonnes que les ECi : hormis les classes champs<br />
cultivés <strong>et</strong> prairies, bois <strong>et</strong> terres arables, on peut considérer que les autres<br />
classes sont mal prises en compte <strong>par</strong> le classifieur, donc mal cartographiées. Il y<br />
a en eff<strong>et</strong> confusion, plus ou moins forte il est vrai, entre les classes :<br />
- autre végétation <strong>et</strong> champs cultivés <strong>et</strong> prairies,<br />
- bitume <strong>et</strong> terres arables,<br />
- sols nus <strong>et</strong> terres arables,<br />
- vergers <strong>et</strong> champs cultivés <strong>et</strong> prairies,<br />
- vergers <strong>et</strong> terres arables.<br />
En eff<strong>et</strong>, si le substrat d’un verger ressort en vert sur la composition<br />
colorée RVB (figure 8, annexe 7), il peut y avoir confusion entre un verger <strong>et</strong> un<br />
champ cultivé (activité chlorophyllienne) ; si le substrat ressort en marron, il<br />
peut y avoir confusion entre un verger <strong>et</strong> un champ en labour (une terre arable,<br />
donc pas d’activité chlorophyllienne) ; un verger est donc, dans ce contexte, une<br />
sorte de mélange radiométrique entre champ cultivé <strong>et</strong> terre arable (figure<br />
24c <strong>et</strong> 24d). D’où, confusion entre ces classes.<br />
De même, la classe autre végétation, composée de p<strong>et</strong>ites zones<br />
d’herbacées situées à l’intérieur d’une grande zone de ligneux, ressemble<br />
radiométriquement à une zone de prairie.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 66
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Enfin, la classe sols nus, considérée comme non agricole, n’a peut-être pas<br />
de légitimité <strong>et</strong> s’ap<strong>par</strong>ente trop à la classe terres arables.<br />
Une <strong>par</strong>tie des pixels de terres arables est cartographiées dans le bitume.<br />
C<strong>et</strong>te classe est surestimée. Cela peut être lié au fait que :<br />
- terre arable <strong>et</strong> bitume aient une réponse radiométrique assez proche sur les<br />
canaux RVB, surtout en zone agricole,<br />
- les <strong>par</strong>celles d'entraînement ont été plus ou moins bien délimitées <strong>par</strong><br />
l'utilisateur. En eff<strong>et</strong>, les routes ne sont ici constituées que d'1 à 3 pixels de<br />
large <strong>et</strong> peuvent déborder sur les terres arables. Mais dans ce cas, il y aurait<br />
dû avoir aussi confusion avec les champs cultivés <strong>et</strong> prairies. C'est le cas ici<br />
mais de façon moindre.<br />
On peut conclure sur c<strong>et</strong>te matrice de confusion en disant que la classe<br />
bois ne pose pas trop de problème de classification. Cependant, ce propos est à<br />
nuancer : si seulement 1,1% des pixels délimités <strong>par</strong> l’utilisateur n’ap<strong>par</strong>tiennent<br />
pas à la classe bois, 18,9% des pixels classés en tant que bois ap<strong>par</strong>tiennent aux<br />
<strong>par</strong>celles de champs cultivés.<br />
2.1.3 Précision Globale<br />
La précision globale de c<strong>et</strong>te image de Troyes est de 89,2% avec la classe<br />
fond mais surtout de 83,5% sans la classe fond. La précision globale a été<br />
calculée en excluant la classe fond. En eff<strong>et</strong>, étant tout à fait bien discriminée <strong>par</strong><br />
le classifieur (ECi <strong>et</strong> EOi de 100%), à cause de son comportement radiométrique<br />
totalement spécifique, son intégration dans le calcul de ce indice le biaise <strong>et</strong> le<br />
résultat se trouve trop élevé <strong>par</strong> rapport à la réalité. La précision globale sans la<br />
classe fond a été calculée ici comme :<br />
PG<br />
SansClasseFond<br />
n<br />
∑ xii − xfond<br />
i=<br />
1<br />
= ×100<br />
X − Xfond<br />
avec :<br />
Σxii : total de la diagonale de la matrice<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 67
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
x : nombre total de pixels nombre total de pixels délimités <strong>par</strong> l’utilisateur<br />
X fond : nombre de pixels classés au total dans la classe fond<br />
x fond : nombre de pixels bien classés dans la classe fond<br />
En général, sur les image de Troyes <strong>et</strong> de Toulouse, X fond = x fond .<br />
2.1.4 Recouvrements entre classes<br />
La précision globale peut être considérée comme bonne. Néanmoins, elle<br />
cache de grandes dis<strong>par</strong>ités entre les classes. MultiSpec <strong>et</strong> un logiciel<br />
d’histogrammes de fréquence des classes sur les canaux 24 montrent qu’il y a en<br />
eff<strong>et</strong> de nombreux recouvrements (figures 24 <strong>et</strong> 25) : de nombreux pixels,<br />
ap<strong>par</strong>tenant à des classes différentes, ont des valeurs numériques proches. Il est<br />
donc très difficile au classifieur de les distinguer n<strong>et</strong>tement.<br />
En vert : Terres arables ; en cyan : vergers <strong>et</strong> autre végétation ; en jaune : sols nus ; en<br />
bleu : bitume ; en magenta : bois ; en rouge : champs cultivés <strong>et</strong> prairies<br />
Figure 24 : Histogramme 3D montrant le recouvrement des 7 classes, à Troyes,<br />
sur les canaux RVB<br />
24 Logiciel de visualisation d’histogrammes développé au MATIS.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 68
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
a. b.<br />
c. d.<br />
Figure 25 : Histogramme montrant le recouvrement à Troyes des classes :<br />
a. terres arables <strong>et</strong> sols nus<br />
b. autre végétation/champs cultivés <strong>et</strong> prairies<br />
c. vergers/champs cultivés <strong>et</strong> prairies<br />
d. vergers/terres arables<br />
C’est notamment le cas entre les classes autre végétation <strong>et</strong> champs<br />
cultivés <strong>et</strong> prairies (b) <strong>et</strong> entre vergers <strong>et</strong> champs cultivés <strong>et</strong> prairies (c) <strong>et</strong> entre<br />
vergers <strong>et</strong> terres arables (d), mais pas tellement entre sols nus <strong>et</strong> terres arables<br />
(a) : les sols nus correspondent à une classe très claire, donc très réfléchissante,<br />
homogène (aux valeurs radiométriques peu étendues dans les 3 canaux), mais il<br />
peut y avoir recouvrements avec la classe terres arables au niveau des pixels les<br />
plus clairs de celle-ci.<br />
2.1.5 Nouvelles matrices de confusion<br />
Pour améliorer ces classifications, plusieurs options sont possibles :<br />
- refaire une nouvelle délimitation des <strong>par</strong>celles d’entraînement, pour en choisir<br />
des plus représentatives des classes choisies (option non r<strong>et</strong>enue),<br />
- refaire ces classifications en changeant les classes ou en les regroupant<br />
(option prise dans le <strong>par</strong>agraphe suivant),<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 69
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- utiliser d’autres canaux où les recouvrement seraient moindres (option<br />
commentée en 4 ème <strong>par</strong>tie).<br />
De nouvelles classifications sont donc refaites sur l’image de<br />
Troyes, toujours avec les canaux RVB :<br />
- sans la classe <strong>et</strong> les <strong>par</strong>celles d’entraînement <strong>et</strong> test autre végétation, trop<br />
marginales sur l’image, voire non existante (tableau 8), qui n’existe même pas<br />
sur les trames des cartes IGN 1/25 000 ème (figure 1),<br />
- sans la classe <strong>et</strong> les <strong>par</strong>celles sols nus, trop semblable à la classe terres<br />
arables (tableau 9),<br />
- sans ces 2 classes <strong>et</strong> leurs <strong>par</strong>celles (tableau 10).<br />
Tableau 9 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19.<br />
<strong>Classification</strong> RVB sans la classe autre végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
Erreur de<br />
Arables Vergers Fond Nb pixels ECi déficit<br />
Bitume 1 777 7 13 6 37 88 0 1 928 92,2 7,8<br />
Bois 41 62 201 413 0 37 141 0 62 833 99,0 1,0<br />
Champ cultivé 87 14554 121 600 26 2483 3464 0 142 214 85,5 14,5<br />
Sols nus 7 0 0 3 568 272 5 0 3 852 92,6 7,4<br />
Terres arables 503 7 482 23415 83 963 6830 0 115 200 72,9 27,1<br />
Verger 0 25 527 0 3 1 272 0 1 827 69,6 30,4<br />
Fond 0 0 0 0 0 0 171 544 171 544 100,0 0,0<br />
Nb pixels 2 415 76 794 123 035 27 015 86 795 11 800 171 544 499 398<br />
EOi 73,6 81,0 98,8 13,2 96,7 10,8 100<br />
Erreur<br />
d’excédent<br />
26,4 19,0 1,2 86,8 3,3 89,2 0,0<br />
La précision globale est de 89,3% avec la classe fond <strong>et</strong> de 84,5% sans la<br />
classe fond. En excluant la classe autre végétation, la précision globale n’a donc<br />
pas été améliorée. Globalement, les ECi <strong>et</strong> les EOi n’ont pas été améliorées non<br />
plus. Il se trouve que c<strong>et</strong>te solution n’était pas bonne.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 70
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 10 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19.<br />
<strong>Classification</strong> RVB sans la classe sol nu<br />
Autre<br />
végétation<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
748 1 5 32 3 12 0<br />
Terres<br />
Erreur de<br />
Arables Vergers Fond Nb pixels ECi déficit<br />
801<br />
93,4 6,6<br />
Bitume 5 1 780 6 9 41 87 0 1 928 92,3 7,7<br />
Bois 125 44 62 151 360 37 116 0 62 833 98,9 1,1<br />
Champ cultivé 9 326 106 14 162 113 430 2 543 2 647 0 142 214 79,8 20,2<br />
Terres arables 10 457 7 469 107 436 6 821 0 115 200 93,3 6,7<br />
Verger 20 0 23 517 3 1 267 0 1 830 69,3 30,7<br />
Fond 0 0 0 0 0 0 171 544 171 544 100,0 0,0<br />
Nb pixels 10 234 2 388 76 354 114 817 110 063 10 950 171 544 496 350<br />
Eoi 7,3 74,5 81,4 98,8 97,6 11,6 100<br />
Erreur<br />
d’excédent<br />
92,7 25,5 18,6 1,2 2,4 88,4 0,0<br />
La précision globale est de 92,3% avec la classe fond <strong>et</strong> de 88,3% sans la<br />
classe fond.<br />
En excluant la classe sols nus, on note une légère amélioration de la<br />
précision globale (+3,8 points). L’ECi de la classe terres arables a progressé de<br />
20,4 points, passant de 72,9% à 93,3%. Cependant, l’ECi de la classe champs<br />
cultivés <strong>et</strong> prairies a diminué de 5,3%.<br />
Il se peut cependant que la classe sols nus n’en soit pas une, mais que les<br />
<strong>par</strong>celles délimitées comme telles soient en fait bel <strong>et</strong> bien des terres arables,<br />
ap<strong>par</strong>tenant à la SAU (donc qui doivent être représentées <strong>par</strong> la trame blanche<br />
sur les cartes IGN). On peut en eff<strong>et</strong> apercevoir des sillages <strong>et</strong> traces laissées <strong>par</strong><br />
une engin de type tracteur (figure 26).<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 71
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Parcelle d’entraînement<br />
Parcelle test<br />
Figure 26 : Parcelles initialement considérées comme du sol nu<br />
Tableau 11 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19.<br />
<strong>Classification</strong> RVB sans la classe autre végétation ni sol nu<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Terres<br />
Arables<br />
Vergers Fond Nb pixels ECi<br />
Erreur de<br />
déficit<br />
Bitume 1 779 7 13 41 88 0 1 928 92,3 7,7<br />
Bois 41 62 201 413 37 141 0 62 833 99,0 1,0<br />
Champ cultivé 85 14258 122 845 2543 2483 0 142 214 86,4 13,6<br />
Terres arables 456 7 482 107 436 6819 0 115 200 93,3 6,7<br />
Verger 0 25 527 3 1 272 0 1 827 69,6 30,4<br />
Fond 0 0 0 0 0 171 544 171 544 100,0 0,0<br />
Nb pixels 2 361 76 498 124 280 110 060 10 803 171 544 495 546<br />
EOi 75,3 81,3 98,8 97,6 11,8 100<br />
Erreur<br />
d’excédent<br />
24,7 18,7 1,2 2,4 88,2 0,0<br />
La précision globale est de 94,3% avec la classe fond <strong>et</strong> de 91% sans la<br />
classe fond.<br />
En excluant les classes autre végétation <strong>et</strong> sols nus, la classification est<br />
sensiblement améliorée puisque la précision globale (toujours sans la classe<br />
fond) est maintenant de 91%. En même temps c<strong>et</strong>te classification est<br />
beaucoup simplifiée <strong>par</strong> rapport à la classification 7 classes.<br />
Sur le tableau 11, on voit que les ECi <strong>et</strong> les EOI sont presque toutes<br />
bonnes, sauf pour la classe vergers, qui pose toujours problème. Il semblerait<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 72
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
que la radiométrie classique (canaux RVB) ne soit pas suffisante pour<br />
cartographier c<strong>et</strong>te classe vergers.<br />
La 4 ème <strong>par</strong>tie apportera des réponses sur l’apport des nouveaux canaux<br />
<strong>texture</strong> <strong>et</strong> de radiométrie pour une meilleure cartographie de c<strong>et</strong>te classe vergers.<br />
2.1.6 Com<strong>par</strong>aison avec les <strong>par</strong>celles test<br />
Com<strong>par</strong>ativement aux matrices de confusion des <strong>par</strong>celles d’entraînement,<br />
les matrices de confusion des <strong>par</strong>celles test sont bien moins bonnes.<br />
Peut-être les <strong>par</strong>celles test sont-elles moins représentatives des classes. Il<br />
faudrait alors envisager de les changer.<br />
Cependant, les matrices les plus importantes à prendre en compte<br />
sont celles des <strong>par</strong>celles test, qui montrent ou pas la validité d’un<br />
algorithme de classification.<br />
Les classes les moins bien cartographiées (EOi) sont 25 :<br />
- autre végétation (le classifieur l’a presque intégralement classée avec les<br />
champs cultivés <strong>et</strong> prairies),<br />
- vergers (le classifieur les a confondu avec les champs cultivés <strong>et</strong> prairies <strong>et</strong><br />
terres arables),<br />
- terres arables (le classifieur les a confondues avec les champs cultivés <strong>et</strong><br />
prairies : l’erreur d’excédent est de 38,6% contre 3,3% pour les <strong>par</strong>celles<br />
d’entraînement). Or on peut penser que radiométriquement, ces classes sont<br />
assez différentes, sur les canaux RVB (voir figure 16c sur les radiométries<br />
moyennes enregistrées sur les <strong>par</strong>celles d’entraînement <strong>et</strong> figure 17 sur les<br />
comportements spectraux théoriques). Sans doute les <strong>par</strong>celles test ont-elles<br />
mal été délimitées pour qu’il y ait ici une telle confusion. Cependant, ce n’est<br />
pas gênant car dans la problématique initiale de détection des classe en<br />
fonction des trames IGN présentes sur les cartes topographiques au<br />
1/25 000 ème , les classes terres arables <strong>et</strong> champs cultivés <strong>et</strong> prairies sont<br />
regroupées dans la trame agricole, blanche.<br />
25 Pour voir le détail, se référer en annexe 8.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 73
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Les sols nus, qui posaient des problèmes au niveau des EOi, sur les<br />
<strong>par</strong>celles d’entraînement (tableau 8), n’en posent plus ici. Les différences de<br />
classification au niveau des pixels de sols nus sont étonnant car les pixels<br />
d’entraînement <strong>et</strong> les pixels test ont été délimités au niveau de la même <strong>par</strong>celle<br />
(voir figure 26).<br />
2.1.7 Indice Kappa<br />
Les valeurs de la classe fond n’ont pas été exclues du calcul de l’indice<br />
Kappa, directement donné dans MultiSpec. Il faut donc le prendre avec<br />
précaution <strong>et</strong> le considérer à la baisse, comme la précision globale, surtout pour<br />
Troyes, où la classe fond est <strong>par</strong>ticulièrement importante (elle comporte plus de<br />
170 000 pixels, contre quelques milliers pour les images de Toulouse).<br />
Tableau 12 : Indice Kappa sur les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test, à<br />
Troyes<br />
Sans Autre<br />
Sans Autre végétation<br />
Avec les 7<br />
Sans Sols nus<br />
végétation<br />
ni Sols nus<br />
classes<br />
(6 classes)<br />
(6 classes)<br />
(5 classes)<br />
Parcelles<br />
d’entraînement<br />
85,6 85,8 89,7 92,2<br />
Parcelles test 76,6 82,3 81,6 81,9<br />
• Evolution de l’indice Kappa lorsqu’on supprime une classe<br />
Les indices Kappa à Troyes montrent une évolution qui va dans le même sens<br />
que celle de la précision globale : la suppression des classes sols nus <strong>et</strong> autre<br />
végétation améliore c<strong>et</strong> indice de 6,6 points <strong>par</strong> rapport à l’indice portant sur<br />
la classification à 7 classes (pour les <strong>par</strong>celles d’entraînement <strong>et</strong> de 5,3 points<br />
pour les <strong>par</strong>celles test).<br />
• Com<strong>par</strong>aison de l’indice Kappa sur les <strong>par</strong>celles d’entraînement <strong>et</strong> les<br />
<strong>par</strong>celles test<br />
D’une manière générale, l’indice Kappa des <strong>par</strong>celles test est inférieur à celui<br />
des <strong>par</strong>celles d’entraînement.<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 74
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Cependant, les matrices de confusion <strong>et</strong> les indices tels que la précision<br />
globale <strong>et</strong> l’indice Kappa ne sont pas toujours proches pour les <strong>par</strong>celles<br />
d’entraînement <strong>et</strong> pour les <strong>par</strong>celles test (tableau ci-dessus <strong>et</strong> annexe 6).<br />
Il y a en eff<strong>et</strong> près de 10 points de différence entre le Kappa des <strong>par</strong>celles<br />
d’entraînement <strong>et</strong> celui des <strong>par</strong>celles test pour la classification 7 classes à<br />
Troyes. Les <strong>par</strong>celles test ne valident donc pas totalement les <strong>par</strong>celles<br />
d’entraînement. Plusieurs hypothèses peuvent expliquer cela :<br />
- l’algorithme de classification utilisé n’est pas adapté à la scène de<br />
Troyes,<br />
- les <strong>par</strong>celles test <strong>et</strong> les <strong>par</strong>celles d’entraînement ne sont pas<br />
rigoureusement de même nature radiométrique que les <strong>par</strong>celles test.<br />
2.2 Matrices de confusion <strong>et</strong> indicateurs associés à Toulouse<br />
8 matrices de confusion sont à com<strong>par</strong>er :<br />
• Toulouse corrigé<br />
- classification 3 canaux (RVB – figure 20)<br />
1. <strong>par</strong>celles d’entraînement (tableau 13)<br />
2. <strong>par</strong>celles test (annexe 8)<br />
- classification 4 canaux (RVBPIR – figure 21)<br />
3. <strong>par</strong>celles d’entraînement (tableau 14)<br />
4. <strong>par</strong>celles test (annexe 8)<br />
• Toulouse non corrigé<br />
- classification 3 canaux (RVB – annexe 5a)<br />
5. <strong>par</strong>celles d’entraînement (annexe 9)<br />
6. <strong>par</strong>celles test (annexe 9)<br />
- classification 4 canaux (RVBPIR – annexe 5b)<br />
7. <strong>par</strong>celles d’entraînement (annexe 9)<br />
8. <strong>par</strong>celles test (annexe 9)<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 75
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2.2.1 Trois canaux : RVB<br />
Tableau 13 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 20.<br />
<strong>Classification</strong> RVB de l’image de Toulouse corrigé<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 232 1 291 61 634 100 38 1 581 34 7 459 30 0 8 468 61,8 38,2<br />
Bitume 421 4 323 2 11 736 3 1 5 75 4 39 1 0 5 621 76,9 23,1<br />
Bois 1 515 1 79 759 22 420 35 245 1 1 313 0 1 291 219 297 0 107 096 74,5 25,5<br />
Broussailles 93 42 374 34 352 50 652 0 40 0 221 179 138 0 36 141 95,0 5,0<br />
Carrières 173 42 1 4 7 205 7 0 113 42 12 8 1 0 7 608 94,7 5,3<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
44 29 7 14 492 46 63 353 1 328 61 0 2 084 12 223 1 009 0 94 676 66,9 33,1<br />
Eau 197 91 1 617 1 489 22 5 462 70 514 500 1 3 46 1 0 79 943 88,2 11,8<br />
Haies 19 0 139 440 61 36 0 97 0 89 409 33 0 1 323 7,3 92,7<br />
Sable humide 3 216 0 0 5 0 0 0 783 0 0 0 0 1 007 77,8 22,2<br />
Terres arables 304 7 7 689 3 867 844 1 255 0 5 864 0 63 600 8 395 9 421 0 101 246 62,8 37,2<br />
Vergers 11 4 186 2 312 39 1 523 2 132 0 61 15 827 629 0 20 726 76,4 23,6<br />
Vignes 4 1 22 2 281 0 107 0 1 0 44 709 12 493 0 15 662 79,8 20,2<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0<br />
Nb pixels 8 016 6 047 89 857 82 302 9 143 72 681 71 847 8 707 935 67 416 38 513 24 053 8 980 488 497<br />
EOi 65,3 71,5 88,8 41,7 78,8 87,2 98,1 1,1 83,7 94,3 41,1 51,9 100,0<br />
Erreur<br />
d'excédent<br />
34,7 28,5 11,2 58,3 21,2 12,8 1,9 98,9 16,3 5,7 58,9 48,1 0,0<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 76
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2.2.2 Quatre canaux : RVB PIR<br />
Tableau 14 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 21.<br />
<strong>Classification</strong> RVBPIR de l’image de Toulouse corrigé<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 191 459 70 943 837 143 0 98 161 18 511 37 0 8 468 61,3 38,7<br />
Bitume 308 4 511 4 42 577 46 0 29 67 0 33 4 0 5 621 80,3 19,7<br />
Bois 1 436 16 78 962 22 264 2 463 0 2 882 0 152 558 359 2 107 096 73,7 26,3<br />
Broussailles 133 14 563 34 073 0 735 0 195 0 9 57 362 0 36 141 94,3 5,7<br />
Carrières 187 81 6 14 6 879 45 7 20 268 13 87 1 0 7 608 90,4 9,6<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
81 7 32 168 1 76 558 0 47 0 2 243 14 536 1 003 0 94 676 80,9 19,1<br />
Eau 25 21 1 540 0 341 1 77 945 41 7 4 17 1 0 79 943 97,5 2,5<br />
Haies 22 1 153 186 0 14 0 204 0 300 430 13 0 1 323 15,4 84,6<br />
Sable humide 4 1 0 0 109 0 0 0 893 0 0 0 0 1 007 88,7 11,3<br />
Terres arables 820 2 7 208 1 2 356 5 115 0 376 0 78 267 3 043 4 058 0 101 246 77,3 22,7<br />
Vergers 61 28 312 2 870 9 2 216 1 164 0 531 14 492 42 0 20 726 69,9 30,1<br />
Vignes 4 2 68 282 1 76 0 29 0 65 980 14 155 0 15 662 90,4 9,6<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0<br />
Nb pixels 8 272 5 143 88 918 60 843 11 112 85 412 77 953 4 085 1 396 81 602 34 744 20 035 8 982 488 497<br />
EOi 62,8 87,7 88,8 56,0 61,9 89,6 100,0 5,0 64,0 95,9 41,7 70,7 100,0<br />
Erreur<br />
d'excédent<br />
37,2 12,3 11,2 44,0 38,1 10,4 0,0 95,0 36,0 4,1 58,3 29,3 0,0<br />
DESS SIG – Université de Saint Etienne<br />
Sigrid GIFFON Promotion 2003-2004 77
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
On peut constater une amélioration des classifications de Toulouse<br />
corrigé grâce à l’apport du canal PIR.<br />
En eff<strong>et</strong>, sur les <strong>par</strong>celles d’entraînement, les ECi <strong>et</strong> les EOi sont meilleures<br />
avec le canal PIR (tableau 14) que sans (tableau 13). Le tableau 15 montre<br />
qualitativement <strong>et</strong> quantitativement c<strong>et</strong>te amélioration, qui est n’est cependant pas<br />
de la même intensité pour toutes les classes. Les classes qui connaissent la plus<br />
forte amélioration, grâce à l’apport du canal PIR, sont des classes qui intéressent<br />
<strong>par</strong>ticulièrement la problématique IGN de la cartographie <strong>et</strong> de la détection semiautomatique<br />
des trames de végétation (vertes <strong>et</strong> blanches), à savoir :<br />
- les champs cultivés <strong>et</strong> prairies<br />
- les terres arables<br />
- les vignes<br />
Tableau 15 : Classes améliorées grâce à l’apport du canal PIR<br />
ECi<br />
EOi<br />
(<strong>par</strong>celles d’entraînement) 26<br />
Grosse amélioration<br />
(de 10 à 19 %)<br />
Amélioration moyenne<br />
(de 0 à 10 %)<br />
- Champs cultivés <strong>et</strong> prairies<br />
(14)<br />
- Bitume (3,4)<br />
- Sable humide (10,9) - Eau (9,3)<br />
- Terres arables (14,5) - Haies (8,1)<br />
- Vignes (10,6)<br />
- Champs cultivés <strong>et</strong> prairies<br />
(2,4)<br />
- Bitume (16,2)<br />
- Eau (1,9)<br />
- Broussailles (14,3)<br />
- Haies (3,9)<br />
- Vignes (18,8)<br />
- Terres arables (1,6)<br />
- Vergers (0,6)<br />
Pas d’amélioration<br />
- Bâti (-0,5)<br />
- Bois (-0,8)<br />
- Broussailles (-0,7)<br />
- Carrières (-4,3)<br />
- Vergers (-6,5)<br />
- Bâti (-2,5)<br />
- Bois (0)<br />
- Carrières (-16,9)<br />
- Sable humide (-20)<br />
Cependant, le canal PIR n’apporte pas d’amélioration pour la détection de<br />
classes telles que les bois (sous-estimation) <strong>et</strong> les broussailles (surestimation), pour<br />
la série d’images de Toulouse.<br />
De même, sur les images de Toulouse non corrigé, on constate une telle<br />
amélioration, amplifiée <strong>et</strong> sur des classes différentes (voir annexe 9).<br />
78
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2.2.3 Suppression de la classe haies<br />
Comme à Troyes, on peut envisager la suppression de classes, lorsqu’elles<br />
ap<strong>par</strong>aissent comme totalement mal prises en compte <strong>par</strong> le classifieur.<br />
Si l’on regarde les matrices de confusion à Toulouse, on voit que la classe<br />
haies n’est jamais bien classée, ou aussi la classe sable humide, pour les matrices<br />
de confusion des <strong>par</strong>celles test. De plus, visuellement, les haies sont délimitées sur<br />
la carte comme des <strong>par</strong>celles quasiment rectangulaires (surtout sur la figure 20) <strong>et</strong><br />
non rectilignes.<br />
Deux classifications RVB <strong>et</strong> RVB PIR sans la classe haies sont faites (annexe<br />
10), en supprimant les <strong>par</strong>celles haies, pour voir si ces classifications sont de<br />
meilleure qualité <strong>par</strong> rapport aux classifications avec la classe haies.<br />
Il n’en résulte aucune amélioration intéressante pour les autres classes, ni<br />
au niveau des <strong>par</strong>celles d’entraînement, ni au niveau des <strong>par</strong>celles test, qu’il<br />
s’agisse des images de Toulouse corrigé ou des images de Toulouse non corrigé.<br />
2.2.4 Indice Kappa <strong>et</strong> précision globale<br />
Tableau 16 : Com<strong>par</strong>aison des indices de précision globale <strong>et</strong> totale (indice Kappa)<br />
sur les 8 matrices de Toulouse<br />
RVB<br />
RVBPIR<br />
Toulouse Corrigé<br />
Toulouse non corrigé<br />
Entraînement 71 74,5 72,8 76<br />
Test 73,6 77,7 69,8 74<br />
Entraînement 79 81,7 84,9 86,8<br />
Test 84,5 87 84,2 86,4<br />
En noir : indice Kappa<br />
En vert : précision globale (sans la classe fond) 27<br />
• Différences Toulouse corrigé / Toulouse non corrigé<br />
La correction radiométrique <strong>par</strong> égalisation (figure 5), des images de Toulouse<br />
(voir 1 ère <strong>par</strong>tie), n’améliore pas la classification dans son ensemble, puisque les<br />
indices Kappa <strong>et</strong> la précision globale sont inférieurs sur les images de Toulouse<br />
26 Entre () : % d’amélioration, calculé en soustrayant la valeur PIRRVB (tableau 14) – RVB (tableau 13).<br />
27 Les <strong>par</strong>celles qui ap<strong>par</strong>tiennent à la classe fond sont assez p<strong>et</strong>ites sur les images de Toulouse<br />
(quelque milliers de pixels) alors qu’elles étaient assez grandes sur les images de Troyes (quelques<br />
centaines de milliers de pixels), l’incidence positive de la classe fond sur le calcul de ces indices est<br />
beaucoup moins grand, donc, les indices Kappa peuvent être pris sans précaution.<br />
79
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
corrigé, pour les <strong>par</strong>celles d’entraînement, mais pas pour les <strong>par</strong>celles test<br />
(tableau 16).<br />
En revanche, une amélioration peut être constatée localement, pour<br />
certaines classes, lorsque l’on com<strong>par</strong>e les matrices de confusions (tableau 13 <strong>et</strong><br />
tableau 1 de l’annexe 8 en classification RVB) : les EOi <strong>et</strong> les ECi sont améliorées<br />
pour les mêmes classes à peu près, de quelques points :<br />
- pour les EOi, amélioration au niveau des classes bois, broussailles, carrières,<br />
sable humide, terres arables,<br />
- pour les ECi, amélioration au niveau des classes bâti, bois, broussailles,<br />
carrières, vergers.<br />
Par contre, pour les matrices des classifications 4 canaux RVBPIR<br />
(com<strong>par</strong>aison du tableau 14 <strong>et</strong> du tableau 2 en annexe 8), aucune classe n’a<br />
amélioré son ECi avant <strong>et</strong> après la correction radiométrique. Pour l’EOi, on peut<br />
nuancer ce propos puisque quelques classes se sont améliorées de quelques p<strong>et</strong>its<br />
points : bitume, champs cultivés <strong>et</strong> prairies, eau.<br />
• Différences <strong>par</strong>celles d’entraînement / <strong>par</strong>celles test<br />
Les <strong>par</strong>celles d’entraînement, avec ou sans correction radiométrique, ont<br />
toujours des valeurs de précision inférieures à celles des <strong>par</strong>celles test.<br />
3 Conclusion de la 3 ème <strong>par</strong>tie<br />
Globalement, les cartographies faites à l’aide des canaux RVB à Troyes sont<br />
correctes du point de vue technique : précision globale <strong>et</strong> indice Kappa sont<br />
supérieurs à 80%. A Toulouse, il faut cependant intégrer le canal PIR pour atteindre<br />
un tel pourcentage.<br />
Il est difficile de com<strong>par</strong>er les résultats obtenus à Troyes <strong>et</strong> à Toulouse car :<br />
- les données proviennent de caméras différentes,<br />
- elles ont été acquises à des saisons opposées,<br />
- les images représentent des scènes différentes, beaucoup plus complexe à<br />
Toulouse <strong>par</strong> la nature <strong>et</strong> la diversité de l’occupation du sol.<br />
80
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Néanmoins, qu’il s’agisse de la scène de Troyes ou de la scène de Toulouse,<br />
certaines classes ne sont pas bien prises en compte <strong>par</strong> le classifieur car :<br />
- elles ne sont pas bien délimitées cartographiquement (elles sont sous-estimées<br />
ou surestimées),<br />
- à Toulouse, certaines classes minérales <strong>et</strong> classes végétales se confondent<br />
(bâti/bitume/carrières/sable humide d’un côté ; bois/broussailles/haies de<br />
l’autre ou vignes/terres arables/champs cultivés <strong>et</strong> prairies),<br />
Les solutions choisies pour diminuer ces problèmes de qualité de<br />
classification (abandon des classes autre végétation ou sols nus à Troyes, haies à<br />
Toulouse) n’ont pas aboutis à une amélioration concluante des classification, c’est<br />
pourquoi l’intégration de nouveaux canaux s’avère nécessaire, pour la détection<br />
de certaines classes.<br />
81
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
4 ème <strong>par</strong>tie<br />
Le choix des nouveaux canaux de classification<br />
La grande diversité des canaux à disposition devrait perm<strong>et</strong>tre de résoudre<br />
les problèmes rencontrés pour la détermination de certaines classes (vergers pour la<br />
série d’images à Troyes ; haies, carrières, … pour la série d’images à Toulouse).<br />
Le but dans c<strong>et</strong>te <strong>par</strong>tie est de trouver les meilleures combinaisons de<br />
canaux pour faire les meilleures classifications <strong>et</strong> donc, la cartographie la plus<br />
optimale.<br />
Pour ce faire, c<strong>et</strong>te <strong>par</strong>tie s’articule en 4 points :<br />
1) Présentation des nouveaux canaux <strong>et</strong> explication de leur acquisition,<br />
2) Détermination des critères pour choisir les canaux qui semblent les plus<br />
intéressants (ACP, Histogrammes, <strong>Classification</strong>s 1 canal),<br />
3) <strong>Classification</strong>s avec ces nouveaux canaux <strong>et</strong> estimation de la qualité de ces<br />
nouvelles classifications à l’aide des mêmes outils que dans la <strong>par</strong>tie précédente<br />
(matrice de confusion <strong>et</strong> indice de qualité),<br />
4) Mise en relief de l’intérêt de certains canaux <strong>par</strong> rapport à d’autres.<br />
82
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1. Présentation des canaux<br />
Une soixantaine de canaux ont été calculés sur les images de Troyes <strong>et</strong> de<br />
Toulouse à <strong>par</strong>tir des canaux d’origine (RVB pour les images de Troyes, RVB <strong>et</strong> PIR<br />
pour les images de Toulouse) <strong>par</strong> Roger Triaz Sanz, mon tuteur de stage. Ces<br />
canaux sont présentés en détail en annexe 11.<br />
Ces nouveaux canaux peuvent être découpés en 3 grand groupes :<br />
- les canaux de <strong>texture</strong>, segmentés <strong>par</strong> régions (14 à Toulouse, 13 à Troyes),<br />
- les canaux de <strong>texture</strong>, segmentés pixels à pixels (17 à Toulouse, 20 à Troyes),<br />
- les canaux calculés dans un espace de couleur dérivé (31 à Toulouse, 27 à<br />
Troyes).<br />
De plus, sur les images de Toulouse, possédant le canal PIR, des canaux<br />
dérivé du PIR sont calculés : Indice NDVI, Water Index, TGDVI, …<br />
1.1Qu’est ce que la <strong>texture</strong> ?<br />
La <strong>texture</strong> est considérée comme une caractéristique intrinsèque importante<br />
de la surface d’une obj<strong>et</strong> ou des régions d’une image ; il ap<strong>par</strong>aît facile de<br />
comprendre le concept de <strong>texture</strong>, mais il est très difficile d’en donner une définition<br />
mathématique précise [YUM, 95]. Elle se décrit dans des terme tels que la rugosité,<br />
le contraste, la finesse, la régularité, … [COQ, 95]. Elle correspond donc à<br />
l’arrangement <strong>et</strong> la fréquence des variations de teinte dans des régions <strong>par</strong>ticulières<br />
d’une image.<br />
Pour [GIR, 99], il s’agit d’un ensemble défini en extension des éléments<br />
texturaux. Un élément textural est l’ensemble des éléments de résolution (dont l’aire<br />
est définie <strong>par</strong> les caractéristiques du capteur) qui ont la même luminance (dimension<br />
spectrale) <strong>et</strong> qui sont connexes (dimension spatiale). Un élément texturale est,<br />
pour une image géographique numérique, l’ensemble des pixels connexes<br />
ayant la même valeur radiométrique (ou la même valeur de compte numérique).<br />
Elle ne doit pas être confondue avec la structure, qui correspond à un ensemble<br />
d’éléments structuraux, c’est à dire des éléments définis <strong>par</strong> des relations répétées<br />
83
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
qui existent entre les éléments texturaux (exemples de relations : positions relatives<br />
entre éléments texturaux de même forme ou de forme différente, distances entre les<br />
éléments texturaux, …).<br />
Les canaux texturaux sont sé<strong>par</strong>és en deux groupes :<br />
- les canaux pixellaires, où la <strong>texture</strong> a été calculée pixels à pixels,<br />
- les canaux de régions, où la <strong>texture</strong> a été calculée après segmentation <strong>par</strong><br />
région.<br />
Des canaux de <strong>texture</strong> pourraient s’avérer <strong>par</strong>ticulièrement intéressants : les<br />
canaux d’entropie (canaux comprenant l’appellation _ent – annexe 11). L’entropie<br />
locale est un indice d’hétérogénéité locale <strong>et</strong> mesure la complexité d’une image. Elle<br />
mesure le désordre. Sa formule est donnée en annexe 11.<br />
1.2 Qu’est ce que l’espace de couleur dérivé<br />
Au système de couleur classique RVB s’ajoutent les systèmes :<br />
- L*a*b*<br />
- XYZ<br />
- Teinte/ saturation /intensité (voir annexe 11)<br />
De tels systèmes perm<strong>et</strong>tent de créer des couleurs dans un espace subjectif<br />
différent <strong>et</strong> font ainsi ap<strong>par</strong>aître de nouvelles informations sur les images. Les<br />
distances entre couleurs calculées sur ces espaces ont plus à voir avec les<br />
différences subjectives entre les couleurs que les distances RVB.<br />
2. Méthode de choix des canaux<br />
Le choix des canaux pour cartographier une région est un problème difficile<br />
qui demande de la rigueur. Ce choix dépend de la nature de l’image, de la<br />
problématique <strong>et</strong> de la méthode employée pour répondre à c<strong>et</strong>te problématique<br />
[COQ, 95].<br />
84
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Si une classification est directement faite avec les 60 canaux, les temps de<br />
calcul peuvent être très longs (plusieurs heures), pour un résultats très médiocre<br />
(précision globale de l’ordre de 10% environ pour les 3 séries d’images). C’est<br />
pourquoi, il est nécessaire de s’astreindre à choisir les canaux judicieusement. Pour<br />
ce faire, 3 méthodes de choix sont proposées ici :<br />
- faire des ACP à l’aide de MultiSpec,<br />
- sélectionner les canaux qui offrent le moins de recouvrement possible à l’aide<br />
d’un logiciel statistique interne au MATIS,<br />
- faire des classifications 1 canal pour voir quels canaux offrent les meilleurs<br />
indices (précisions globale <strong>et</strong> totale).<br />
2.1 ACP (Analyse en Composantes Principales)<br />
Une ACP est une méthode de statistiques multivariées, descriptive,<br />
perm<strong>et</strong>tant de représenter un maximum d’informations contenues dans un tableau<br />
de données initial très important. Si l’on considère :<br />
- que le tableau de données initial est composé des matrices n lignes * n colonnes<br />
des 60 canaux <strong>et</strong><br />
- que les données correspondent aux valeurs numériques des pixels dans chaque<br />
canaux,<br />
alors, on obtient de l’information très importante, difficilement exploitable. L’ACP a<br />
pour but de résumer <strong>et</strong> de hiérarchiser c<strong>et</strong>te information, qui est contenue<br />
dans des composantes principales 28 .<br />
L’ACP est utilisée en télédétection pour trouver des nouvelles informations<br />
(valeurs propres <strong>et</strong> vecteurs propres), indépendantes. En eff<strong>et</strong>, les 60 canaux<br />
présentent une information plus ou moins corrélée, qu’il est possible de décorréler<br />
grâce à l’ACP. Or, pour faire de bonnes classifications, il n’est pas nécessaire<br />
d’utiliser des canaux apportant une information redondante.<br />
Il y a autant de composantes principales que de canaux. La <strong>par</strong>t<br />
d’information contenue dans les composantes principales diminue rapidement (voir<br />
tableau 17 des valeurs propres).<br />
28 Egalement appelées facteurs.<br />
85
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
MultiSpec est capable de calculer des ACP sur des images multispectrales <strong>et</strong><br />
d’extraire l’information la plus importante contenue dans le tableau de données. En<br />
sortie, on obtient un tableau de valeurs propres <strong>et</strong> un tableau de vecteurs propres.<br />
Les valeurs propres 29 expriment la <strong>par</strong>t d’information contenue dans les<br />
composantes principales. Les vecteurs propres donnent la contribution des canaux<br />
à la formation des composantes principales <strong>et</strong> peuvent être considérés comme les<br />
coordonnées des canaux sur les composantes principales.<br />
2.1.1 Valeurs propres <strong>et</strong> vecteurs propres à Troyes<br />
Les valeurs propres à Troyes se trouvent sur le tableau 17. On voit que les<br />
quatre premières composantes principales résument à elles seules plus de la moitié<br />
de l’information contenue dans le tableau de données initial : le % d’inertie est de<br />
84,94% à Troyes (voir sorties de l’ACP en annexe 12).<br />
Tableau 17 : Valeurs propres des quatre 1 ères composantes principales, à Troyes<br />
Composantes Principales Valeurs propres % % cumulé<br />
CP1 39,12 65,19 65,19<br />
CP2 6,59 10,96 76,15<br />
CP3 3,34 5,57 81,72<br />
CP4 1,93 3,22 84,94<br />
Les vecteurs propres vont de –1 à 1. On peut opposer les canaux ayant un<br />
vecteur propre fortement positif <strong>et</strong> les canaux ayant un vecteur propre fortement<br />
négatif dans un plans factoriel,<br />
- sur les composantes 1 <strong>et</strong> 2,<br />
- sur les composantes 3 <strong>et</strong> 4.<br />
Seules les 4 premières composantes sont représentées ici dans deux plans<br />
factoriels (figure 27 <strong>et</strong> figure 1 de l’annexe 12) puisque leur valeur propre cumulée<br />
(c’est à dire la <strong>par</strong>t d’information contenue dans chaque composante) représente<br />
près de 85% de l’information totale dégagée <strong>par</strong> l’ACP, Troyes.<br />
29 Il s’agit de la variance exprimée <strong>par</strong> la composante principale. Elle est également appelée inertie.<br />
86
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Axe 2 - Inertie : 11%<br />
0,4<br />
21<br />
7<br />
0,3<br />
15<br />
19<br />
3<br />
4<br />
0,2<br />
0,1<br />
39<br />
0<br />
12<br />
6<br />
-0,1<br />
-0,2<br />
18<br />
-0,3<br />
60<br />
-0,4<br />
-0,5 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2<br />
Axe 1 - Inertie : 65 %<br />
Les numéros en gras correspondent au numéro de canaux<br />
Figure 27 : Plan factoriel 1-2 à Troyes.<br />
(vecteurs propres des 60 canaux sur la première <strong>et</strong> la deuxième composantes<br />
principales)<br />
Ainsi, à Troyes, sur la 1 ère composante principale (figure 27 <strong>et</strong> tableau 7,<br />
annexe 12), on voit que les canaux radiométriques 30 (canaux satint (56), bleu (1),<br />
value (58), kl1 (14), ciez (11)), aux coordonnées fortement positives, s’opposent aux<br />
canaux de <strong>texture</strong> (canaux pix_soh_m (39), pix_fractal (31), reg_fractal (48),<br />
reg_ent_e (47), pix_gabor_f (33)) aux coordonnées fortement négatives. Cela veut<br />
dire que, si l’on envisage une classification, la <strong>par</strong>t d’information contenue dans<br />
les canaux de radiométrie est différente de la <strong>par</strong>t d’information contenue<br />
dans les canaux de <strong>texture</strong>.<br />
Sur la composante principale2, les canaux de couleur à dominante claire<br />
(wi (60), log_gs (18), kl3 (16), ciev (8)) s’opposent aux canaux de couleur à<br />
dominante foncée (cieu (7), log_rs (21), chroma_rg (3), log_rg (19), ciea (4)).<br />
Il est moins utile de s’intéresser au plan factoriel 3-4 (figure 1 annexe 12) car<br />
ces composantes principales commencent à contenir de moins en moins<br />
d’information <strong>et</strong> finissent <strong>par</strong> se ressembler : on voit qu’il s’agit quasiment des<br />
mêmes canaux qui ont <strong>par</strong>ticipé à la formation de ces axes (tableaux 7, annexe 12).<br />
30 Les numéros sur la figure 27 correspondent aux numéros de canaux qu’on peut r<strong>et</strong>rouver en<br />
annexe 12.<br />
87
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Pour conclure sur l’ACP de Troyes, on voit que les canaux qui dominent sont<br />
les canaux de couleur, mais pas les canaux de radiométrie classique (RVB), plutôt<br />
les canaux calculés dans autre espace de couleur tels que le canal 56 (Satint) ou le<br />
canal 18 (Log_gs). Cependant il ne faut pas négliger l’importance du canal 1 (Bleu)<br />
dans la formation de la composante principale1.<br />
2.1.2 Valeurs propres <strong>et</strong> vecteurs propres à Toulouse<br />
Les valeurs propres de Toulouse non corrigé <strong>et</strong> corrigé se trouvent en annexe<br />
12. Le % d’inertie est de 55,5% à Toulouse corrigé (tableau 2, annexe 12) <strong>et</strong> de<br />
63,01% à Toulouse non corrigé (tableau 3, annexe 12), pour les quatre 1 ères<br />
composante principale, soit une inertie moins importante qu’à Troyes.<br />
Les résultats de l’ACP sont différents sur les canaux de Toulouse corrigé <strong>et</strong><br />
sur ceux de Toulouse non corrigé :<br />
• A Toulouse corrigé (tableau <strong>et</strong> axes factoriels annexe 12)<br />
On constate une dominance des canaux de couleur, dont le canal rouge (39),<br />
pour la formation de la 1 ère composante principale, mais aussi des canaux ciex<br />
(9) <strong>et</strong> ciey (10) qui s’opposent aux canaux log_bg (17), chroma_bg (2) <strong>et</strong> vert (12) .<br />
La 2 ème composante principale oppose des canaux de couleur aux canaux de<br />
<strong>texture</strong>, indifféremment des canaux pix_* (pix_ent_e (25), pix_ent_c (24)) <strong>et</strong> reg_*<br />
(reg_ent_c (43) reg_ent_e (44) <strong>et</strong> reg_fractal (45)), mais surtout des canaux<br />
d’entropie.<br />
• A Toulouse non corrigé (tableau <strong>et</strong> axes factoriels, annexe 12)<br />
Dès la 1 ère composante principale s’opposent les canaux de couleur (satint (53),<br />
bleu (1), ciez (11)) aux vecteurs propres positifs, aux canaux de <strong>texture</strong>-région<br />
(reg_fractal (45), reg_ent_c (44), reg_soh_v (51)) aux vecteurs propres négatifs.<br />
Au niveau de la composante principale2, on constate une opposition entre<br />
canaux de couleur.<br />
Grâce à l’ACP, on peut donc voir quel canaux s’opposent : on peut ainsi<br />
envisager des classifications qui utiliseraient les canaux aux vecteurs propres les<br />
plus forts.<br />
88
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2.2 Histogrammes de fréquence<br />
Les différents canaux ont une chacun leur distribution propre.<br />
On peut la visualiser pour chaque classes ou pour chaque <strong>par</strong>celles<br />
d’entraînement (ou test) sur un logiciel de visualisation d’histogramme, développé<br />
au MATIS. L’avantage de ce logiciel, c’est que l’on peut faire des visualisations en 3<br />
dimensions, c’est à dire faire des com<strong>par</strong>aisons avec 3 canaux en même temps.<br />
Pour chacune des 2 séries de canaux, Troyes <strong>et</strong> Toulouse 31 , il faut d’abord<br />
regarder la distribution à une dimension <strong>et</strong> voir quel est le comportement des<br />
classes sur ce canal (existe-il de nombreux recouvrements entre les classes ? Ce<br />
canal propose-t-il une distinction spécifique pour telle ou telle classe ? …). Ensuite<br />
on peut envisager de faire une visualisation d’histogrammes à 2 ou 3 dimensions.<br />
La distribution des canaux est donnée en annexe 13 pour Troyes <strong>et</strong> Toulouse. Elle a<br />
été faite visuellement <strong>et</strong> n’a pas été faite en testant la distribution. Elle n’est donnée<br />
que pour les canaux de Toulouse non corrigé, sachant que la distribution est la<br />
même pour les canaux des 3 séries d’images.<br />
Il serait intéressant d’envisager de faire des combinaisons, en vue des<br />
classifications, de canaux qui ont une distribution très différentes :<br />
- distribution normale ou gaussienne,<br />
- distribution bimodale,<br />
- distribution dissymétrique à gauche,<br />
- distribution dissymétrique à droite,<br />
- distribution indéterminée,<br />
- distribution trimodale,<br />
afin de minimiser les recouvrements interclasses.<br />
On constate qu’il n’y a pas de canaux présentant une distribution<br />
dissymétrique à droite à Troyes, sans doute car la réponse à la lumière est linéaire<br />
chez les images numériques (figure 2).<br />
31 Les canaux présentent la même distribution à Toulouse corrigé <strong>et</strong> à Toulouse non corrigé.<br />
89
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2.3 <strong>Classification</strong>s sur 1 canal<br />
Les classifications faites sur un seul canal sont intéressantes car on peut<br />
penser que les canaux qui offrent une précision globale <strong>et</strong> un indice kappa élevés,<br />
sont privilégiés pour les meilleures combinaisons recherchées.<br />
Des classifications à 1 canal sont donc faites avec MultiSpec, en gardant le<br />
même algorithme de classification, pour chacun des 60 canaux de Troyes <strong>et</strong> chacun<br />
des 62 canaux de Toulouse corrigé <strong>et</strong> Toulouse non corrigé.<br />
Les indices Kappa des <strong>par</strong>celles test <strong>et</strong> des <strong>par</strong>celles d’entraînement ainsi que<br />
la moyenne des 2 se trouvent en annexe 14. Il en ressort que les Kappas moyens<br />
sont beaucoup plus forts sur les images de Troyes que sur les images de<br />
Toulouse (corrigé <strong>et</strong> non corrigé confondues), indifféremment du canal (de couleur<br />
ou de <strong>texture</strong>).<br />
3. Les meilleures classifications<br />
De nombreux essais de classifications ont été faits. Elles ne sont cependant<br />
pas toutes présentées ici. De même, les annexes ne contiennent pas toutes les<br />
matrices de confusion de toutes les classifications, seulement les plus<br />
intéressantes.<br />
Les canaux recherchés doivent donc en théorie présenter :<br />
- une contribution importante à la formation des composantes principales,<br />
- des distributions différentes,<br />
- des classification 1 canal n<strong>et</strong>tement supérieures à la moyenne.<br />
Après investigation, il se trouve que plusieurs classifications se sont avérées<br />
intéressantes avec ces nouveaux canaux, pour détecter les classes recherchées.<br />
Cependant, les mêmes combinaisons ne fonctionnent pas à Troyes <strong>et</strong> à Toulouse.<br />
90
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
3.1 A Troyes<br />
3.1.1 Les meilleurs canaux à Troyes<br />
La combinaison des canaux 6 (ciel), 9 (ciex), 10 (ciey), 15 (kl2), 29<br />
(pix_ent_lg_d), 31 (pix_fractal), 35 (pix_lbp_riu2f), 37 (pix_lbp_var), 46 (reg_ent_c) <strong>et</strong><br />
54 (reg_soh_v) est intéressante car elle offre une meilleure précision globale <strong>et</strong> un<br />
meilleur indice kappa, sur les <strong>par</strong>celles d’entraînement, que la classification RVB<br />
(tableau 18 <strong>et</strong> annexes 15 <strong>et</strong> 16). Ces 10 canaux ont été sélectionné pour leurs<br />
distributions différenciées (kl2 <strong>et</strong> pix_fractal ont une distribution normale ; ciex <strong>et</strong><br />
ciey ont une distribution trimodale ; ciel a une distribution bimodale ; pix_ent_lg_d<br />
<strong>et</strong> pix_lbp_riu2f ont une distribution dissymétrique à gauche ; reg_ent_c <strong>et</strong><br />
reg_soh_v ont une distribution indéterminée), pour leur indice de précision élevé<br />
<strong>par</strong> rapport à la moyenne sur les classification 1 canal <strong>et</strong> pour leur<br />
contribution à la formation des composantes principales.<br />
Les ECi des 7 classes sont bonnes sur les <strong>par</strong>celles d’entraînement<br />
(supérieures à 90 % sauf pour les terres arables) mais les EOi montrent toujours<br />
des erreurs pour cartographier les classes qui posaient problème avec les<br />
classifications radiométriques classiques : autre végétation, sols nus <strong>et</strong> vergers, plus<br />
<strong>par</strong>ticulièrement au niveau des <strong>par</strong>celles d’entraînement. C<strong>et</strong>te fois-ci on peut en<br />
plus ajouter la classe bitume.<br />
On a cependant une amélioration au niveau de la détection des vergers<br />
(+20% pour les ECi des <strong>par</strong>celles d’entraînement <strong>et</strong> +25% des <strong>par</strong>celles test).<br />
On peut noter une amélioration de la délimitation de la classe bois (ECi de<br />
98,2% <strong>et</strong> EOi de 99,7% pour les <strong>par</strong>celles d’entraînement) <strong>par</strong> rapport à la<br />
classification RVB.<br />
L’ajout d’un canal de <strong>texture</strong> à la classification classique RVB (<strong>par</strong> exemple<br />
un canal calculé en dimension fractale ou un canal d’entropie), peut améliorer<br />
les résultats enregistrés sur la matrice de confusion. On peut <strong>par</strong> exemple améliorer<br />
les indices généraux de types précision globale <strong>et</strong> indice Kappa sur les <strong>par</strong>celles<br />
d’entraînement mais assez difficilement sur les <strong>par</strong>celles test (tableau 18). De plus,<br />
le problème des classes telles que les vergers n’est pas résolus ainsi. Cependant, si<br />
on élimine le canal rouge, on obtient une classification intéressante du point de<br />
vue des <strong>par</strong>celles test : les canaux 1 (bleu), 12 (vert), 31 (pix_fractal) <strong>et</strong> 48<br />
91
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
(reg_fractal) présentent des distributions différenciées (normale pour le canal<br />
pix_fractal ; bimodale pour le canal bleu ; trimodale pour le canal vert ;<br />
ind<strong>et</strong>erminée pour le canal reg_fractal), une forte <strong>par</strong>ticipation à la formation de la<br />
composante principale1 (sauf le canal vert) <strong>et</strong> des classifications moyennes sur 1<br />
canal assez bonnes. Leur combinaison offrent une qualité de classification <strong>et</strong> une<br />
cartographie très intéressantes (figure 28, tableau 19).<br />
Tableau 18 : Indices de précision sur les nouvelles classifications sur les images de<br />
Troyes. Ajout de canaux de <strong>texture</strong><br />
Précision Globale<br />
Parcelles<br />
Parcelles test<br />
d’entraînement<br />
Parcelles<br />
d’entraînement<br />
Indice Kappa<br />
Parcelles test<br />
<strong>Classification</strong> RVB (rappel) 83,5 75,2 85,6 76,6<br />
<strong>Classification</strong> 10 canaux<br />
6,9,10,15,29,31,35,37,46,54*<br />
<strong>Classification</strong> 1,12,42, 48 :<br />
RVB <strong>et</strong><br />
Reg_fractal<br />
<strong>Classification</strong> 1,12,31,42 : RVB<br />
<strong>et</strong> Pix_fracal<br />
<strong>Classification</strong> 1,12,31,42,48 :<br />
RVB <strong>et</strong><br />
Pix_fracal <strong>et</strong> Reg_fractal*<br />
<strong>Classification</strong> 1,12,31,47 : VB<br />
<strong>et</strong> Pix_fracal <strong>et</strong> Reg_ent_e<br />
(pas le canal rouge)*<br />
<strong>Classification</strong> 1,12,31,47,48 :<br />
VB <strong>et</strong> Pix_fractal <strong>et</strong> Reg_ent_e<br />
<strong>et</strong> Reg_fractal<br />
(pas le canal rouge)<br />
<strong>Classification</strong> 1,12,31,48 : VB<br />
<strong>et</strong> Pix_fractal <strong>et</strong> Reg_fractal<br />
(pas le canal rouge)*<br />
87,9 73,1 89,2 75,7<br />
90,5 69,5 91,6 71,4<br />
86,5 74,6 88,2 75,9<br />
93,5 73,4 94,3 74.9<br />
67,7 79,8 72,5 80,5<br />
87 80 88,5 80,7<br />
86,4 81,6 88 82,2<br />
En gras, les indices améliorés <strong>par</strong> rapport à la classification RVB.<br />
En marron, les meilleures classifications<br />
Les classification suivies d’une* ont leurs matrices de confusion en annexe<br />
Lorsqu’on ajoute un canal de <strong>texture</strong> à la classification RVB, on peut<br />
améliorer la précision globale <strong>et</strong> l’indice Kappa de 5% sur les <strong>par</strong>celles<br />
d’entraînement, mais pas sur les <strong>par</strong>celles test (classification RVB <strong>et</strong> pix_fractal<br />
92
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
ou RVB <strong>et</strong> reg_fractal). En revanche, lorsqu’on ajoute un canal de couleur à la<br />
classification RVB, aucune amélioration n’est constatée.<br />
Lorsqu’on ajoute 2 canaux de <strong>texture</strong> (un canal pixellaire <strong>et</strong> un canal de<br />
région) à la classification RBV on peut améliorer la précision globale <strong>et</strong> l’indice<br />
Kappa de 10% sur les <strong>par</strong>celles d’entraînement, mais pas sur les <strong>par</strong>celles test<br />
(classification RVB <strong>et</strong> pix_fractal <strong>et</strong> reg_fractal), au contraire même. La différence<br />
<strong>par</strong>celles test/<strong>par</strong>celles d’entraînement atteint son <strong>par</strong>oxysme avec la classification<br />
RVB+reg_fractal), où la différence des indices kappa est de 20%.<br />
Lorsqu’on trouve un canal qui améliore la classification des <strong>par</strong>celles test<br />
(reg_ent_e) ou lorsqu’on supprime un canal qui la fait baisser (canal rouge), on<br />
cherche de bonnes combinaisons qui perm<strong>et</strong>tent d’améliorer les indices : c’est le cas<br />
de la classification Bleu+Vert+Pix_fractal+Reg_fractal (figure 29).<br />
La classification qui ap<strong>par</strong>aît comme la meilleure à Troyes est donc celle<br />
issue des canaux Bleu+Vert+Pix_fractal+Reg_fractal, dont sont présentés les<br />
matrices de confusion <strong>et</strong> la cartographie.<br />
3.1.2 La meilleure classification trouvée à Troyes<br />
3.1.2.1 Cartographie<br />
Visuellement, on constate, sur la figure 29, un bon découpage des classes<br />
bois <strong>et</strong> bitume. Les quelques champs très verts foncé sur la composition colorée<br />
(figure 8), ne sont quasiment pas classés en tant que bois (sauf 1 encore, au centre<br />
de l’image).<br />
Les classes sols nus, vergers <strong>et</strong> autre végétation semblent elles aussi mieux<br />
cartographiées car elles ne sont pas aussi surestimée que pour la classification<br />
RVB (figure 19). Cependant, c<strong>et</strong>te classification n’est pas <strong>par</strong>faite : la classe autre<br />
végétation (clairières) n’est pas toujours strictement située à l’intérieur des bois <strong>et</strong> la<br />
classe vergers n’est pas toujours bien localisée. De plus, c<strong>et</strong>te classification ap<strong>par</strong>aît<br />
assez bruitée :<br />
- des pixels résiduels de bois ou de vergers sont visibles à l’intérieur de grandes<br />
<strong>par</strong>celles champs cultivés <strong>et</strong> prairies ;<br />
- le découpage entre champs cultivés/terres arables n'est pas très propre.<br />
93
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
N<br />
0 500 m<br />
Figure 28 : <strong>Classification</strong> radiométrique <strong>et</strong> texturale sur l’image de Troyes (utilisation<br />
des canaux Bleu, Vert, Pix_fractal+Reg_fractal)<br />
94
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
3.1.2.2 Matrice de confusion des <strong>par</strong>celles d’entraînement<br />
Tableau 19 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 29<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables<br />
Vergers Nb pixels ECi<br />
Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
667 1 88 6 1 6 32 801 83 17<br />
Bitume 1 1 849 1 20 15 2 40 1 928 95,9 4<br />
Bois 164 61 62 046 164 1 19 378 62 833 98,7 1<br />
Champs<br />
cultivés,<br />
3 158 198 1 422 129 600 466 4 729 2 641 142 214 91,1 9<br />
prairies<br />
Sols nus 26 288 0 7 3 449 63 19 3 852 89,5 10<br />
Terres<br />
Arables<br />
2 641 863 108 15 930 4 136 84 711 6 811 115 200 73,5 26<br />
Vergers 7 2 84 13 0 4 1717 1 827 94,0 6<br />
Nb pixels 6 664 3 262 63 749 145 740 8 068 89 534 11 638 500 199<br />
EOi 10,0 56,7 97,3 88,9 42,7 94,6 14,8<br />
Erreur<br />
d’excédent<br />
90,0 43,3 2,7 11,1 57,3 5,4 85,2<br />
La classification est meilleure que celle issue des canaux RVB au niveau des<br />
ECi, notamment celle des vergers : la confusion avec les champs cultivés <strong>et</strong> prairies<br />
a presque dis<strong>par</strong>ue (13 pixels résiduels ici contre 517 sur la classification RVB –<br />
tableau 8).<br />
Les classes les mieux cartographiées (EOi) sont les bois, les champs cultivés<br />
<strong>et</strong> prairies <strong>et</strong> les terres arables. Les autres classes ne sont pas spécifiquement bien<br />
cartographiées au contraire, les classes autre végétation, bitume, sols nus, … ont<br />
une erreur d’excédent plus importante avec c<strong>et</strong>te classification qu’avec la<br />
classification RVB mais il s’agit des classes intéressants moins la problématique.<br />
3.1.2.3 Matrice de confusion des <strong>par</strong>celles test<br />
Les classes les mieux cartographiées (EOi) sont les bois, les sols nus <strong>et</strong> les<br />
terres arables. Les autres classes ne sont pas spécifiquement mieux cartographiées<br />
qu’avec la classification RVB : il n’y a aucune amélioration en ce qui concerne la<br />
classe autre végétation, puisqu’elle n’est pas du tout détectée sur c<strong>et</strong>te sur c<strong>et</strong>te<br />
matrice.<br />
Il y a cependant une n<strong>et</strong>te amélioration au niveau des vergers. Il est vrai que<br />
visuellement (figure 29), les vergers ne semblent pas surestimés. Il le sont<br />
statistiquement légèrement, mais beaucoup moins qu’avec la classification RVB car<br />
pour 2 041 pixels délimités en tant que vergers <strong>par</strong> l’utilisateur,<br />
95
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- il y avait 8 294 pixels qui ap<strong>par</strong>tenaient à la classe vergers dans la classification<br />
RVB, soit 4 fois plus<br />
- il n’y en a plus que 3 789 sur c<strong>et</strong>te classification, soit 1,8 fois plus.<br />
Quant à l’ECi de la classe champs cultivés <strong>et</strong> prairies de la classification RVB,<br />
elle présentait une grande confusion avec la classe terres arables, confusion qui a<br />
quasiment dis<strong>par</strong>ue avec l’apport des nouveaux canaux de <strong>texture</strong>.<br />
Tableau 20 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 29<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
0 0 0 17 0 1 43 0 61 0 100<br />
Bitume 1 669 3 1 7 8 6 0 695 96,3 4<br />
Bois 35 14 40 529 1 403 0 16 307 0 42 304 95,8 4<br />
Champs<br />
cultivés,<br />
3 173 77 3 956 95 875 18 8513 1125 0 112 737 85,0 15<br />
prairies<br />
Sols nus 0 1 2 1 5045 0 0 0 5 049 99,9 0<br />
Terres<br />
Arables<br />
414 194 484 22 491 49 52 585 1010 0 77 227 68,1 32<br />
Vergers 3 164 481 21 8 66 1 298 0 2 041 63,6 36<br />
Fond 0 0 0 0 0 0 0 94 828 94 828 100 0<br />
Nb pixels 3 626 1 119 45 455 119 809 5 127 61 189 3 789 94 828 334 942<br />
EOi 0,0 59,8 89,2 80,0 98,4 85,9 34,3 100<br />
Erreur<br />
d’excédent<br />
100,0 40,2 10,8 20,0 1,6 14,1 65,7 0,0<br />
3.2 A Toulouse (corrigé <strong>et</strong> non corrigé)<br />
Même si le comportement des 62 canaux n’est pas tout fait le même à<br />
Toulouse corrigé <strong>et</strong> Toulouse non corrigé, il a été décidé de regrouper les<br />
commentaires, les résultats des classifications avec les nouveaux canaux étant<br />
globalement les mêmes sur les deux séries d’images de Toulouse (voir tableau 21).<br />
3.2.1 Les canaux r<strong>et</strong>enus<br />
Si on réutilise les canaux de Troyes, <strong>par</strong> exemple la classification Vert-Bleu-<br />
Pix_fractal-Reg_fractal, sur les classifications à<br />
Toulouse, elles sont assez<br />
mauvaises (indice Kappa de 76,7% pour les <strong>par</strong>celles d’entraînement <strong>et</strong> de 54%<br />
pour les <strong>par</strong>celles test ; précision globale de 79,6% pour les <strong>par</strong>celles<br />
96
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
d’entraînement <strong>et</strong> de 59,6% pour les <strong>par</strong>celles test, à Toulouse non corrigé), ce qui<br />
semble assez normal car :<br />
- ce ne sont pas les mêmes canaux qui ont <strong>par</strong>ticipé à la formation des<br />
composantes principales de l’ACP,<br />
- les valeurs des classification à 1 canal sont beaucoup moins bonnes à Toulouse<br />
qu’à Troyes,<br />
- les canaux n’ont pas les mêmes distributions.<br />
Il faut donc rechercher des combinaisons de canaux différentes à<br />
Toulouse pour faire de bonnes classifications.<br />
La même constatation peut être faite qu’à Troyes : c’est essentiellement en<br />
intégrant un nouveau canal à la classification RVB PIR qu’on améliore la<br />
qualité des classifications. La prise en compte de nouveaux canaux, seuls, sans<br />
les canaux RVB <strong>et</strong> surtout PIR n’apporte pas d’amélioration dans la qualité des<br />
classifications.<br />
D’une manière générale, de nombreuses combinaisons de canaux offrant une<br />
meilleure qualité que la classification RVB, ont été trouvées. Elles ne sont pas du<br />
tout intéressantes car elles se sont avérées moins bonne que la classification<br />
RBVPIR.<br />
En outre, il est plus facile de trouver des améliorations à Toulouse non<br />
Corrigé qu’à Toulouse Corrigé (tableau 21) : aucune combinaison de canaux<br />
améliorant les indices des <strong>par</strong>celles test n’a été trouvée sur les images de<br />
Toulouse corrigé.<br />
En revanche, les indices des <strong>par</strong>celles d’entraînement peuvent être améliorés<br />
de 7,1 points en intégrant un canal de couleur <strong>et</strong> un canal d’entropie : les canaux<br />
ciea (calculé dans le système de couleur L*a*b*) <strong>et</strong> reg_ent_c (voir canaux en annexe<br />
11). La précision globale passe de 81,8 % de pixels bien classés sur la classification<br />
RVBPIR à 88,9% sur la classification bleu-ciea-reg_ent_c-PIR.<br />
97
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 21 : Com<strong>par</strong>aison des indices de précision sur certaines classifications à<br />
Toulouse corrigé <strong>et</strong> à Toulouse non corrigé<br />
Toulouse Corrigé<br />
Toulouse Non Corrigé<br />
Indice Kappa Précision Globale Indice Kappa Précision Globale<br />
Test<br />
Test<br />
Test<br />
Entraînement<br />
Entraînement<br />
Entraînement<br />
Entraînement<br />
RVB (rappel) 71 73,6 74,6 77,7 72,8 69,8 76 74<br />
RVB PIR (rappel) 79 84,5 81,8 87 84,9 84,2 86,8 86,5<br />
<strong>Classification</strong> 10 canaux<br />
6,9,10,15,26,28,32,34,43,51<br />
80,8 72,8 82,3 77 82,1 76,7 84,4 80<br />
Ciea Reg_ent_c Ired Red 84,2 78,7 86,3 82 86,4 83,7 88,3 86,1<br />
Ciea Reg_ent_c Ired Green 86,3 79,8 88,2 83 86,3 85,1 88,2 87,4<br />
Ciea Reg_ent_c Ired Blue 87,1 82,2 88,9 85,1 87 84,4 88,7 86,7<br />
En gras, les indices améliorés <strong>par</strong> rapport à la classification RVB PIR.<br />
Test<br />
3.2.2 Exemple d’une bonne combinaison de canaux<br />
3.2.2.1 Cartographie<br />
La cartographie de c<strong>et</strong>te combinaison de canaux (figure 29) semble ainsi<br />
meilleure que la cartographie RVBPIR (figure 21).<br />
N<br />
0 1km<br />
Figure 29 : <strong>Classification</strong> Radiométrique <strong>et</strong> texturale sur l’image de Toulouse corrigé<br />
(utilisation des canaux Bleu, Ciea, Reg_ent_c <strong>et</strong> PIR)<br />
98
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Visuellement, les vignes <strong>et</strong> les vergers sont plus p<strong>et</strong>its au bénéfice des<br />
champs cultivés <strong>et</strong> des terres arables. L’eau au niveau de la Garonne est mieux<br />
découpée que sur la classification RVBPIR.<br />
3.2.2.2 Matrices<br />
Si l’on com<strong>par</strong>e la matrice de confusion de la classification RVB PIR (tableau<br />
14) <strong>et</strong> celle de la classification Bleu-Ciea-Reg_ent_c-PIR (annexe 17), on constate,<br />
pour les <strong>par</strong>celles d’entraînement, des améliorations au niveau de presque toutes<br />
les classes :<br />
- pour les EOi, au niveau des classes bâti, bois, broussailles, champs cultivés <strong>et</strong><br />
prairies, sable humide, terres arables, vergers <strong>et</strong> vignes,<br />
- pour les ECi, au niveau des classes bâti, bois, broussailles, champs cultivés <strong>et</strong><br />
prairies, eau, haies, terres arables, vergers <strong>et</strong> vignes.<br />
4. Amélioration des classifications<br />
4.1 Com<strong>par</strong>aison avec les classifications radiométriques classiques<br />
Globalement, les canaux de <strong>texture</strong> apportent plus de précision dans la<br />
cartographie que les canaux calculés dans un espace de couleur dérivé, si on les<br />
ajoute au canaux radiométriques de base.<br />
En eff<strong>et</strong>, l’intégration d’informations spectrales <strong>et</strong> texturales perm<strong>et</strong> un grand<br />
potentiel pour les classifications. D’après [JAK, 02], une classification à la fois<br />
texturale <strong>et</strong> spectrale perm<strong>et</strong> une augmentation de 10% des résultats, com<strong>par</strong>ée à une<br />
classification standard, pixels à pixels. Or, c’est précisément la même augmentation<br />
qui a été obtenue sur les images de Troyes pour les <strong>par</strong>celles d’entraînement<br />
(l’augmentation était de 5,6% pour les <strong>par</strong>celles test), mais c<strong>et</strong>te augmentation est<br />
légèrement inférieure à Toulouse corrigé (7,1%).<br />
99
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
4.2 Intérêt du canal PIR<br />
Ce canal est intéressant pour l’IGN pour la détection des zones d’eau <strong>et</strong> pour<br />
la détection des végétaux chlorophylliens [SOU, 03]. De plus, il est nécessaire dans<br />
le cadre du RGE.<br />
Pour voir son intérêt, des classifications 3 canaux sont faites, à <strong>par</strong>tir de la<br />
visualisation des histogrammes en 3D. Les résultats sont, pour la plu<strong>par</strong>t,<br />
médiocres ; cependant, lorsque l’on ajoute le canal PIR, les classifications<br />
s’améliorent n<strong>et</strong>tement (tableau 22).<br />
Ces classifications ont été faites sur la série d’images de Toulouse non corrigé<br />
car il s’est avéré que les temps de calculs étaient près de 10 fois plus courts sur<br />
c<strong>et</strong>te série, plutôt que sur la série Toulouse corrigé 32 .<br />
L’intérêt du canal Proche Infra Rouge est double : non seulement il améliore<br />
les classifications de 20% en moyenne (entre 30% <strong>et</strong> 0,5% sur l’ensemble des 16<br />
combinaisons essayées ici), mais aussi il tend à diminuer l’écart entre les<br />
résultats sur les pixels d’entraînement <strong>et</strong> les pixels test.<br />
Les classifications qui se sont le moins améliorées sont celles qui possédaient<br />
déjà le canal NDVI, qui contient de l’information du canal PIR, dont il est issu.<br />
32 En eff<strong>et</strong>, une classification calculée dans MultiSpec sur la série Toulouse non corrigé m<strong>et</strong> environ 1<br />
à 2 minutes. Sur la série de Toulouse corrigé, elle peut m<strong>et</strong>tre 10 à 20 minutes. Je n’ai pas<br />
d’explication, d’autant que la série d’images de Toulouse non corrigé est plus grande (en nombre de<br />
pixels – tableau 2) que la série de Toulouse corrigé.<br />
100
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 22 : Com<strong>par</strong>aison des indices Kappa des classifications avec ou sans le<br />
canal Proche InfraRouge, sur l’image de Toulouse Non Corrigé<br />
SANS PIR AVEC PIR<br />
CANAUX<br />
% Coefficient<br />
Kappa Kappa Kappa Kappa<br />
d'amélioratioteur<br />
Multiplica-<br />
T t T T<br />
Ciex satint kl3 72,2 65,9 80 83,1 18,1 1,18<br />
Pix_lbp_var red reg_ent_c 71,7 55,4 81,7 84,1 30,4 1,30<br />
Ciea kl2 sathue 61 57,4 71,3 78,2 26,3 1,26<br />
Log_gs ndvi pix_lbp_var 81 74,6 83,3 81,5 5,9 1,06<br />
Cieu kl1 reg_lbp_riu_2f 62,4 65,5 75,2 81,1 22,2 1,22<br />
Ciea ciel pix_fractal 61,3 57 82,9 78,5 36,4 1,36<br />
Blue chroma_rg reg_lbp_riu2f 62,6 57,6 73,5 81,4 28,9 1,29<br />
Chroma_bg ciea pix_fractal 64,8 55,5 69,2 69,9 15,6 1,16<br />
Pix_fractal reg_ent_c wi 72,7 63,3 74,2 76,3 10,7 1,11<br />
Log_bg red sathue 62,2 51,8 79 77,4 37,2 1,37<br />
Red ndvi reg_ent_c 82,6 77,1 81,2 79,3 0,5 1,01<br />
Croma_rg ciel red 68,3 59 79 81,5 26,1 1,26<br />
Ciel red reg_ent_c 76,6 68 82,5 83,1 14,5 1,15<br />
Chroma_bg cieu kl3 72,3 60,4 77,6 75,4 15,3 1,15<br />
Chroma_rg ciel red sathue 68,1 60 79,2 79,2 23,7 1,24<br />
Ciea log_gs wi 66,7 65,9 76,2 78 16,3 1,16<br />
Kappa T = indice Kappa sur les <strong>par</strong>celles d’entraînement<br />
Kappa t = indice Kappa sur les <strong>par</strong>celles test<br />
En gras : combinaison de canaux où le canal PIR améliore n<strong>et</strong>tement la classification.<br />
Le pourcentage d’amélioration se calcule comme :<br />
[( KT<br />
A =<br />
PIR<br />
+ KtPIR) / 2] −[(<br />
KT + Kt) / 2]<br />
× 100<br />
[( KT + Kt) / 2]<br />
Avec :<br />
KT PIR : indice Kappa avec canal PIR sur les <strong>par</strong>celles d’entraînement<br />
Kt PIR : indice Kappa avec canal PIR sur les <strong>par</strong>celles test<br />
KT : indice Kappa sans canal PIR sur les <strong>par</strong>celles d’entraînement<br />
Kt : indice Kappa sans canal PIR sur les <strong>par</strong>celles test<br />
Le coefficient multiplicateur se calcule comme :<br />
C = A<br />
100 + 1<br />
101
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
5. Conclusion de la 4 ème <strong>par</strong>tie<br />
Il a été difficile de trouver de bonnes associations avec les nouveaux canaux,<br />
en tout cas des associations améliorant sensiblement les classifications faites avec<br />
les canaux de base (voir 3 ème <strong>par</strong>tie), qui étaient globalement bonnes.<br />
Les nouveaux canaux fonctionnent moins bien à Toulouse qu’à Troyes car les<br />
classes, plus nombreuses à Toulouse, possèdent beaucoup de recouvrements<br />
lorsqu’on regarde des combinaisons de fréquences à 3 dimensions. Cependant, il y<br />
a moins de différences <strong>par</strong>celles test/<strong>par</strong>celles d’entraînement à Toulouse qu’à<br />
Troyes.<br />
Il n’a pas été nécessaire d’intégrer une classe ombre aux images de Toulouse<br />
même si les ombres portées, liées à la date de prise de vue (en décembre,<br />
l’inclinaison du soleil est faible), influencent :<br />
- la radiométrie (les pixels sont plus sombres, ils ont donc une valeur numérique<br />
plus faible aussi) <strong>et</strong><br />
- la géométrie, c’est à dire la <strong>texture</strong> [WAS, 01].<br />
102
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
5 ème <strong>par</strong>tie : Conclusion<br />
Limites, perspectives<br />
I. Conclusion<br />
I.1 La cartographie de l’occupation du sol<br />
La cartographie de l'occupation du sol réalisée <strong>par</strong> télédétection a ses<br />
avantages <strong>et</strong> ses limites. Il est reconnu aujourd'hui qu'un tel outil perm<strong>et</strong> de<br />
cartographier en détail de grandes portions de territoire, com<strong>par</strong>ativement à des<br />
méthodes plus traditionnelles comme l'interprétation de photographies aériennes <strong>et</strong><br />
la caractérisation de la végétation à <strong>par</strong>tir de relevés sur le terrain. Cependant, la<br />
télédétection amène aussi ses inconvénients en terme de coûts <strong>et</strong> de stockage : pour<br />
une couverture de la France entière au 1/25 000 ème , l’IGN a besoin de centaines de<br />
milliers de clichés.<br />
I.2 Les nouveaux canaux semblent nécessaires pour une bonne<br />
cartographie<br />
Les canaux radiométriques de base (bleu, vert <strong>et</strong> rouge) sont assez solides<br />
pour faire des classifications correctes. L’apport de nouveaux canaux, notamment le<br />
canal proche infrarouge <strong>et</strong> les canaux d’entropie, amènent cependant une précision<br />
dans les classifications.<br />
Cependant, il a été vu que ce ne sont pas le mêmes nouveaux canaux qui<br />
améliorent la cartographie des scènes de Troyes <strong>et</strong> de Toulouse, qui présentent des<br />
occupations du sol différentes. Il est donc fort possible de penser que des images,<br />
présentant un type d’occupation du sol autre que celui vu ici (paysage de<br />
montagne, milieu humide, milieu urbanisé, …), ou un contexte de résolution ou de<br />
103
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
conditions atmosphériques différentes, nécessiteraient l’intervention d’autres<br />
nouveaux canaux.<br />
On serait donc, dans ce cas, amené à faire une nouvelle investigation pour<br />
savoir quels canaux de <strong>texture</strong> <strong>et</strong> de couleur utiliser.<br />
Avec ce stage, je ne peux pas tirer de conclusions sur l’amélioration des<br />
classifications grâce à l’utilisation des caméras numériques <strong>par</strong> rapport aux<br />
caméras argentiques, dans la mesure où :<br />
- les dates de prises de vues étaient trop différentes (fin de printemps à Troyes <strong>et</strong><br />
début d’hiver à Toulouse),<br />
- le type d’occupation du sol est très différent sur les 2 séries d’images.<br />
En revanche, je peux conclure que la correction radiométrique faite à<br />
Toulouse n’a pas améliorer les classifications (quand on com<strong>par</strong>e les résultats de<br />
Toulouse corrigé <strong>et</strong> de Toulouse non corrigé), au contraire. Son intérêt ne<br />
semblerait donc que visuel.<br />
I.3 Intérêt du stage pour une étudiante en DESS SIG<br />
La problématique de ce stage était plus orientée pour un étudiant de DEA<br />
que de DESS puisque il a été effectué dans un laboratoire de recherche. Cependant,<br />
la recherche à l’IGN est tournée vers la recherche à but professionnel.<br />
Ce stage était une chance pour moi dans la mesure où intégrer un organisme<br />
aussi connu que l’IGN en matière d’information géographique, même pour quelques<br />
mois, m’a permis de découvrir son fonctionnement de l’intérieur. De nombreuses<br />
visites des ateliers, des imprimeries (figure 30), de la cartothèque <strong>et</strong> de la<br />
photothèque, des différentes équipes de travail (équipes « terrain » – nivellement,<br />
géodésie – <strong>et</strong> équipes « techniques » – BD <strong>par</strong>cellaire, personnel chargé de la<br />
vectorisation, …) ont eu lieu pour tous les stagiaires des laboratoires MATIS <strong>et</strong><br />
COGIT.<br />
104
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Figure 30 : L’imprimerie à l’IGN<br />
(Cliché : S. GIFFON, 2004)<br />
De plus, au cours de mon stage, j’ai été amenée à utiliser de nouveaux<br />
logiciels de traitement d’image (MultiSpec) <strong>et</strong> des fonctions basiques d’un logiciel<br />
SIG : Géoconcept.<br />
J’ai aussi acquis, grâce à ce stage, des connaissances sur des thématiques<br />
techniques telles que les caméras numériques, puisque la configuration des<br />
bâtiments dans les locaux de l’IGN, à Saint Mandé, fait que le LOEMI est le voisin<br />
du MATIS (bâtiment M, 2 ème étage). J’ai également appris sur les traitements faits<br />
au préalable pour la réalisation d’orthophotographies (traitement des hot-spot,<br />
balance des blancs, …)<br />
II.<br />
Problèmes <strong>et</strong> limites rencontrés lors du déroulement du stage<br />
<strong>et</strong> Limites des compétences<br />
II.1 Problèmes techniques<br />
1) Problèmes liés au manque de compétences informatiques <strong>et</strong> scientifiques<br />
Le stage que je fais à l’IGN est un stage d’informatique, plus qu’un stage de<br />
géomatique. Au début, j’ai eu des difficultés à m’intégrer au sein de l’équipe, non<br />
pas pour des problèmes humains, mais pour des problèmes de compétences<br />
techniques (mauvaise maîtrise des langages de programmation utilisés au<br />
105
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
laboratoire, notamment le langage C++). Cependant, mon stage a été réorienté<br />
de façon à éviter le développement d’algorithme de classification que je ne suis<br />
pas techniquement capable de faire. C’est pourquoi j’ai utilisé le logiciel<br />
MultiSpec.<br />
2) Les limites techniques de mon stage ont donc essentiellement porté sur les<br />
limites intrinsèques au logiciel MultiSpec :<br />
• La Version Windows est limitée <strong>par</strong> rapport à la version MacIntosh (sous laquelle<br />
le logiciel a été développé) <strong>et</strong> il n’existe pas de version Linux 33 . Ces limites sont<br />
cependant minimes puisqu’elles ne portent pas sur les algorithmes de<br />
classification eux-mêmes, mais sur certaines fonctions statistiques, qui ne me<br />
sont pas utiles pour mon stage 34 , ou que j’ai pu faire à l’aide d’autres outils.<br />
• Malgré des fonctionnalités intéressantes (possibilité de calculer la superficie en<br />
ha, ...), les fonctions suivantes n’existent pas dans MultiSpec, mais pourraient<br />
être utiles :<br />
- filtres (pour éliminer des pixels résiduels afin de rendre les images plus<br />
propres, tels que filtre médian, filtre mode, …),<br />
- masques (pour extraire une classe considérée comme bien délimitée, telle<br />
que les bois)<br />
- reclassement (pouvoir regrouper des classes radiométriques très différentes<br />
telles que les « champs cultivés » ou « terres arables », mais qu’on souhaite<br />
regrouper dans la même classe « zone agricole »).<br />
II.2 Perspectives : ce qu’il faudrait faire <strong>par</strong> la suite pour améliorer<br />
le stage<br />
• Compte tenu des problèmes qu’il y a eu sur les <strong>par</strong>celles d’entraînement <strong>et</strong> les<br />
<strong>par</strong>celles test (précisions globale <strong>et</strong> totale très différentes, surtout sur les images<br />
de Troyes <strong>et</strong> de Toulouse corrigé), il faudrait envisager d’intégrer un 3 ème<br />
groupe de <strong>par</strong>celles, un groupe de <strong>par</strong>celles témoins, qui serviraient à la<br />
validation des <strong>par</strong>celles d’entraînement <strong>et</strong> des <strong>par</strong>celles test.<br />
• Pour résoudre le problème de la classe autre végétation sur l’image de Troyes,<br />
outre le fait que c<strong>et</strong>te classe ressemble radiométriquement <strong>et</strong> texturalement à<br />
33 Linux <strong>et</strong> Windows sont les 2 Systèmes d’Exploitation utilisés au laboratoire MATIS.<br />
106
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
une classe de champs cultivés <strong>et</strong> prairies, il faudrait envisager de faire une<br />
analyse contextuelle <strong>par</strong> exemple en disant au classifieur qu’une clairière se<br />
situe à l’intérieur d’un bois dans un périmètre de plus ou moins n unités<br />
spatiales.<br />
Cependant, il n’était pas nécessaire ici de faire une telle chose compte tenue de<br />
la problématique : la classe autre végétation, représentée <strong>par</strong> les clairières,<br />
n’existe pas dans la nomenclature IGN. De plus, une classe clairière peut être<br />
amenée à dis<strong>par</strong>aître à plus ou moins long terme (la forêt peut repousser<br />
surtout dans les p<strong>et</strong>ites zones de chablis après une tempête <strong>par</strong> exemple. Mes<br />
connaissances du terrain ne me perm<strong>et</strong>tent que de faire de telles hypothèses).<br />
Ce problème de la pérennité de certaines classes peut aussi se poser pour la<br />
classe broussailles, qui peut changer en quelques mois seulement. En eff<strong>et</strong>, la<br />
mise à jour des bases de données cartographiques est souvent plus lente<br />
que l’évolution de l’occupation du sol.<br />
• On peut également envisager utiliser d’autres algorithmes de<br />
classifications qui amélioreraient la cartographie (KNN, SVN 35 , …).<br />
34 Pas de création de graphique de reconnaissance de classes (graphiques bi-tri-dimensionnels <strong>et</strong><br />
« serpents radiométriques »). Je les ai fait avec le tableur Excel (figures 16abc).<br />
35 KNN (K-Nearest Neighbor) <strong>et</strong> SVM (Support Vector Machines) sont des algorithmes de classification.<br />
107
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Table des matières<br />
1 ère <strong>par</strong>tie : Introduction ...............................................................................................7<br />
Problématique, contexte, objectifs...............................................................................7<br />
I. Problématique............................................................................................................ 7<br />
II. Contexte institutionnel ............................................................................................ 10<br />
II.1 L’IGN <strong>et</strong> ses missions......................................................................................... 11<br />
II.2 Le service recherche à l’IGN ............................................................................... 12<br />
II.2.1 Le laboratoire MATIS ....................................................................................12<br />
II.2.2 Le laboratoire LOEMI ...................................................................................13<br />
II.2.3<br />
Le laboratoire COGIT....................................................................................14<br />
II.2.4 Le laboratoire LAREG ...................................................................................15<br />
II.3 Le cadastre <strong>et</strong> la DGI ......................................................................................... 15<br />
II.4 Le RGE .............................................................................................................. 16<br />
III. Les données <strong>et</strong> leur acquisition............................................................................. 17<br />
III.1 Les caméras IGN................................................................................................ 17<br />
III.1.1<br />
Caméra argentique.......................................................................................17<br />
III.1.2 Caméra numérique ......................................................................................17<br />
III.2 Orthophotographies <strong>et</strong> BD ORTHO .................................................................... 19<br />
III.2.1 Qu’est ce qu’une orthophotographie ? ..........................................................19<br />
III.2.2 Nature des défauts <strong>et</strong> corrections .................................................................20<br />
III.2.3 La BD ORTHO..............................................................................................23<br />
IV. La zone d’étude : Troyes <strong>et</strong> Toulouse..................................................................... 24<br />
IV.1 Mission Troyes................................................................................................... 25<br />
IV.2 Mission Toulouse............................................................................................... 26<br />
V. La classification dirigée............................................................................................ 29<br />
V.1 Définition .......................................................................................................... 29<br />
V.2 Méthodologie ..................................................................................................... 30<br />
2 ème <strong>par</strong>tie..................................................................................................................32<br />
Méthodologie pour faire des classifications ...............................................................32<br />
1. Logiciels utilisés....................................................................................................... 33<br />
1.1 GéoConcept ....................................................................................................... 33<br />
1.2 MultiSpec .......................................................................................................... 34<br />
108
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
1.2.1 Fonctionnement du logiciel...........................................................................34<br />
1.2.2 Un seul algorithme de classification r<strong>et</strong>enu ..................................................37<br />
2. Méthodes <strong>et</strong> réflexions préalables aux classifications ............................................... 39<br />
2.1 Les classes r<strong>et</strong>enues .......................................................................................... 39<br />
2.1.1 A Troyes .......................................................................................................39<br />
2.1.2 A Toulouse ...................................................................................................42<br />
2.2 Construction d’indicateurs de précision des classifications ................................ 45<br />
2.2.1 Construction théorique d’une matrice de confusion......................................45<br />
2.2.2 Les indicateurs de précision issus de la matrice de confusion.......................46<br />
2.2.2.1 Les indicateurs issus des calculs <strong>par</strong> classes ............................................ 46<br />
2.2.2.2 Les indicateurs issus des calculs sur l’ensemble des classes ..................... 47<br />
2.1.3 L’indice Kappa..............................................................................................48<br />
3 ème <strong>par</strong>tie..................................................................................................................50<br />
Les classifications utilisant les canaux radiométriques de base ................................50<br />
1. Résultats graphiques <strong>et</strong> cartographiques ................................................................. 51<br />
1.1 Statistiques des classes ..................................................................................... 51<br />
1.1.1 Méthodes d’acquisition des statistiques........................................................51<br />
1.1.2 Comportement radiométrique des classes sur les 3 séries d’images ..............53<br />
1.1.2.1 Comportement radiométrique moyen ......................................................... 53<br />
1.1.2.2 Classes homogènes <strong>et</strong> hétérogènes ........................................................... 56<br />
1.1.3 Comportement enregistré conforme au comportement théorique ..................57<br />
1.2 <strong>Classification</strong>s avec les canaux d’origine............................................................ 59<br />
2 Evaluation de la qualité des classifications .............................................................. 63<br />
2.1 Matrices de confusion <strong>et</strong> indicateurs associés à Troyes ...................................... 63<br />
2.1.1 Lecture en ligne............................................................................................64<br />
2.1.2 Lecture en colonne .......................................................................................65<br />
2.1.3 Précision Globale..........................................................................................67<br />
2.1.4 Recouvrements entre classes........................................................................68<br />
2.1.5 Nouvelles matrices de confusion...................................................................69<br />
2.1.6 Com<strong>par</strong>aison avec les <strong>par</strong>celles test..............................................................73<br />
2.1.7 Indice Kappa ................................................................................................74<br />
2.2 Matrices de confusion <strong>et</strong> indicateurs associés à Toulouse .................................. 75<br />
2.2.1 Trois canaux : RVB ......................................................................................76<br />
109
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
2.2.2 Quatre canaux : RVB PIR .............................................................................77<br />
2.2.3 Suppression de la classe haies .....................................................................79<br />
2.2.4 Indice Kappa <strong>et</strong> précision globale .................................................................79<br />
3 Conclusion de la 3 ème <strong>par</strong>tie...................................................................................... 80<br />
4 ème <strong>par</strong>tie..................................................................................................................82<br />
Le choix des nouveaux canaux de classification .......................................................82<br />
1. Présentation des canaux .......................................................................................... 83<br />
1.1 Qu’est ce que la <strong>texture</strong> ? .................................................................................. 83<br />
1.2 Qu’est ce que l’espace de couleur dérivé ............................................................ 84<br />
2. Méthode de choix des canaux .................................................................................. 84<br />
2.1 ACP (Analyse en Composantes Principales)........................................................ 85<br />
2.1.1 Valeurs propres <strong>et</strong> vecteurs propres à Troyes ...............................................86<br />
2.1.2 Valeurs propres <strong>et</strong> vecteurs propres à Toulouse ...........................................88<br />
2.2 Histogrammes de fréquence............................................................................... 89<br />
2.3 <strong>Classification</strong>s sur 1 canal................................................................................. 90<br />
3. Les meilleures classifications ................................................................................... 90<br />
3.1 A Troyes ............................................................................................................ 91<br />
3.1.1 Les meilleurs canaux à Troyes......................................................................91<br />
3.1.2 La meilleure classification trouvée à Troyes ..................................................93<br />
3.1.2.1 Cartographie ............................................................................................ 93<br />
3.1.2.2 Matrice de confusion des <strong>par</strong>celles d’entraînement..................................... 95<br />
3.1.2.3 Matrice de confusion des <strong>par</strong>celles test...................................................... 95<br />
3.2 A Toulouse (corrigé <strong>et</strong> non corrigé)..................................................................... 96<br />
3.2.1 Les canaux r<strong>et</strong>enus ......................................................................................96<br />
3.2.2 Exemple d’une bonne combinaison de canaux..............................................98<br />
3.2.2.1 Cartographie ............................................................................................ 98<br />
3.2.2.2 Matrices ................................................................................................... 99<br />
4. Amélioration des classifications ............................................................................... 99<br />
4.1 Com<strong>par</strong>aison avec les classifications radiométriques classiques ........................ 99<br />
4.2 Intérêt du canal PIR......................................................................................... 100<br />
5. Conclusion de la 4 ème <strong>par</strong>tie ................................................................................... 102<br />
5 ème <strong>par</strong>tie : Conclusion ...........................................................................................103<br />
Limites, perspectives ...............................................................................................103<br />
I. Conclusion ............................................................................................................ 103<br />
I.1 La cartographie de l’occupation du sol............................................................. 103<br />
I.2 Les nouveaux canaux semblent nécessaires pour une bonne cartographie ...... 103<br />
110
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
I.3 Intérêt du stage pour une étudiante en DESS SIG ........................................... 104<br />
II. Problèmes <strong>et</strong> limites rencontrés lors du déroulement du stage <strong>et</strong> Limites des<br />
compétences ................................................................................................................ 105<br />
II.1 Problèmes techniques...................................................................................... 105<br />
II.2 Perspectives : ce qu’il faudrait faire <strong>par</strong> la suite pour améliorer le stage ........... 106<br />
Table des matières ....................................................................................................... 108<br />
Table des illustrations .................................................................................................. 112<br />
Annexes ....................................................................................................................... 115<br />
Glossaire...................................................................................................................... 176<br />
Bibliographie................................................................................................................ 178<br />
111
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Table des illustrations<br />
Figures<br />
Figure 1 : Extrait de la légende d’une carte IGN Série Bleue au 1/25 000ème.......................... 8<br />
Figure 2 : Réponse à la lumière théorique des images numériques <strong>et</strong> argentiques .................. 18<br />
Figure 3 : Orthorectification ...................................................................................................... 20<br />
Figure 4 : Correction des défauts liés au relief ......................................................................... 21<br />
Figure 5 : Exemples de défauts visuels liés au mosaïquage, corrigé <strong>par</strong> égalisation<br />
radiométrique ..................................................................................................................... 22<br />
Figure 6 : Recouvrement intrabande <strong>et</strong> interbande .................................................................. 23<br />
Figure 7 : Localisation de la zone d’étude. ............................................................................... 24<br />
Figure 8 : Photographie aérienne en « vraies » couleurs au Sud de Troyes............................... 25<br />
Figure 9 : Bandes spectrales à Toulouse.................................................................................. 27<br />
Figure 10 : Photographie aérienne en « fausses » couleurs au Sud de Toulouse....................... 28<br />
Figure 11 : Interface MultiSpec .................................................................................................35<br />
Figure 12 : Fenêtre Image Map Param<strong>et</strong>ers de MultiSpec (menu Edit) ..................................... 36<br />
Figure 13 : Fenêtre Classify de MultiSpec (menu Processor), perm<strong>et</strong>tant le choix de l’algorithme<br />
de classification <strong>et</strong> des <strong>par</strong>amètres <strong>et</strong> options de classification ........................................ 38<br />
Figure 14 : Les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test sur l’image RVB de Troyes (hors<br />
<strong>par</strong>celles de fond) ............................................................................................................... 41<br />
Figure 15 : Les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test sur l’image RVB de Toulouse<br />
corrigé (hors <strong>par</strong>celles de fond) .......................................................................................... 43<br />
Figure 16 : Comportement radiométrique des classes.............................................................. 54<br />
Figure 17 : Comportement spectral théorique ........................................................................... 57<br />
Figure 18 : Extrait de l’image de Toulouse corrigé.................................................................... 58<br />
Figure 19 : <strong>Classification</strong> RVB sur l’image de Troyes............................................................... 60<br />
Figure 20 : <strong>Classification</strong> RVB sur l’image de Toulouse corrigée.............................................. 61<br />
Figure 21 : <strong>Classification</strong> RVB PIR sur l’image de Toulouse corrigé ......................................... 61<br />
Figure 22 : Exemple de pixels mal classés. Erreur de commission........................................... 65<br />
Figure 23 : Exemple de pixels mal classés. Erreur d’omission ................................................. 66<br />
Figure 24 : Histogramme 3D montrant le recouvrement des 7 classes, à Troyes, sur les<br />
canaux RVB........................................................................................................................ 68<br />
Figure 25 : Histogramme montrant le recouvrement à Troyes des classes : ............................ 69<br />
Figure 26 : Parcelles initialement considérées comme du sol nu.............................................. 72<br />
Figure 27 : Plan factoriel 1-2 à Troyes...................................................................................... 87<br />
112
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Figure 28 : <strong>Classification</strong> radiométrique <strong>et</strong> texturale sur l’image de Troyes (utilisation des<br />
canaux Bleu, Vert, Pix_fractal+Reg_fractal) ....................................................................... 94<br />
Figure 29 : <strong>Classification</strong> Radiométrique <strong>et</strong> texturale sur l’image de Toulouse corrigé (utilisation<br />
des canaux Bleu, Ciea, Reg_ent_c <strong>et</strong> PIR) .......................................................................... 98<br />
Figure 30 : L’imprimerie à l’IGN .............................................................................................. 105<br />
Tableaux<br />
Tableau 1 : Nomenclature des classes r<strong>et</strong>enues pour les images de Troyes <strong>et</strong> de Toulouse ..... 8<br />
Tableau 2 : Taille des images ............................................................................................. 29<br />
Tableau 3 : Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> test sur l’image de Troyes ................ 41<br />
Tableau 4 : Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> test sur les images de Toulouse corrigé<br />
................................................................................................................................... 44<br />
Tableau 5a : Structure d’une matrice de confusion .............................................................. 45<br />
Tableau 5b : Matrice de confusion théorique ....................................................................... 40<br />
Tableau 6 : Valeurs radiométriques minimales sur les images de Toulouse dans les 4 canaux<br />
de base ....................................................................................................................... 52<br />
Tableau 7 : Coefficients multiplicateurs perm<strong>et</strong>tant la correction des valeurs radiométriques<br />
sur les images de Toulouse .......................................................................................... 52<br />
Tableau 8 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image de Troyes.<br />
<strong>Classification</strong> RVB ....................................................................................................... 64<br />
Tableau 9 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19. <strong>Classification</strong><br />
RVB sans la classe autre végétation ............................................................................ 70<br />
Tableau 10 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19. <strong>Classification</strong><br />
RVB sans la classe sol nu ........................................................................................... 71<br />
Tableau 11 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 19. <strong>Classification</strong><br />
RVB sans la classe autre végétation ni sol nu .............................................................. 72<br />
Tableau 12 : Indice Kappa sur les <strong>par</strong>celles d’entraînement <strong>et</strong> les <strong>par</strong>celles test, à Troyes ... 74<br />
Tableau 13 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 20..................... 76<br />
Tableau 14 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 21..................... 77<br />
Tableau 15 : Classes améliorées grâce à l’apport du canal PIR............................................ 78<br />
Tableau 16 : Com<strong>par</strong>aison des indices de précision globale <strong>et</strong> totale (indice Kappa) sur les 8<br />
matrices de Toulouse ................................................................................................... 79<br />
Tableau 17 : Valeurs propres des quatre 1 ères composantes principales, à Troyes................. 86<br />
Tableau 18 : Indices de précision sur les nouvelles classifications sur les images de Troyes.<br />
Ajout de canaux de <strong>texture</strong>........................................................................................... 92<br />
Tableau 19 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 29..................... 95<br />
Tableau 20 : Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image 29..................... 96<br />
113
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Tableau 21 : Com<strong>par</strong>aison des indices de précision sur certaines classifications à Toulouse<br />
corrigé <strong>et</strong> à Toulouse non corrigé .................................................................................. 98<br />
Tableau 22 : Com<strong>par</strong>aison des indices Kappa des classifications avec ou sans le canal Proche<br />
InfraRouge, sur l’image de Toulouse Non Corrigé ........................................................ 101<br />
114
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Table des annexes<br />
1. Texte de référence dans la création de l’Institut Géographique 116<br />
National<br />
2. Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> des <strong>par</strong>celles test sur les 117<br />
images de Toulouse corrigé<br />
3. Valeurs radiométriques moyennes pour les 12 classes des images de 118<br />
Toulouse<br />
4. Ecarts types des valeurs radiométriques moyennes 120<br />
5. a. <strong>Classification</strong> RVB sur l’image de Toulouse non corrigé<br />
b. <strong>Classification</strong> RVB PIR sur l’image de Toulouse non corrigé<br />
c. Extrait de la classification RVB<br />
121<br />
122<br />
123<br />
6. Matrices de confusion sur la série d’image de Troyes (<strong>par</strong>celles test) 124<br />
7. Exemples de <strong>par</strong>celles de vergers sur l’image de Troyes 126<br />
8. Matrices de confusion sur la série d’image de Toulouse corrigé<br />
127<br />
(<strong>par</strong>celles test)<br />
9. Matrices de confusion sur la série d’image de Toulouse non corrigé 129<br />
(<strong>par</strong>celles d’entraînement <strong>et</strong> <strong>par</strong>celles test)<br />
10. Matrices de confusion sur la série d’image de Toulouse, sans la<br />
137<br />
classe haies<br />
11. Visualisation des nouveaux canaux 147<br />
12. Sorties de l’ACP 155<br />
13. Distribution des canaux 160<br />
14. <strong>Classification</strong>s 1 canal 161<br />
15. Matrices de confusion sur les canaux de <strong>texture</strong>, A Troyes 167<br />
16. <strong>Classification</strong> texturale, à Troyes 170<br />
17. Matrices de confusion de la classification 4 canaux (bleu, ciea, PIR,<br />
rent_ent_c)<br />
171<br />
115
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Annexe 1<br />
Texte de référence dans la création de l’Institut Géographique National<br />
Décr<strong>et</strong> portant suppression du service géographique de l'armée <strong>et</strong> création de<br />
l'Institut Géographique National.<br />
Le Président de la République Française,<br />
Vu le décr<strong>et</strong> du 1 er septembre 1939 relatif à la réorganisation du service géographique<br />
de l'armée ;<br />
Vu la loi du 8 décembre 1939 ;<br />
Sur la proposition du maréchal de France, président du conseil, <strong>et</strong> des ministres de la<br />
défense nationale, de la guerre, des travaux publics <strong>et</strong> des transmissions <strong>et</strong> des<br />
finances <strong>et</strong> du commerce,<br />
Le conseil des ministres entendu,<br />
Décrète :<br />
Art. 1 er - Le service géographique de l'armée faisant actuellement <strong>par</strong>tie du ministère<br />
de la guerre est supprimé à la date du 1 er juill<strong>et</strong> 1940. Le corps des officiers<br />
géographes <strong>et</strong> celui des sous-officiers géographes est dissou.<br />
Art. 2 - A c<strong>et</strong>te même date, il est créé au ministère des travaux publics un institut<br />
géographique national dont le rôle est d'exécuter dans le domaine géodésique,<br />
topographique <strong>et</strong> cartographique tous les travaux d'intérêt général.<br />
Art. 3 - Les modalités d'application des dispositions prévues <strong>par</strong> les articles cidessus<br />
seront fixées ultérieurement.<br />
Art. 4 - Le maréchal de France, président du conseil, les ministres de la défense<br />
nationale, de la guerre, des travaux publics <strong>et</strong> des transmissions <strong>et</strong> des finances <strong>et</strong><br />
du commerce sont chargés, chacun en ce qui le concerne, de l'exécution du présent<br />
décr<strong>et</strong>, qui sera soumis à la ratification des Chambres, dans les conditions prévues<br />
<strong>par</strong> la loi du 8 décembre 1939.<br />
Fait à Bordeaux, le 27 juin 1940.<br />
Par le Président de la République :<br />
Albert LEBRUN.<br />
Le maréchal de France, président du conseil,<br />
Philippe PETAIN<br />
Le ministre de la défense nationale,<br />
Général WEYGAND.<br />
Le ministre de la guerre,<br />
Général COLSON.<br />
Le ministre des finances <strong>et</strong> du commerce,<br />
Yves BOUTHILLIER.<br />
Le ministre des travaux publics <strong>et</strong> des transmissions,<br />
L.O. FROSSARD.<br />
116
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Annexe 2<br />
Propriétés des <strong>par</strong>celles d’entraînement <strong>et</strong> des <strong>par</strong>celles test sur les<br />
images de Toulouse corrigé<br />
Surface des<br />
<strong>par</strong>celles<br />
d’entraînement<br />
Surface<br />
des<br />
<strong>par</strong>celles<br />
test<br />
Nombre de<br />
<strong>par</strong>celles<br />
d’entraînement<br />
Nombre de<br />
<strong>par</strong>celles<br />
test<br />
Nombre de<br />
pixels<br />
d’entraînement<br />
Nombre de<br />
pixels test<br />
Bâti 3,3 1,9 5 3 8 105 4 516<br />
Bitume 2,2 2,0 10 6 5 266 4 771<br />
Bois 42,8 31,8 13 10 102 905 76 459<br />
Broussailles 14,4 9,2 2 3 34 683 22231<br />
Carrières 3,0 2,6 2 2 7 277 6 273<br />
Champs cultivés,<br />
prairies<br />
39,9 19,8 10 17 91 300 47 935<br />
Eau 32,9 19,2 13 10 77 081 46 169<br />
Haies 0,5 0,4 7 4 1 236 849<br />
Sable humide 0,4 0,2 1 1 986 562<br />
Terres arables 41,1 32,9 12 12 97 559 79 065<br />
Vergers 8,3 7,0 8 6 20 000 16 849<br />
Vignes 6,3 4,3 4 5 15 072 10 332<br />
Fond 4,7 2,5 1 1 11 343 5 924<br />
Total 199,8 133,7 88 80 472 813 321 935<br />
Surface totale<br />
(en ha)<br />
333,5<br />
Nombre total de<br />
<strong>par</strong>celles<br />
168<br />
Nombre de pixels 794 748<br />
Commentaires<br />
Globalement, les <strong>par</strong>celles test <strong>et</strong> les <strong>par</strong>celles d’entraînement sont les mêmes sur les images<br />
de Toulouse corrigé <strong>et</strong> Toulouse non corrigé, <strong>par</strong> soucis de com<strong>par</strong>aison (com<strong>par</strong>er tableau<br />
ci-dessus <strong>et</strong> tableau 3).<br />
Les quelques différences à noter sont dues au fait que les images non corrigées couvrent<br />
une superficie légèrement plus importante que celle des images corrigé, qui ont été<br />
découpées. C’est pourquoi la superficie est un peu plus importante sur le tableau ci-dessus,<br />
à Toulouse non corrigé.<br />
117
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 3<br />
Valeurs radiométriques moyennes pour les 12 classes des images de Toulouse<br />
1. Toulouse non corrigé<br />
1.1 Anciennes Valeurs (avant correction radiométrique se basant sur les valeurs de la classe bitume)<br />
Bâti Bitume Bois Broussailles Carrières Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
Humide Arables<br />
Vergers Vignes<br />
Bleu 80,6 100,4 24,5 29 125 33,8 39,2 76,9 64,8 62,7 34,6 49,9<br />
Vert 86,6 101,6 33 38,9 138 55,2 53,6 80,9 58,8 94,1 48,5 72,4<br />
Rouge 102,4 98,4 43,7 45,9 136,3 52,4 26,1 88,2 49,1 125 53,3 92,7<br />
PIR 53,4 34,3 43,4 54,9 37,6 80,7 0 82,2 13,3 46,4 57,2 64,9<br />
1.2 Nouvelles valeurs (après correction radiométrique se basant sur les valeurs de la classe bitume)<br />
Bâti Bitume Bois Broussailles Carrières Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
Humide Arables<br />
Vergers Vignes<br />
Bleu 80,6 100,4 24,5 29 125 33,8 39,2 76,9 64,8 62,7 34,6 49,9<br />
Vert 85,6 100,4 32,6 38,4 136,4 54,5 53,0 79,9 58,1 93,0 47,9 71,5<br />
Rouge 104,5 100,4 44,6 46,8 139,1 53,5 26,6 90,0 50,1 127,5 54,4 94,6<br />
PIR 156,3 100,4 127,0 160,7 110,1 236,2 0,0 240,6 38,9 135,8 167,4 190,0<br />
118
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2. Toulouse corrigé<br />
2.1 Anciennes Valeurs (avant correction radiométrique se basant sur les valeurs de la classe bitume)<br />
Bâti Bitume Bois Broussailles Carrière<br />
Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
Humide Arables<br />
Vergers Vignes<br />
Bleu 68,1 87,8 20,8 27,2 107,9 33,9 39,4 31,3 76,1 52,5 31,3 38,7<br />
Vert 73,1 89,6 27,2 35,8 116,2 51,9 53,1 40,6 69,9 75,6 44,1 55,3<br />
Rouge 80,1 76,1 31,3 37,1 103,2 45 26 43,8 56,2 86,9 42,5 61,2<br />
PIR 50 41 42,2 53,6 39,1 81,1 2,7 52 18,8 48,9 55 62,6<br />
2.2 Nouvelles valeurs (après correction radiométrique se basant sur les valeurs de la classe bitume)<br />
Bâti Bitume Bois Broussaille Carrière<br />
Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
Humide Arables<br />
Vergers Vignes<br />
Bleu 68,1 87,8 20,8 27,2 107,9 33,9 39,4 31,3 76,1 52,5 31,3 38,7<br />
Vert 71,6 87,8 26,7 35,1 113,9 50,9 52,0 39,8 68,5 74,1 43,2 54,2<br />
Rouge 92,4 87,8 36,1 42,8 119,1 51,9 30,0 50,5 64,8 100,3 49,0 70,6<br />
PIR 107,1 87,8 90,4 114,8 83,7 173,7 5,8 111,4 40,3 104,7 117,8 134,1<br />
Commentaires<br />
La baisse des valeurs de la classe bitume pour le canal PIR, com<strong>par</strong>ée aux autres canaux (en rouge, tableaux 1.1 <strong>et</strong> 2.1) qui laisse<br />
supposer que les valeurs radiométriques devaient être égalisées <strong>par</strong> rapport à une valeur de référence : celle du canal bleu pour la<br />
classe bitume (en bleu, tableaux 1.1 <strong>et</strong> 2.1).<br />
119
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 4<br />
Ecarts types des valeurs radiométriques moyennes<br />
1. Pour les 12 classes des images de Toulouse non corrigé<br />
Bâti Bitume Bois Broussailles Carrières Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
humide Arables<br />
Vergers Vignes<br />
Bleu 69,2 49,3 17,9 14,3 62,1 11,2 16,6 32,6 28,5 21,1 15,8 15,4<br />
Vert 73,6 52,6 26,4 21 68,9 15,9 22,5 43 34,4 33,2 21 20,6<br />
Rouge 87,8 53,1 37,8 26,1 70,6 19,8 13,9 51,8 34,7 46,5 27 32<br />
PIR 47,5 20,3 30,7 26,4 23,6 46,3 2,3 40,9 9,3 15,8 28,4 18<br />
2. Pour les 12 classes des images de Toulouse corrigé<br />
Bâti Bitume Bois Broussailles Carrières Champs<br />
Sable Terres<br />
Eau Haies<br />
Prairies<br />
humide Arables<br />
Vergers Vignes<br />
Bleu 60,7 38,7 12 10,6 50,5 9,6 13,1 18,4 27,9 14,1 14,8 7,1<br />
Vert 66,8 40,8 18,2 16,7 56 13,5 19,4 25 34,3 22,2 18,6 11,3<br />
Rouge 74,1 35,4 23,2 18,7 51,4 14,6 10,7 28,1 32,6 27,1 21,4 14,8<br />
PIR 39,2 18,4 27,4 23,9 21,2 43,5 2,1 33 9,4 16,6 22,6 17,5<br />
3. Pour les 7 classes des images de Troyes<br />
Autre<br />
Champs<br />
Terres<br />
Bitume Bois<br />
Sols nus<br />
végétation<br />
Prairies<br />
Arables<br />
Vergers<br />
Bleu 10 39,6 15,8 22,3 16 26,6 28,8<br />
Vert 10,7 36,7 23,4 25 16,8 27 23,4<br />
Rouge 8,8 36,8 12,8 22,1 15,5 24,3 28,9<br />
120
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 5a<br />
<strong>Classification</strong> RVB sur l’image de Toulouse non corrigé<br />
N<br />
0 1 km<br />
121
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 5b<br />
<strong>Classification</strong> RVB PIR sur l’image de Toulouse non corrigé<br />
N<br />
0 1 km<br />
Le canal PIR apporte une n<strong>et</strong>te amélioration visuelle de la classification. Certaines classes sont n<strong>et</strong>tement mieux classées. Par<br />
exemple l’autoroute A46 était totalement classée en tant que carrière sur la classification RVB alors qu’elle est désormais classée<br />
en bitume sur la classification RVB PIR.<br />
De plus, l’eff<strong>et</strong> de mosaïquage, qui existe toujours, a sérieusement diminué (annexe 5c).<br />
122
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Extrait situé dans le coin Sud Est de l’image.<br />
Annexe 5c<br />
Extrait de la classification RVB<br />
On voit bien que les défauts visuels liés au mosaïquage influent sur la classification RVB.<br />
123
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Annexe 6<br />
Matrices de confusion sur la série d’image de Troyes (image 19)<br />
(<strong>par</strong>celles test)<br />
1. 7 classes<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
0 1 0 43 0 0 17 0 61 0 100<br />
Bitume 1 649 2 8 7 16 12 0 695 93,4 7<br />
Bois 64 12 41 979 149 0 16 84 0 42 304 99,2 1<br />
Champs<br />
cultivés,<br />
941 65 2797 59 957 1 44 704 4 272 0 112 737 53,2 47<br />
prairies<br />
Sols nus 0 0 0 0 5 047 1 1 0 5 049 100,0 0<br />
Terres<br />
Arables<br />
29 6 1 3 246 236 71 344 2 365 0 77 227 92,4 8<br />
Vergers 19 7 444 5 1 22 1 543 0 2 041 75,6 24<br />
Fond 0 0 0 0 0 0 0 94 828 94 828 100 0<br />
Nb pixels 1 054 740 45 223 63 408 5 292 116 103 8 294 94 828 334 942<br />
EOi 0,0 87,7 92,8 94,6 95,4 61,4 18,6 100<br />
Erreur<br />
d’excédent<br />
100,0 12,3 7,2 5,4 4,6 38,6 81,4 0,0<br />
2. 6 classes (sans autre végétation)<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
Arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Bitume 646 2 6 7 16 18 0 695 92,9 7,1<br />
Bois 11 42 010 168 0 16 99 0 42 304 99,3 0,7<br />
Champs<br />
cultivés,<br />
prairies<br />
63 2 802 60 834 1 44 704 4 333 0 112 737 54,0 46,0<br />
Sols nus 0 0 0 5 047 1 1 0 5 049 100,0 0,0<br />
Terre arable 6 1 3 268 236 71 360 2 356 0 77 227 92,4 7,6<br />
Vergers 7 452 8 1 22 1 551 0 2 041 76,0 24,0<br />
Fond 0 0 0 0 0 0 94 828 94 828 100,0 0,0<br />
Nb pixels (j) 733 45 267 64 284 5 292 116 119 8 358 94 828 334 881<br />
EOi 88,1 92,8 94,6 95,4 61,5 18,6 100<br />
Erreur<br />
d’excédent<br />
11,9 7,2 5,4 4,6 38,5 81,4 0,0<br />
124
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
3. 6 classes (sans sols nus)<br />
Autre<br />
Végéta-<br />
Tion<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Terres<br />
Arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
0 1 0 43 0 17 0 61 0,0 100,0<br />
Bitume 1 649 2 8 23 12 0 695 93,4 6,6<br />
Bois 64 12 41979 149 16 84 0 42 304 99,2 0,8<br />
Champs<br />
cultivés,<br />
941 65 2797 59957 44705 4272 0 112 737 53,2 46,8<br />
prairies<br />
Terres arables 29 6 1 3246 71489 2456 0 77 227 92,6 7,4<br />
Vergers 19 7 444 5 23 1543 0 2 041 75,6 24,4<br />
Fond 0 0 0 0 0 0 94828 94 828 100,0 0,0<br />
Nb pixels (j) 1 054 740 45 223 63 408 116 256 8 384 94 828 329 893<br />
EOi 0,0 87,7 92,8 94,6 61,5 18,4 100<br />
Erreur<br />
d’excédent<br />
100,0 12,3 7,2 5,4 38,5 81,6 0,0<br />
4. 5 classes (sans autre végétation ni sols nus)<br />
Bitume<br />
Bois<br />
Champs<br />
cultivés <strong>et</strong><br />
prairies<br />
Terres<br />
Arables<br />
Vergers Fond Nb pixels ECi<br />
Erreur de<br />
déficit<br />
Bitume 646 2 6 23 18 0 695 92,9 7,1<br />
Bois 11 42010 168 16 99 0 42 304 99,3 0,7<br />
Champs<br />
cultivés,<br />
63 2802 60834 44705 4333 0 112 737 54,0 46,0<br />
prairies<br />
Terres arables 6 1 3268 71601 2351 0 77 227 92,7 7,3<br />
Vergers 7 452 8 23 1551 0 2 041 76,0 24,0<br />
Fond 0 0 0 0 0 94828 94 828 100,0 0,0<br />
Nb pixels (j) 733 45 267 64 284 116 368 8 352 94 828 329 832<br />
EOi 88,1 92,8 94,6 61,5 18,6 100<br />
Erreur<br />
d’excédent<br />
11,9 7,2 5,4 38,5 81,4 0,0<br />
5. Précision globale (sans la classe fond)<br />
Avec les 7<br />
classes<br />
Sans Autre<br />
végétation<br />
Sans Sols nus<br />
Sans Autre végétation<br />
ni Sols nus<br />
Parcelles<br />
d’entraînement<br />
83,5 83,7 88,3 91,2<br />
Parcelles test 75,2 75,6 74,7 75,1<br />
125
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Annexe 7<br />
Exemples de <strong>par</strong>celles de vergers sur l’image de Troyes<br />
N<br />
b.<br />
a.<br />
0 500 m<br />
a. b.<br />
0 50 m 0 130 m<br />
a. Parcelle de vergers sous substrat herbeux (extrait de la figure 8)<br />
b. Parcelle de vergers sous substrat terreux (extrait de la figure 8)<br />
126
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 8<br />
Matrices de confusion sur la série d’image de Toulouse corrigé<br />
(<strong>par</strong>celles test)<br />
1. Matrice de confusion des <strong>par</strong>celles test de l’image 20. <strong>Classification</strong> RVB de l’image de Toulouse corrigé<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3 006 425 6 347 624 20 0 109 13 39 102 13 0 4 704 63,9 36,1<br />
Bitume 73 4 620 4 12 61 24 1 7 104 11 24 1 0 4 942 93,5 6,5<br />
Bois 845 2 76 606 581 14 171 0 127 0 1 193 48 283 0 79 870 95,9 4,1<br />
Broussailles 69 4 1 724 17 902 61 202 0 1 529 0 40 1 493 96 0 23 120 77,4 22,6<br />
Carrières 492 35 3 7 5 910 1 0 19 38 59 6 2 0 6 572 89,9 10,1<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
0 6 138 0 14 44 704 6 12 0 91 4 875 4 0 49 850 89,7 10,3<br />
Eau 3 152 15 6 323 2 510 1 1 076 34 469 16 0 14 389 7 0 47 972 71,9 28,1<br />
Haies 4 0 452 3 69 0 0 25 0 134 144 2 0 833 3,0 97,0<br />
Sable humide 2 0 0 0 571 0 0 0 0 4 1 0 0 578 0,0 100,0<br />
Terres arables 725 0 11 524 10 55 1 283 0 3 450 0 51 184 4 496 9 555 0 82 282 62,2 37,8<br />
Vergers 2 0 32 29 9 69 0 1 067 0 25 16 085 228 0 17 546 91,7 8,3<br />
Vignes 2 0 6 3 249 1 3 443 0 2 0 4 2 946 1 121 0 10 774 10,4 89,6<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100,0 0,0<br />
Nb pixels 8 372 5 107 96 818 24 650 7 390 50 993 34 476 6 363 155 52 798 30 609 11 312 2 657 331 700<br />
EOi 35,9 90,5 79,1 72,6 80,0 87,7 100,0 0,4 0,0 96,9 52,5 9,9 100,0<br />
Erreur<br />
d'excédent<br />
64,1 9,5 20,9 27,4 20,0 12,3 0,0 99,6 100,0 3,1 47,5 90,1 0,0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, les vergers <strong>et</strong> surtout les haies, les vignes <strong>et</strong> le sable humide.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont :<br />
- le bâti (confusion avec les autres classes, notamment le bitume <strong>et</strong> les carrières),<br />
- les haies (confusion les bois),<br />
- les terres arables (confusion les bois <strong>et</strong> les vignes)<br />
- les vignes (confusions avec les broussailles, les champs cultivés <strong>et</strong> les prairies <strong>et</strong> les vergers)<br />
- <strong>et</strong> surtout le sable humide (confusion totale avec les carrières) puisque aucun pixels délimité comme sable humide n’a été classé en<br />
tant que tel.<br />
127
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2. Matrice de confusion des <strong>par</strong>celles test de l’image 21. <strong>Classification</strong> RVB PIR de l’image de Toulouse corrigé<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3 101 83 20 273 814 24 0 80 115 39 138 17 0 4 704 65,9 34,1<br />
Bitume 41 4 532 6 31 87 95 0 13 93 0 33 11 0 4 942 91,7 8,3<br />
Bois 980 1 76 738 215 0 33 0 1 219 0 274 142 268 0 79 870 96,1 3,9<br />
Broussailles 161 15 4 265 14 380 0 1 544 0 463 0 0 2 089 203 0 23 120 62,2 37,8<br />
Carrières 500 38 7 7 5 501 1 8 20 382 62 45 1 0 6 572 83,7 16,3<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
4 4 287 5 1 41 214 0 22 0 21 8 256 36 0 49 850 82,7 17,3<br />
Eau 759 0 305 0 359 7 46 183 300 0 44 10 5 0 47 972 96,3 3,7<br />
Haies 15 0 410 8 0 3 0 113 0 1 279 4 0 833 13,6 86,4<br />
Sable humide 3 205 0 0 360 1 0 6 0 0 3 0 0 578 0,0 100,0<br />
Terres arables 740 0 3 0 1 274 360 0 19 0 76 798 291 2 797 0 82 282 93,3 6,7<br />
Vergers 16 1 15 187 1 296 0 4 0 954 15 469 603 0 17 546 88,2 11,8<br />
Vignes 3 1 151 3 4 1 622 0 3 0 21 6 703 2 263 0 10 774 21,0 79,0<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100,0 0,0<br />
Nb pixels 6 323 4 880 82 207 15 109 8 401 45 200 46 191 2 262 590 78 214 33 458 6 208 2 657 331 700<br />
EOi 49,0 92,9 93,3 95,2 65,5 91,2 100,0 5,0 0,0 98,2 46,2 36,5 100,0<br />
Erreur<br />
d'excédent<br />
51,0 7,1 6,7 4,8 34,5 8,8 0,0 95,0 100,0 1,8 53,8 63,5 0,0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, les carrières, les vergers, les vignes <strong>et</strong> surtout les haies <strong>et</strong> le sable humide.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont :<br />
- le bâti (confusion avec les autres classes, notamment les carrières),<br />
- les haies (confusion les bois),<br />
- les vignes (confusion les verges),<br />
- <strong>et</strong> surtout le sable humide (confusion totale avec les carrières) puisque, là non plus, aucun pixels délimité comme sable humide n’a été<br />
classé en tant que tel.<br />
128
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 9<br />
Matrices de confusion sur la série d’image de Toulouse non corrigé<br />
1. Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image en annexe 5a (<strong>Classification</strong> RVB de l’image de Toulouse<br />
non corrigé)<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond<br />
Nb<br />
pixels<br />
ECi<br />
Erreur<br />
de déficit<br />
Bâti 4 131 701 574 187 84 26 2 1 526 45 29 122 46 632 8 105 51,0 49,0<br />
Bitume 159 4 107 3 0 821 0 1 48 112 1 10 0 4 5 266 78,0 22,0<br />
Bois 1 005 1 60 444 31 647 29 245 0 6 710 0 1 963 678 183 0 102 905 58,7 41,3<br />
Broussailles 18 0 463 32 854 36 375 0 509 1 383 15 29 0 34 683 94,7 5,3<br />
Carrières 66 16 8 4 6 058 14 1 835 81 4 6 1 183 7 277 83,2 16,8<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
38 9 25 11 591 333 74 901 245 99 6 1 461 559 2 033 0 91 300 82,0 18,0<br />
Eau 174 25 1 766 1 450 1 60 73 245 88 68 0 190 0 14 77 081 95,0 5,0<br />
Haies 35 0 145 172 5 0 0 196 0 451 224 8 0 1 236 15,9 84,1<br />
Sable humide 1 9 0 0 7 0 0 0 969 0 0 0 0 986 98,3 1,7<br />
Terres arables 611 0 5 226 3 774 477 1 676 0 6 157 0 66 302 12 210 1 101 25 97 559 68,0 32,0<br />
Vergers 19 8 758 2 719 30 131 0 301 1 17 14 493 1 523 0 20 000 72,5 27,5<br />
Vignes 1 0 65 1 0 0 0 65 0 950 864 13 126 0 15 072 87,1 12,9<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100,0 0,0<br />
Nb pixels 6 258 4 876 69 477 84 399 7 881 77 428 73 494 16 534 1 283 71 561 29 371 18 050 12 201 472 813<br />
EOi 66,0 84,2 87,0 38,9 76,9 96,7 99,7 1,2 75,5 92,7 49,3 72,7 100,0<br />
Erreur<br />
d'excédent<br />
34,0 15,8 13,0 61,1 23,1 3,3 0,3 98,8 24,5 7,3 50,7 27,3 0,0<br />
Commentaires<br />
• Certaines classes sont bien classées, c’est à dire ont une EOi <strong>et</strong> une ECi proches ou supérieures à 80% : bitume, carrières, champs cultivés<br />
<strong>et</strong> prairies, eau, sable humide, terres arables <strong>et</strong> vignes.<br />
129
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
• En revanche, la classe haies est totalement mal classée : elle est surestimée <strong>par</strong> le classifieur (l’utilisateur a délimité 1 236 pixels de haies<br />
<strong>et</strong> au final, le classifieur classe 16 534 pixels dans la classe haies, soit 13 fois plus) <strong>et</strong> se confond avec les classes bois, broussailles, terres<br />
arables, vergers, …<br />
• Il y a aussi confusion entre les classes broussailles <strong>et</strong> bois. La classe broussailles est surestimée au détriment de la classe bois : 31 647<br />
pixels ont été délimités comme bois <strong>et</strong> ont finalement été classés comme broussailles, soit près d’1/3 des pixels délimités comme bois. Ces<br />
classes sont proches radiométriquement. Les canaux RVB ne les discriminent pas totalement.<br />
130
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2. Matrice de confusion des <strong>par</strong>celles d’entraînement de l’image annexe en 5b (<strong>Classification</strong> RVB PIR de l’image de<br />
Toulouse non corrigé)<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
Arables<br />
Vergers Vignes Fond<br />
Nb<br />
pixels<br />
ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 193 596 813 103 102 140 0 191 475 33 366 66 27 8 105 64,1 35,9<br />
Bitume 155 4 597 16 19 65 21 0 102 242 2 44 2 1 5 266 87,3 12,7<br />
Bois 1 482 55 77 218 17 994 0 159 128 4 329 85 5 1 292 158 0 102 905 75,0 25,0<br />
Broussailles 41 4 418 32 622 1 523 0 711 0 0 270 93 0 34 683 94,1 5,9<br />
Carrières 135 31 32 1 6 578 33 16 106 293 4 47 1 0 7 277 90,4 9,6<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
121 2 1 205 11 88 384 0 67 0 526 563 1 420 0 91 300 96,8 3,2<br />
Eau 1 15 254 1 180 3 76 570 25 0 0 32 0 0 77 081 99,3 0,7<br />
Haies 29 0 199 13 0 11 0 618 0 15 330 20 1 1 236 50,0 50,0<br />
Sable humide 0 84 2 0 10 0 0 0 890 0 0 0 0 986 90,3 9,7<br />
Terres arables 393 1 0 0 2 362 10 418 0 16 1 78 988 4936 442 2 97 559 81,0 19,0<br />
Vergers 51 5 966 2 190 13 227 0 620 12 450 15 406 60 0 20 000 77,0 23,0<br />
Vignes 21 0 62 17 0 347 0 76 0 25 826 13 698 0 15 072 90,9 9,1<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100,0 0,0<br />
Nb pixels 7 622 5 390 79 981 53 165 9 322 100 266 76 714 6 861 1 998 80 048 24 112 15 960 11 374 472 813<br />
EOi 68,1 85,3 96,5 61,4 70,6 88,1 99,8 9,0 44,5 98,7 63,9 85,8 100,0<br />
Erreur<br />
d'excédent<br />
31,9 14,7 3,5 38,6 29,4 11,9 0,2 91,0 55,5 1,3 36,1 14,2 0,0<br />
Commentaires<br />
• Certaines classes sont bien classées, dans l’ensemble les mêmes que celle pour la classification RVB : bitume, bois, champs cultivés <strong>et</strong><br />
prairies, eau, terres arables <strong>et</strong> vignes.<br />
• La classe haies connaît une amélioration dans sa classification, mais reste toujours assez mal classée <strong>et</strong> surestimée <strong>par</strong> le classifieur.<br />
• La confusion entre les classes broussailles <strong>et</strong> bois a diminué mais reste toujours importante.<br />
• Il semble que le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé.<br />
131
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
3. Matrice de confusion des <strong>par</strong>celles test de l’image annexe en 5a (<strong>Classification</strong> RVB de l’image de Toulouse non<br />
corrigé)<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond<br />
Nb<br />
pixels<br />
ECi<br />
Erreur<br />
de déficit<br />
Bâti 2 738 851 205 490 40 4 0 32 16 21 62 21 36 4 516 60,6 39,4<br />
Bitume 45 2 660 0 1 2 010 8 0 0 24 6 2 0 15 4 771 55,8 44,2<br />
Bois 889 0 69 529 4 094 26 145 0 311 0 1 307 30 126 2 76 459 90,9 9,1<br />
Broussailles 17 0 354 12 067 57 198 0 575 0 969 7 953 41 0 22 231 54,3 45,7<br />
Carrières 205 18 3 5 5 173 4 1 579 46 15 5 1 218 6 273 82,5 17,5<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
10 2 231 198 1 109 40 729 130 73 5 523 4 871 3 51 47 935 85,0 15,0<br />
Eau 1 277 4 6 146 73 0 990 35 623 584 192 0 1 261 19 0 46 169 77,2 22,8<br />
Haies 160 0 100 147 100 0 0 1 0 69 266 6 0 849 0,1 99,9<br />
Sable humide 5 0 0 0 554 1 0 0 1 0 1 0 0 562 0,2 99,8<br />
Terres arables 61 0 13 057 3 27 1 568 0 2 921 0 48 497 9 840 3 091 0 79 065 61,3 38,7<br />
Vergers 0 0 9 145 4 18 0 874 0 0 15 799 0 0 16 849 93,8 6,2<br />
Vignes 1 3 1 3 978 1 3 313 0 153 0 1 1 834 1 047 0 10 332 10,1 89,9<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100,0 0,0<br />
Nb pixels 5 408 3 538 89 635 21 201 9 101 46 978 35 754 6 103 284 51 408 41 924 4 355 6 246 321 935<br />
EOi<br />
Erreur<br />
d'excédent<br />
49,4 24,8 22,4 43,1 43,2 13,3 0,4 100,0 99,6 5,7 62,3 76,0 0,0<br />
Commentaires<br />
• Certaines classes sont bien classées, dans l’ensemble les mêmes que celle pour les <strong>par</strong>celles d’entraînement : bois, champs cultivés <strong>et</strong><br />
prairies, terres arables <strong>et</strong> vignes.<br />
• C<strong>et</strong>te fois-ci, la classe eau est moins bien classée qu’à l’accoutumée : elle possède un déficit de pixels de 22,8%.<br />
• Les classes sable humide <strong>et</strong> vignes sont totalement mal classées ici : elles sont sous-estimées <strong>par</strong> le classifieur <strong>et</strong> elles sont confondues<br />
avec d’autres classes : avec les classes broussailles <strong>et</strong> champs cultivés <strong>et</strong> prairies pour la classe vignes ; avec les classes carrières en ligne <strong>et</strong><br />
eau en colonne pour la classe sable humide, ce qui semble assez étrange vu que la classe carrières est très différentes de la classe eau. En<br />
132
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
eff<strong>et</strong>, la classe carrières est une classe réfléchissante, qui possède de fortes valeurs numériques alors que la classe eau est une classe<br />
absorbante, qui possède de faibles valeurs numériques ?<br />
Peut-être les <strong>par</strong>celles test ne possèdent-elles pas de pixels assez représentatifs de ces deux classes ?<br />
• La classe haies est très mal classée ici encore <strong>et</strong> surestimée <strong>par</strong> le classifieur.<br />
• La confusion entre les classes broussailles <strong>et</strong> bois demeure ; elle est de plus accompagnée d’une confusion bois/terres arables.<br />
133
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
4. Matrice de confusion des <strong>par</strong>celles test de l’image en annexe 5b (<strong>Classification</strong> RVBPIR de l’image de Toulouse non<br />
corrigé)<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond<br />
Nb<br />
pixels<br />
ECi<br />
Erreur<br />
de déficit<br />
Bâti 2 972 163 288 220 78 11 0 18 386 44 284 46 6 4 516 65,8 34,2<br />
Bitume 234 3 946 14 7 91 18 0 3 293 1 161 0 3 4 771 82,7 17,3<br />
Bois 654 1 72 988 438 0 40 3 2 094 0 1 174 66 0 76 459 95,5 4,5<br />
Broussailles 105 0 199 17 443 0 479 0 1 607 0 12 2 289 97 0 22 231 78,5 21,5<br />
Carrières 207 49 25 3 5 708 9 6 89 151 3 17 3 3 6 273 91,0 9,0<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
13 0 334 32 0 41 081 0 47 0 13 6 332 31 52 47 935 85,7 14,3<br />
Eau 125 71 1 325 0 402 42 43 969 4 0 2 224 0 5 46 169 95,2 4,8<br />
Haies 184 0 67 1 0 0 0 132 0 3 460 2 0 849 15,5 84,5<br />
Sable humide 2 3 0 0 534 0 0 9 2 0 11 1 0 562 0,4 99,6<br />
Terres arables 544 1 5 5 2 794 256 0 16 25 68 066 4 399 2 954 0 79 065 86,1 13,9<br />
Vergers 23 0 237 4 10 108 0 3 2 849 15 493 120 0 16 849 92,0 8,0<br />
Vignes 12 2 7 3 561 4 2 906 0 558 0 7 1 852 1 423 0 10 332 13,8 86,2<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100,0 0,0<br />
Nb pixels 5 075 4 236 75 489 21 714 9 621 44 950 43 978 4 580 859 69 001 31 696 4 743 5 993 321 935<br />
EOi 58,6 93,2 96,7 80,3 59,3 91,4 100,0 2,9 0,2 98,6 48,9 30,0 100,0<br />
Erreur<br />
d'excédent<br />
41,4 6,8 3,3 19,7 40,7 8,6 0,0 97,1 99,8 1,4 51,1 70,0 0,0<br />
Commentaires<br />
• Certaines classes sont bien classées, dans l’ensemble les mêmes que pour les matrices précédentes : bitume, bois, champs cultivés <strong>et</strong><br />
prairies, eau, terres arable.<br />
• Les classes haies <strong>et</strong> sable humide posent toujours problème à cause de la surestimation <strong>par</strong> le classifieur (surtout pour la classe haies).<br />
• Il semble que le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé.<br />
134
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Commentaires généraux<br />
• Il y a des différences <strong>par</strong>celles test/<strong>par</strong>celles d’entraînement pour les classes sable humide <strong>et</strong> vignes (assez bien voire bien<br />
classées sur les <strong>par</strong>celles d’entraînement, très mal classées sur les <strong>par</strong>celles test)<br />
• Le canal PIR apporte une amélioration dans la classification de l’image de Toulouse non corrigé pour les <strong>par</strong>celles<br />
d’entraînement (tableau 5a) <strong>et</strong> pour les <strong>par</strong>celles test (tableau 5b).<br />
5. Classes améliorées grâce à l’apport du canal PIR (sur les <strong>par</strong>celles d’entraînement)<br />
Grosse amélioration<br />
(de 10 à 35 %)<br />
- Bâti (13,1)<br />
- Bois (16,3)<br />
- Champs cultivés <strong>et</strong> prairies<br />
ECi<br />
(14,8)<br />
- Haies (34,1)<br />
- Terres arables (13)<br />
- Bois (9,5)<br />
- Broussailles (22,5)<br />
EOi<br />
- Vergers (14,6)<br />
- Vignes (13,1)<br />
Amélioration moyenne<br />
(de 0 à 10 %)<br />
Pas d’amélioration<br />
- Bitume (9,3)<br />
- Carrières (7,2)<br />
- Broussailles (-0,6)<br />
- Eau (4,3)<br />
- Sable humide (-8)<br />
- Vergers (4,5)<br />
- Vignes (3,8)<br />
- Bâti (2,1)<br />
- Bitume (1,1)<br />
- Carrières (-6,3)<br />
- Eau (0,1)<br />
- Champs cultivés <strong>et</strong> prairies (-8,6)<br />
- Haies (7,8)<br />
- Sable humide (-31)<br />
- Terres arables (6)<br />
Entre <strong>par</strong>enthèse, % d’amélioration, calculé en soustrayant la valeur ECi PIRRVB – ECi RVB.<br />
135
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
6. Classes améliorées grâce à l’apport du canal PIR (sur les <strong>par</strong>celles test)<br />
Grosse amélioration<br />
(de 10 à 27 %)<br />
Amélioration moyenne<br />
(de 0 à 10 %)<br />
Pas d’amélioration<br />
- Bâti (5,2)<br />
- Bitume (26,9)<br />
- Bois (4,6)<br />
- Broussailles (24,2)<br />
- Carrières (8,5)<br />
ECi<br />
- Eau (18)<br />
- Champs cultivés <strong>et</strong> prairies<br />
- Vergers (-1,8)<br />
- Haies (15,4)<br />
(0,7)<br />
- Terres arables (24,8)<br />
- Sable humide (0,2)<br />
- Vignes (3,7)<br />
- Bâti (8)<br />
- Carrières (2,5)<br />
- Bitume (18)<br />
- Champs cultivés <strong>et</strong> prairies<br />
EOi<br />
- Bois (19,1)<br />
- Broussailles (23,4)<br />
(4,7)<br />
- Eau (0,4)<br />
- Sable humide (-0,2)<br />
- Vergers (11,2)<br />
- Haies (2,9)<br />
- Terres arables (4,3)<br />
- Vignes (6)<br />
136
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 10<br />
Matrices de confusion sur la série d’image de Toulouse sans la classe haies<br />
Seuls les ECi <strong>et</strong> EOi inférieures à 70% sont pris en compte dans les commentaires suivants.<br />
1. Toulouse corrigé<br />
1.1 <strong>Classification</strong> RVB<br />
Matrice de confusion des <strong>par</strong>celles d’entraînement.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 308 1495 92 893 101 40 1 50 21 430 37 0 8 468 62.7 37.3<br />
Bitume 422 4 316 3 16 668 3 1 139 8 43 2 0 5 621 76.8 23.2<br />
Bois 1 523 8 79 493 23 639 65 306 0 0 1 415 314 333 0 107 096 74.2 25.8<br />
Broussailles 96 44 213 34 504 53 661 0 0 234 187 149 0 36 141 95.5 4.5<br />
Carrières 167 92 5 40 7 212 8 0 42 18 22 2 0 7 608 94.8 5.2<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
44 45 7 14 512 48 63 353 1 328 0 2 121 12 209 1 009 0 94 676 66.9 33.1<br />
Eau 193 247 477 1 489 22 5 463 72 000 1 3 47 1 0 79 943 90.1 9.9<br />
Sable humide 3 3 0 0 9 0 0 992 0 0 0 0 1 007 98.5 1.5<br />
Terres arables 392 18 7 689 3 867 2 861 1 210 0 0 61 422 11 879 11908 0 101 246 60.7 39.3<br />
Vergers 38 11 186 2 326 82 2 600 2 0 112 14 723 646 0 20 726 71.0 29.0<br />
Vignes 5 3 31 3 796 0 109 0 0 52 717 10 949 0 15 662 69.9 30.1<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100.0 0.0<br />
Nb pixels 8 191 6 282 88 196 85 082 11 121 73 753 73 332 1 224 65 406 40 571 25 036 8 980 487 174<br />
EOi 64.8 68.7 90.1 40.6 64.9 85.9 98 81.0 93.9 36.3 43.7 100.0<br />
Erreur<br />
d'excédent<br />
35.2 31.3 9.9 59.4 35.1 14.1 1.8 19.0 6.1 63.7 56.3 0.0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, le bitume, les carrières <strong>et</strong> surtout les broussailles, les vergers <strong>et</strong> les vignes.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti, les champs cultivés <strong>et</strong> prairies, les terres arables <strong>et</strong> les vignes.<br />
137
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Matrice de confusion des <strong>par</strong>celles test.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3 126 64 35 322 950 20 0 15 44 112 16 0 4 704 66.5 33.5<br />
Bitume 74 4 591 10 25 64 28 1 106 11 29 3 0 4 942 92.9 7.1<br />
Bois 852 3 76 621 591 15 212 0 0 1 208 55 313 0 79 870 95.9 4.1<br />
Broussailles 84 62 1 925 18 976 85 222 0 0 78 1 582 106 0 23 120 82.1 17.9<br />
Carrières 489 57 10 25 5 864 2 0 39 70 11 5 0 6 572 89.2 10.8<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
0 13 139 4 14 44 702 6 0 92 4 876 4 0 49 850 89.7 10.3<br />
Eau 3 150 52 5 018 1 893 1 1 080 35 854 0 14 903 7 0 47 972 74.7 25.3<br />
Sable humide 2 0 0 0 571 0 0 0 4 1 0 0 578 0.0 100.0<br />
Terres arables 740 2 11 524 29 1 673 1 283 0 0 52 553 5 008 9 470 0 82 282 63.9 36.1<br />
Vergers 12 0 33 31 9 69 0 0 839 16 312 241 0 17 546 93.0 7.0<br />
Vignes 5 1 6 3 250 7 3 441 0 0 9 2 930 1 125 0 10 774 10.4 89.6<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100.0 0.0<br />
Nb pixels 8 534 4 845 95 321 25 146 9 253 51 059 35 861 160 54 922 31 819 11 290 2 657 330 867<br />
EOi 36.6 94.8 80.4 75.5 63.4 87.5 100 0.0 95.7 51.3 10.0 100.0<br />
Erreur<br />
d'excédent<br />
63.4 5.2 19.6 24.5 36.6 12.5 0.0 100.0 4.3 48.7 90.0 0.0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les <strong>par</strong>celles d’entraînement. Il s’agit du bâti, des<br />
carrières, des vergers <strong>et</strong> surtout du sable humide <strong>et</strong> des vignes.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti, le sable humide (classé dans les carrières), les terres arables <strong>et</strong> les<br />
vignes (classées dans les broussailles, les champs cultivés <strong>et</strong> prairies <strong>et</strong> les vergers).<br />
138
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
1.2 <strong>Classification</strong> RVB PIR<br />
Matrice de confusion des <strong>par</strong>celles d’entraînement.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 169 516 82 950 819 126 0 175 18 572 41 0 8 468 61.0 39.0<br />
Bitume 310 4 510 5 63 577 48 0 64 0 38 6 0 5 621 80.2 19.8<br />
Bois 1 684 37 79 306 23 174 2 484 0 0 214 1 706 487 2 107 096 74.1 25.9<br />
Broussailles 200 30 891 33 606 0 718 0 0 19 211 466 0 36 141 93.0 7.0<br />
Carrières 187 82 13 16 6 880 46 7 268 13 95 1 0 7 608 90.4 9.6<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
83 8 32 180 1 78 117 0 0 2 244 13 005 1 006 0 94 676 82.5 17.5<br />
Eau 25 21 1 529 0 365 1 77 973 7 4 17 1 0 79 943 97.5 2.5<br />
Sable humide 4 1 0 0 109 0 0 893 0 0 0 0 1 007 88.7 11.3<br />
Terres arables 827 1 048 7 162 13 1 306 5 115 0 0 77 767 3 130 4 878 0 101 246 76.8 23.2<br />
Vergers 75 30 348 2 226 9 2 468 1 0 532 14 696 341 0 20 726 70.9 29.1<br />
Vignes 12 2 58 177 1 49 0 0 76 983 14 304 0 15 662 91.3 8.7<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100.0 0.0<br />
Nb pixels 8 576 6 285 89 426 60 405 10 069 87 172 77 981 1 407 80 887 34 453 21 531 8 982 487 174<br />
EOi 60.3 71.8 88.7 55.6 68.3 89.6 100 63.5 96.1 42.7 66.4 100.0<br />
Erreur<br />
d'excédent<br />
39.7 28.2 11.3 44.4 31.7 10.4 0.0 36.5 3.9 57.3 33.6 0.0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les <strong>par</strong>celles d’entraînement de la classification<br />
RVB. Il s’agit du bâti, des carrières, des vergers du sable humide <strong>et</strong> des vignes <strong>et</strong> surtout des broussailles, confondues avec la classe bois <strong>et</strong> des<br />
vergers, confondues avec la classe champs cultivés <strong>et</strong> prairies.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti (confondu avec presque toutes les autres classes) <strong>et</strong> les vergers.<br />
139
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Matrice de confusion des <strong>par</strong>celles test.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3 111 57 56 315 812 27 0 117 38 153 18 0 4 704 66.1 33.9<br />
Bitume 42 4 533 7 37 87 98 0 93 0 32 13 0 4 942 91.7 8.3<br />
Bois 1 105 4 77 213 398 0 51 0 0 344 361 394 0 79 870 96.7 3.3<br />
Broussailles 209 73 4 363 15 169 0 1 556 0 0 3 1 496 251 0 23 120 65.6 34.4<br />
Carrières 501 38 15 10 5 503 1 9 385 62 46 2 0 6 572 83.7 16.3<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
5 7 289 9 1 41 197 0 0 22 8 282 38 0 49 850 82.6 17.4<br />
Eau 759 0 342 2 399 7 46 220 1 44 193 5 0 47 972 96.3 3.7<br />
Sable humide 5 202 4 3 360 1 0 0 0 3 0 0 578 0.0 100.0<br />
Terres arables 740 0 4 0 1 274 361 0 0 77 015 91 2 797 0 82 282 93.6 6.4<br />
Vergers 15 1 15 188 1 308 0 0 953 15 473 592 0 17 546 88.2 11.8<br />
Vignes 3 1 151 4 4 1 622 0 0 21 6 703 2 265 0 10 774 21.0 79.0<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 2 657 2 657 100.0 0.0<br />
Nb pixels 6 495 4 916 82 459 16 135 8 441 45 229 46 229 596 78 502 32 833 6 375 2 657 330 867<br />
EOi 47.9 92.2 93.6 94.0 65.2 91.1 100 0.0 98.1 47.1 35.5 100.0<br />
Erreur<br />
d'excédent<br />
Commentaires<br />
52.1 7.8 6.4 6.0 34.8 8.9 0.0 100.0 1.9 52.9 64.5 0.0<br />
Les classes les moins bien cartographiées (EOi) ne sont pas tout à fait les mêmes que pour les <strong>par</strong>celles d’entraînement ; l’intensité des erreurs<br />
d’excédent est plus forte aussi. Il s’agit du bâti, des carrières, des vergers, des vignes <strong>et</strong> surtout du sable humide comme au tableau 2.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti, les broussailles, <strong>et</strong> surtout le sable humide (classé avec le bitume <strong>et</strong><br />
les carrières) <strong>et</strong> les vignes (classées avec les vergers).<br />
140
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2. Toulouse non corrigé<br />
2.1 <strong>Classification</strong> RVB<br />
Matrice de confusion des <strong>par</strong>celles d’entraînement.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond<br />
Nb<br />
pixels<br />
ECi<br />
Erreur<br />
de déficit<br />
Bâti 4 394 1 385 1 131 85 79 22 2 47 51 227 50 632 8 105 54.2 45.8<br />
Bitume 157 4 146 4 1 827 0 1 112 6 8 0 4 5 266 78.7 21.3<br />
Bois 1 670 52 62 980 33 191 138 281 0 1 3 533 819 236 4 102 905 61.2 38.8<br />
Broussailles 74 5 457 33 190 93 392 0 1 398 38 35 0 34 683 95.7 4.3<br />
Carrières 74 17 11 7 6 828 16 2 81 6 51 1 183 7 277 93.8 6.2<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
42 55 26 11 586 268 74 906 247 6 1 381 702 2 081 0 91 300 82.0 18.0<br />
Eau 170 43 1 959 1 450 1 61 71 414 84 0 1 899 0 0 77 081 92.6 7.4<br />
Sable humide 1 9 0 0 7 0 0 969 0 0 0 0 986 98.3 1.7<br />
Terres arables 1 713 4 5 226 3 775 554 1 678 0 0 70 242 13 239 1 128 0 97 559 72.0 28.0<br />
Vergers 56 17 695 2 111 42 137 0 1 568 16 329 44 0 20 000 81.6 18.4<br />
Vignes 3 0 65 1 9 0 0 0 948 866 13 180 0 15 072 87.4 12.6<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 11 343 11 343 100.0 0.0<br />
Nb pixels 8 354 5 733 72 554 85 397 8 846 77 493 71 666 1 302 77 133 34 178 16 755 12 166 471 577<br />
EOi 52.6 72.3 86.8 38.9 77.2 96.7 100 74.4 91.1 47.8 78.7 93.2<br />
Erreur<br />
d'excédent<br />
47.4 27.7 13.2 61.1 22.8 3.3 0.4 25.6 8.9 52.2 21.3 6.8<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti <strong>et</strong> surtout les broussailles <strong>et</strong> les vergers.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti <strong>et</strong> les bois (classés avec les broussailles).<br />
141
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Matrice de confusion des <strong>par</strong>celles test.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 2 714 833 199 537 40 4 1 21 25 84 22 36 4 516 60.1 39.9<br />
Bitume 62 2 378 0 1 2 276 4 0 24 7 4 0 15 4 771 49.8 50.2<br />
Bois 1 296 2 68 906 4 311 42 207 1 0 1 485 59 150 0 76 459 90.1 9.9<br />
Broussailles 51 1 467 13 447 88 154 0 0 1 237 6 740 46 0 22 231 60.5 39.5<br />
Carrières 211 19 3 7 5 723 4 1 48 17 19 3 218 6 273 91.2 8.8<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
13 36 231 197 1 134 40 691 133 5 537 4 909 3 46 47 935 84.9 15.1<br />
Eau 1 317 4 6 648 73 38 992 35 623 192 3 1 263 16 0 46 169 77.2 22.8<br />
Sable humide 5 0 0 0 554 1 0 1 0 1 0 0 562 0.2 99.8<br />
Terres arables 2 604 0 13 093 3 58 1 540 0 0 48 832 9 880 3 055 0 79 065 61.8 38.2<br />
Vergers 15 0 10 156 28 18 0 0 0 16 622 0 0 16 849 98.7 1.3<br />
Vignes 7 7 1 3 956 1 3 313 0 0 153 1 835 1 059 0 10 332 10.2 89.8<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100.0 0.0<br />
Nb pixels 8 295 3 280 89 558 22 688 9 982 46 928 35 759 291 52 296 41 416 4 354 6 239 321 086<br />
EOi 32.7 72.5 76.9 59.3 57.3 86.7 100 0.3 93.4 40.1 24.3 95.0<br />
Erreur<br />
d'excédent<br />
67.3 27.5 23.1 40.7 42.7 13.3 0.4 99.7 6.6 59.9 75.7 5.0<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, les broussailles, les carrières, les vergers <strong>et</strong> surtout les vignes <strong>et</strong> le sable humide.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti, le bitume, les broussailles, <strong>et</strong> surtout le sable humide <strong>et</strong> les vignes<br />
comme pour le tableau 4, mais les confusions ne sont pas tout à fait les mêmes (le sable humide est classé avec les carrières ; les vignes sont<br />
classées avec les broussailles).<br />
142
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2.2 <strong>Classification</strong> RVB PIR<br />
Matrice de confusion des <strong>par</strong>celles d’entraînement.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5 265 609 819 160 104 138 0 475 36 400 72 27 8 105 65.0 35.0<br />
Bitume 179 4 651 20 26 62 22 0 243 2 56 4 1 5 266 88.3 11.7<br />
Bois 2 386 97 78 979 17 912 0 172 128 85 7 2 791 348 0 102 905 76.7 23.3<br />
Broussailles 214 11 730 32 739 0 537 0 0 0 318 134 0 34 683 94.4 5.6<br />
Carrières 210 33 32 1 6 564 32 16 292 4 92 1 2 7 277 90.2 9.8<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
139 7 1 206 11 88 410 0 0 527 546 1 453 0 91 300 96.8 3.2<br />
Eau 1 16 278 1 180 3 76 570 0 0 32 0 0 77 081 99.3 0.7<br />
Sable humide 0 84 2 0 10 0 0 890 0 0 0 0 986 90.3 9.7<br />
Terres arables 410 1 0 0 2 358 10 418 0 1 78 937 4 986 446 0 97 557 80.9 19.1<br />
Vergers 210 21 1 096 2 135 15 234 0 12 454 15 710 113 0 20 000 78.6 21.5<br />
Vignes 34 0 79 25 0 349 0 0 26 843 13 716 0 15 072 91.0 9.0<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 11 345 11 343 100.0 0.0<br />
Nb pixels 9 048 5 530 82 036 53 205 9 304 100 315 76 714 1 998 79 993 25 774 16 287 11 373 471 577<br />
EOi 58.2 84.1 96.3 61.5 70.6 88.1 100 44.5 98.7 61.0 84.2 99.8<br />
Erreur<br />
d'excédent<br />
41.8 15.9 3.7 38.5 29.4 11.9 0.2 55.5 1.3 39.0 15.8 0.2<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, les broussailles, les vergers <strong>et</strong> surtout <strong>et</strong> le sable humide.<br />
C<strong>et</strong>te fois-ci, les vignes semblent bien cartographiées.<br />
La classe la moins bien reconnue <strong>par</strong> le classifieur (ECi) sont le bâti. Pour les autres, les ECi sont assez bonnes.<br />
143
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Matrice de confusion des <strong>par</strong>celles test.<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Sable<br />
Humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 2 986 163 291 218 78 11 0 387 44 285 47 6 4 516 66.1 33.9<br />
Bitume 467 3 749 14 61 92 16 0 296 1 72 0 3 4 771 78.6 21.4<br />
Bois 1 586 4 73 403 977 0 63 3 0 1 281 141 0 76 459 96.0 4.0<br />
Broussailles 359 2 775 17 630 0 358 0 0 13 2 873 221 0 22 231 79.3 20.7<br />
Carrières 221 39 25 3 5 734 6 6 150 4 79 3 3 6 273 91.4 8.6<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
32 3 334 34 1 41 018 0 0 21 5 918 522 52 47 935 85.6 14.4<br />
Eau 159 72 1 316 0 402 42 44 114 0 4 55 0 5 46 169 95.5 4.5<br />
Sable humide 10 4 0 0 534 3 0 2 0 8 1 0 562 0.4 99.6<br />
Terres arables 544 1 5 5 2 794 256 0 25 68 066 4 400 2 969 0 79 065 86.1 13.9<br />
Vergers 24 1 222 15 15 115 0 2 844 15 491 120 0 16 849 91.9 8.1<br />
Vignes 37 2 21 3 977 4 2 906 0 0 7 1 886 1 492 0 10 332 14.4 85.6<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 5 924 5 924 100.0 0.0<br />
Nb pixels 6 425 4 040 76 406 22 920 9 654 44 794 44 123 862 69 005 31 348 5 516 5 993 321 086<br />
EOi 46.5 92.8 96.1 76.9 59.4 91.6 100 0.2 98.6 49.4 27.0 98.8<br />
Erreur<br />
d'excédent<br />
53.5 7.2 3.9 23.1 40.6 8.4 0.0 99.8 1.4 50.6 73.0 1.2<br />
Commentaires<br />
Les classes les moins bien cartographiées (EOi) sont le bâti, les carrières, les vergers <strong>et</strong> surtout les vignes <strong>et</strong> le sable humide.<br />
Les classes les moins bien reconnues <strong>par</strong> le classifieur (ECi) sont le bâti <strong>et</strong> surtout le sable humide <strong>et</strong> les vignes.<br />
144
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
3. Indices Kappa <strong>et</strong> précision globale<br />
3.1 <strong>Classification</strong> RVB<br />
Toulouse corrigé<br />
Toulouse non corrigé<br />
Parcelles d’entraînement Parcelles test Parcelles d’entraînement Parcelles test<br />
Indice Kappa 70,4 75,5 74,9 71,4<br />
Précision globale sans la<br />
classe fond<br />
74,1 79,1 77,7 74,8<br />
3.2 <strong>Classification</strong> RVB PIR<br />
Toulouse corrigé<br />
Toulouse non corrigé<br />
Parcelles d’entraînement Parcelles test Parcelles d’entraînement Parcelles test<br />
Indice Kappa 79,5 87,7 85,5 85<br />
Précision globale sans la<br />
classe fond<br />
82,2 85,4 87,4 86,8<br />
Commentaires<br />
Les indices de précision sont supérieurs sur les images de Toulouse non corrigé aux indices des images de Toulouse corrigé.<br />
L’apport du canal PIR dans les classifications amène une amélioration de 10% environ que l’on soit sur les images de Toulouse<br />
corrigé ou non corrigé, pour les <strong>par</strong>celles test <strong>et</strong> les <strong>par</strong>celles d’entraînement.<br />
Commentaires généraux<br />
• Une fois encore, on voit que les canaux de radiométrie ne suffissent pas à discriminer au mieux certaines classes telles<br />
que les vignes.<br />
• Il semble qu’il y ait un problème avec la <strong>par</strong>celle test de sable humide.<br />
145
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
• La classe bâti n’est finalement pas bien classée. Sa radiométrie est très hétérogène. Elle comporte de nombreux<br />
recouvrements avec les autres classes. Peut être les <strong>par</strong>celles définies ne sont-elles pas assez représentatives.<br />
• On mesure ici à nouveau l’intérêt du canal PIR dans la cartographie de l’occupation du sol.<br />
• Certaines classes ne posent pas de problème de classification : l’eau <strong>et</strong> les bois.<br />
• La suppression de la classe haies améliore une peu les classifications mais ne résout pas les problèmes des classes qui<br />
étaient mauvaises avant.<br />
146
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Annexe 11<br />
Visualisation des nouveaux canaux<br />
1. A Troyes<br />
1. Blue 2. Chroma_bg 3. Chroma_rg 4. Ciea 5. Cieb<br />
6. Ciel 7.Cieu 8. Ciev 9. Ciex 10. Ciey<br />
11. Ciez 12. Green 13. Hue 14. Kl1 15. Kl2<br />
16. Kl3 17 Log_bg 18. Log_gs 19. Log_rg 20. Log_rgbb<br />
21. Log_rs 22. Pix_aurelie_d1 23. Pix_aurelie_d2 24. Pix_aurelie_p1 25. Pix_dot_i<br />
147
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
26. Pix_dot_s 27. Pix_ent_c 28. Pix_ent_e 29. Pix_ent_lg_d 30. Pix_ent_lg_h<br />
31. Pix_fractal 32. Pix_gabor_a 33. Pix_gabor_f 34. Pix_gabor_m 35. Pix_lbp_riu2f<br />
36. Pix_lbp_riu2m 37. Pix_lbp_var 38. Pix_soh_g 38. Pix_soh_m 40. Pix_soh_th<br />
41. Pix_soh_v 42. Red 43. Reg_aurelie_d1 44. Reg_aurelie_d2 45. Reg_aurelie_p1<br />
46. Reg_ent_c 47. Reg_ent_e 48. Reg_fractal 49. Reg_lbp_riu2f 50. Reg_lbp_riu2m<br />
51. Reg_soh_g 52. Reg_soh_m 53. Reg_soh_th 54. Reg_soh_v 55. Reg_value_i<br />
148
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
56. Satint 57. Saturation 58. Value 59. Value_i 60. Wi<br />
2. A Toulouse<br />
1. Blue 2. Chroma_bg 3. Chroma_rg 4. Ciea<br />
5. Cieb 6. Ciel 7.Cieu 8. Ciev<br />
9. Ciex 10. Ciey 11. Ciez 12. Green<br />
13. Hue 14. Kl1 15. Kl2 16. Kl3<br />
17 Log_bg 18. Log_gs 19. Log_rg 20. Log_rgbb<br />
21. Log_rs 22. Pix_aurelie_d1 23. Pix_dot_s 24. Pix_ent_c<br />
25. Pix_ent_e 26. Pix_ent_lg_d 27. Pix_ent_lg_h 28. Pix_fractal<br />
29. Pix_gabor_a 30. Pix_gabor_f 31. Pix_gabor_m 32. Pix_lbp_riu2f<br />
149
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
33. Pix_lbp_riu2m 34. Pix_lbp_var 35. Pix_soh_g 36. Pix_soh_m<br />
37. Pix_soh_th 38. Pix_soh_v 39. Red 40. Reg_aurelie_d1<br />
41. Reg_aurelie_d2 42. Reg_aurelie_p1 43. Reg_ent_c 44. Reg_ent_e<br />
45. Reg_fractal 46. Reg_lbp_riu2f 47. Reg_lbp_riu2m 48. Reg_soh_g<br />
49. Reg_soh_m 50. Reg_soh_th 51. Reg_soh_v 52. Reg_value_i<br />
53. Satint 54. Saturation 55. Value 56. Value_i<br />
57. Wi 58. Ired 59. Ndvi 60. Tgdvi<br />
61. Reg_aurelie_p2 62. Sathue<br />
Explication des canaux :<br />
1. Certains canaux sont calculés à <strong>par</strong>tir d’opération mathématiques basiques entre 2<br />
canaux :<br />
- le canal NDVI est calculé comme :<br />
PIR<br />
NDVI =<br />
PIR<br />
−<br />
+<br />
R<br />
R<br />
150
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
- le canal WI est calculé comme :<br />
WI<br />
=<br />
R −V<br />
R + V<br />
- les canaux Chroma, correspondant à des canaux de chrominance, sont calculés comme :<br />
Chroma _ rg = logrouge<br />
− logvert<br />
2. Espaces de couleur dérivés :<br />
• L*a*b*<br />
Dans ce modèle colorimétrique, une couleur est représentée <strong>par</strong> 3 valeurs :<br />
- L, la luminance, exprimée en % (0% = noir ; 100% = blanc),<br />
- a <strong>et</strong> b, deux gammes de couleurs (a : gamme du vert au rouge ; b : couleurs du<br />
bleu au jaune).<br />
Le système de couleur L*a*b*<br />
• XYZ<br />
Les composants rouges d'une couleur sont ré<strong>par</strong>tis le long de l'axe des x (horizontal) du<br />
plan de coordonnées <strong>et</strong> les composants verts le long de l'axe des y (vertical).<br />
Le système de couleur XYZ<br />
151
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Le passage du système RVB au système XYZ se fait suivant la relation matricielle<br />
suivante :<br />
• Teinte (hue en anglais) , intensité, saturation. Ce système de couleur ne se présente<br />
pas en coordonnées cartésiennes (x, y, z), mais en coordonnées polaires (r, θ, t ).<br />
3. D’autres canaux sont calculés pour mesurer la <strong>texture</strong>. Par exemple, l’entropie, à la<br />
base des canaux portant l’appellation –ent, est calculée à l’aide de la formule de<br />
Shannon :<br />
Ent = - Σ p i log 2 p i<br />
Les canaux utilisés pour la classification à Troyes :<br />
Pix_fractal<br />
152
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Reg_fractal<br />
153
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Les canaux utilisés pour la classification à Toulouse :<br />
Ciea<br />
Reg_ent_c<br />
154
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Annexe 12<br />
Sorties de l’ACP<br />
1. Axe factoriel 3-4à Troyes<br />
0,3<br />
0,2<br />
27<br />
55<br />
Axe 4 - Inertie : 3%<br />
0,1<br />
0<br />
-0,1<br />
-0,2<br />
29<br />
57<br />
20<br />
-0,3<br />
23<br />
22 53<br />
-0,4<br />
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2<br />
Axe 3 - Inertie : 5%<br />
2. Valeurs propres des quatre 1ères composantes principales, à Toulouse<br />
corrigé<br />
Composantes Principales Valeurs propres % % cumulé<br />
CP1 16,21 26,31 26,31<br />
CP2 8,12 13,09 39,4<br />
CP3 6,26 10,1 49,5<br />
CP4 5,19 6 55,5<br />
3. Valeurs propres des quatre 1ères composantes principales, à Toulouse non<br />
corrigé<br />
Composantes Principales Valeurs propres % % cumulé<br />
CP1 20,95 33,79 33,79<br />
CP2 10,26 16,55 50,34<br />
CP3 5,52 7,17 57,51<br />
CP4 4,44 5,5 63,01<br />
155
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
4. Axe factoriel 1-2 (Toulouse corrigé)<br />
5. Axe factoriel 3-4 (Toulouse corrigé)<br />
156
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
6. Axe factoriel 1-2 (Toulouse non corrigé)<br />
7. Axe factoriel 3-4 (Toulouse non corrigé)<br />
157
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
8. Tableau résumant les canaux s’opposant dans la formation des composante<br />
principale à Troyes<br />
Contribution CP1 CP2 CP3 CP4<br />
++++ 56 7 45 46<br />
+++ 1 21 15 27<br />
++ 58 3 20 55<br />
+ 14 19 50 37<br />
+ 11 4 5 25<br />
- 33 8 30 30<br />
- 47 13 29 23<br />
-- 48 16 24 59<br />
--- 31 18 22 53<br />
---- 39 60 23 22<br />
9. Tableau résumant les canaux s’opposant dans la formation des composante<br />
principale à Toulouse corrigé<br />
Contribution CP1 CP2 CP3 CP4<br />
++++ 39 59 38 16<br />
+++ 6 3 48 57<br />
++ 9 21 47 18<br />
+ 10 18 28 1<br />
+ 55 19 41 11<br />
- 12 44 43 28<br />
- 2 45 17 45<br />
-- 57 24 24 19<br />
--- 62 43 4 7<br />
---- 17 25 2 4<br />
158
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
10. Tableau résumant les canaux s’opposant dans la formation des<br />
composante principale à Toulouse non corrigé<br />
Contribution CP1 CP2 CP3 CP4<br />
++++ 53 57 3 4<br />
+++ 1 17 21 24<br />
++ 11 62 18 43<br />
+ 55 2 2 26<br />
+ 14 13 19 34<br />
- 46 19 7 61<br />
- 25 5 32 41<br />
-- 51 7 23 48<br />
--- 44 20 28 18<br />
---- 45 15 30 16<br />
159
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 13<br />
Distribution des canaux (exemple à Toulouse non corrigé)<br />
Distribution Normale<br />
(entre <strong>par</strong>enthèse, valeur<br />
radiométrique sur laquelle<br />
la distribution est centrée)<br />
-Log_bg (60)<br />
-Log_gs (180)<br />
-Reg_fractal (150)<br />
-Reg_soh_v (160)<br />
-Wi (140)<br />
Distribution bimodale<br />
(entre <strong>par</strong>enthèse, classes<br />
correspondant aux modes)<br />
-Green (eau, champ)<br />
-Pix_ent_lg_h (bois, bitume)<br />
-Pix_gabor_m (eau,<br />
bitume/carrière/<br />
bâti)<br />
-Pix_lbp_var (eau, autres<br />
classes)<br />
-Reg_soh_g (bois, terre<br />
ar./eau)<br />
Distribution trimodale<br />
(entre <strong>par</strong>enthèse, classes<br />
correspondant aux modes)<br />
-Ciea (eau, terre ar., sable<br />
hum.)<br />
-Ciel (eau, champ, terre ar.)<br />
-Ciex (eau, champ, terre ar.)<br />
-Hue (eau, sable hum., terre<br />
ar.)<br />
-Kl3 (eau, bois, terre ar.)<br />
-Pix_aurelie_d1<br />
(bois/broussaille/<br />
eau, sable hum./<br />
bitume, vigne/<br />
verger/champ)<br />
-Pix_fractal (eau, haie/sable<br />
hum., vigne/terre ar. )<br />
-Pix_soh_m (sable<br />
hum./bitume,<br />
vigne/verger, terre ar.)<br />
-Pix_soh_th (sable<br />
hum./bitume, bâti, vigne)<br />
-Red (eau, eau/<br />
champ, terre ar.)<br />
Distribution<br />
dissymétrique à<br />
gauche<br />
(concentration des pixels<br />
dans les valeurs faibles :<br />
l’image est sombre)<br />
-Blue<br />
-Chroma_bg<br />
-Chroma_rg<br />
-Cieb<br />
-Cieu<br />
-Ciev<br />
-Ciey<br />
-Ciez<br />
-Kl1<br />
-Kl2<br />
-Ired<br />
-Log_rg<br />
-Log_rgbb<br />
-Log_rs<br />
-Ndvi<br />
-Pix_ent_lg_d<br />
-Pix_ent_c<br />
-Pix_ent_e<br />
-Reg_aurélie_p2<br />
-Reg_soh_th<br />
-Reg_value_i<br />
-Sathue<br />
-Satint<br />
-Saturation<br />
-Value<br />
-Value_i<br />
-Tgvi<br />
Distribution<br />
dissymétrique à droite<br />
(concentration des pixels<br />
dans les valeurs fortes :<br />
l’image est claire)<br />
-Pix_gabor_f<br />
-Pix_lbp_riu_2f<br />
-Pix_soh_g<br />
-Reg_ent_e<br />
-Reg_lbp_riu2f<br />
Distribution<br />
indéterminée<br />
-Pix_dot_s<br />
-Pix_gabor_a<br />
-Pix_lbp_riu_2m<br />
-Pix_soh_v<br />
-Reg_aurelie_d1<br />
-Reg_aurelie_d2<br />
-Reg_aurelie_p1<br />
-Reg_ent_c<br />
-Reg_lbp_riu2m<br />
-Reg_soh_m<br />
160
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Annexe 14<br />
<strong>Classification</strong>s 1 canal<br />
1. Indices Kappa issus des classifications unicanal à Troyes, triés dans l’ordre<br />
décroissant<br />
Canal Kappa entraînement Kappa test<br />
Moyenne des 2<br />
Kappa<br />
37 74 69,6 71,8<br />
27 61,9 66,5 64,2<br />
46 60,2 67,3 63,8<br />
14 61 63,1 62,1<br />
58 61 63,1 62,1<br />
15 69,9 52,8 61,4<br />
28 61,7 59,4 60,6<br />
29 62,3 58,3 60,3<br />
6 60,3 59,2 59,8<br />
35 62,9 54,2 58,6<br />
11 59,1 56,9 58,0<br />
10 61,3 53,3 57,3<br />
51 44 70,6 57,3<br />
54 67,6 46,7 57,2<br />
21 53,3 60,2 56,8<br />
60 62,2 50,9 56,6<br />
5 65,1 47,4 56,3<br />
8 53 59,4 56,2<br />
7 56,2 55,4 55,8<br />
19 60,1 50,6 55,4<br />
9 61,9 48,7 55,3<br />
2 57,2 52,3 54,8<br />
59 56,6 52,4 54,5<br />
31 68,4 40 54,2<br />
13 63,5 44,7 54,1<br />
18 59,8 47,9 53,9<br />
3 58,9 48,5 53,7<br />
56 61,2 45,9 53,6<br />
1 60,1 44,1 52,1<br />
53 54,4 48,8 51,6<br />
12 47,3 55,5 51,4<br />
57 53 49 51,0<br />
4 53,1 47,6 50,4<br />
42 60,1 39,4 49,8<br />
40 50,6 45,3 48,0<br />
16 62,9 30,8 46,9<br />
49 41,5 46,3 43,9<br />
39 34,9 51 43,0<br />
52 37,5 48,4 43,0<br />
36 41,2 43,2 42,2<br />
20 44,1 39,1 41,6<br />
41 46,7 33,4 40,1<br />
161
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
47 35,1 42,9 39,0<br />
45 38,6 38,6 38,6<br />
26 37,9 38,7 38,3<br />
32 46,6 28,7 37,7<br />
34 41,7 33,2 37,5<br />
30 30 40 35,0<br />
48 49,2 19,2 34,2<br />
38 27,4 38,2 32,8<br />
50 27,2 34,1 30,7<br />
33 29,3 30,6 30,0<br />
17 57,8 1 29,4<br />
43 26,8 23,5 25,2<br />
44 25,4 21,9 23,7<br />
25 21,3 24,9 23,1<br />
23 16,5 3,6 10,1<br />
22 6,5 5,9 6,2<br />
55 0,7 0,4 0,6<br />
24 0,3 0,4 0,4<br />
MOYENNE 48,9 43,6 46,2<br />
162
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Indices Kappa issus des classifications unicanal à Toulouse non corrigé, triés<br />
dans l’ordre décroissant<br />
Canal<br />
Kappa<br />
entraînement<br />
Kappa test<br />
Moyenne des 2<br />
Kappa<br />
4 41,7 41,8 41,8<br />
59 33,5 42,3 37,9<br />
9 46 29,4 37,7<br />
13 34,5 39,4 37,0<br />
6 41 31,9 36,5<br />
18 31,7 40,7 36,2<br />
39 37,2 35,1 36,2<br />
7 39,5 32,1 35,8<br />
14 44,3 27,3 35,8<br />
55 44,3 27,3 35,8<br />
19 34,2 35,7 35,0<br />
16 29,6 38,9 34,3<br />
3 34,6 33,7 34,2<br />
57 33,2 34,1 33,7<br />
54 35,5 30,5 33,0<br />
21 37,8 27,8 32,8<br />
56 37,5 27,9 32,7<br />
10 39,3 25,5 32,4<br />
38 39,9 23,8 31,9<br />
32 42,1 21,4 31,8<br />
33 37,2 24,2 30,7<br />
58 28,6 31,4 30,0<br />
48 22,6 36,9 29,8<br />
53 36,4 22,8 29,6<br />
28 28 29,9 29,0<br />
20 29,7 27,4 28,6<br />
62 20,6 34,9 27,8<br />
12 30,8 24,2 27,5<br />
11 33,8 20,4 27,1<br />
1 33,5 19,8 26,7<br />
25 23,5 29,8 26,7<br />
46 28 24,2 26,1<br />
15 24,4 26,9 25,7<br />
2 28,7 22,4 25,6<br />
8 27,8 23 25,4<br />
26 31,6 19,2 25,4<br />
52 30,7 19,7 25,2<br />
60 22,2 22,9 22,6<br />
27 18,1 25 21,6<br />
47 28,4 14,5 21,5<br />
17 25,1 17,2 21,2<br />
51 28,7 13,1 20,9<br />
5 23,5 17,4 20,5<br />
37 27 10,9 19,0<br />
43 24,4 9,7 17,1<br />
35 17,1 16,1 16,6<br />
31 20 12,2 16,1<br />
163
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
49 17,9 11,9 14,9<br />
24 21,6 7 14,3<br />
29 19,7 7,4 13,6<br />
45 16,4 9,4 12,9<br />
34 8,4 14,7 11,6<br />
40 7,1 11,1 9,1<br />
44 10 5,2 7,6<br />
50 9,8 4,6 7,2<br />
36 4,6 8,8 6,7<br />
61 1,1 12 6,6<br />
42 6,4 4,6 5,5<br />
22 4,2 3,5 3,9<br />
23 2,5 0,9 1,7<br />
41 1,3 1,3 1,3<br />
30 1,1 1,1 1,1<br />
MOYENNE 26,1 21,7 23,9<br />
164
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
3. Indices Kappa issus des classifications unicanal à Toulouse corrigé, triés<br />
dans l’ordre décroissant<br />
Canal<br />
Kappa<br />
entraînement<br />
Kappa test<br />
Moyenne des 2<br />
Kappa<br />
16 41,7 58,8 50,3<br />
53 55,8 39,9 47,9<br />
39 48,9 45,2 47,1<br />
4 45,3 39,6 42,5<br />
18 37,1 47,1 42,1<br />
9 43,3 35,5 39,4<br />
62 33,7 43,7 38,7<br />
20 36,2 40,5 38,4<br />
14 43,2 30,7 37,0<br />
55 43,2 30,7 37,0<br />
57 35,7 38,1 36,9<br />
52 41,1 32,6 36,9<br />
13 33,3 39,6 36,5<br />
6 32,1 39,4 35,8<br />
11 43,3 26,9 35,1<br />
7 28,5 40,7 34,6<br />
56 38,8 28,6 33,7<br />
10 36,2 31 33,6<br />
5 40,1 26,8 33,5<br />
32 36,4 26,3 31,4<br />
3 30,7 30,4 30,6<br />
58 32 27,2 29,6<br />
12 27,2 31,6 29,4<br />
21 25,9 32,7 29,3<br />
45 30 24,6 27,3<br />
1 27,7 26,9 27,3<br />
48 22,8 31,5 27,2<br />
28 34 19,9 27,0<br />
8 30,9 22,6 26,8<br />
19 23,9 29,3 26,6<br />
31 29,9 20,9 25,4<br />
15 21,1 29,5 25,3<br />
26 23,9 20,2 22,1<br />
38 27,2 16,7 22,0<br />
44 14,9 25,7 20,3<br />
33 20,9 19,7 20,3<br />
2 17,1 18,4 17,8<br />
25 18,4 17 17,7<br />
24 15 20,1 17,6<br />
17 16,3 16,5 16,4<br />
27 20,6 11,5 16,1<br />
46 24,9 7,2 16,1<br />
50 29,5 1,4 15,5<br />
51 29,5 1,4 15,5<br />
34 17,3 12,7 15,0<br />
23 15,9 12,3 14,1<br />
165
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
54 10,7 16,3 13,5<br />
47 12 14,6 13,3<br />
43 13 5,6 9,3<br />
36 12,3 5,7 9,0<br />
37 12,6 2,8 7,7<br />
22 10,7 3,7 7,2<br />
35 8,1 6 7,1<br />
29 13,1 -1,1 6,0<br />
40 -0,4 6,7 3,2<br />
30 4,7 1 2,9<br />
61 2,2 3,4 2,8<br />
41 3,1 1,5 2,3<br />
42 1,7 1,9 1,8<br />
59 1,4 1,3 1,4<br />
60 0,2 0,2 0,2<br />
49 -0,7 -1,7 -1,2<br />
MOYENNE 24,6 21,6 23,1<br />
166
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Annexe 15<br />
Matrices de confusion sur la série d’image de Troyes.<br />
1. <strong>Classification</strong> 10 canaux<br />
1.1 Parcelles d’entraînement<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb<br />
pixels<br />
ECi<br />
Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
780 2 6 5 0 1 7 0 801 97 3<br />
Bitume 9 1 908 0 0 0 1 10 0 1 928 99,0 1<br />
Bois 338 93 61 682 19 0 2 699 0 62 833 98,2 2<br />
Champs<br />
cultivés,<br />
7 267 1 029 164 129 890 14 2 955 895 0 142 214 91,3 9<br />
prairies<br />
Sols nus 0 93 0 0 3 483 146 130 0 3 852 90,4 10<br />
Terres<br />
Arables<br />
335 2 014 17 3 424 18 111 88 759 2 540 0 115 200 77,0 23<br />
Vergers 19 13 26 0 1 3 1 765 0 1 827 96,6 3<br />
Fond 0 0 0 0 0 0 0 171 544 171 544 100 0<br />
Nb pixels 8 748 5 152 61 895 133 338 21 609 91 867 6 046 171 544 500 199<br />
EOi 8,9 37,0 99,7 97,4 16,1 96,6 29,2 100<br />
Erreur<br />
d’excédent<br />
91,1 63,0 0,3 2,6 83,9 3,4 70,8 0,0<br />
1.2 Parcelles test<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
52 0 8 1 0 0 0 0 61 85 15<br />
Bitume 2 682 1 0 1 4 5 0 695 98,1 2<br />
Bois 141 163 41 300 21 0 0 679 0 42 304 97,6 2<br />
Champs<br />
cultivés,<br />
4 818 1 009 174 66 442 18 39 770 506 0 112 737 58,9 41<br />
prairies<br />
Sols nus 0 12 0 0 4 910 127 0 0 5 049 97,2 3<br />
Terres<br />
Arables<br />
534 499 2 7 237 4 851 63 418 686 0 77 227 82,1 18<br />
Vergers 256 185 46 0 3 0 1 551 0 2 041 76,0 24<br />
Fond 0 0 0 0 0 0 0 94 828 94 828 100 0<br />
Nb pixels 5 803 2 550 41 531 73 701 9 783 103 319 3 427 94 828 334 942<br />
EOi 0,9 26,7 99,4 90,2 50,2 61,4 45,3 100<br />
Erreur<br />
d’excédent<br />
99,1 73,3 0,6 9,8 49,8 38,6 54,7 0,0<br />
167
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
2. <strong>Classification</strong> 1,12,31,42,48<br />
2.1 Parcelles d’entraînement<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb<br />
pixels<br />
ECi<br />
Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
691 1 70 8 1 6 24 0 801 86 14<br />
Bitume 2 1880 2 4 2 11 27 0 1 928 97,5 2<br />
Bois 224 83 62005 136 0 8 377 0 62 833 98,7 1<br />
Champs<br />
cultivés,<br />
3400 316 1227 131818 29 2518 2906 0 142 214 92,7 7<br />
prairies<br />
Sols nus 0 86 0 0 3565 133 68 0 3 852 92,5 7<br />
Terres<br />
Arables<br />
342 825 39 381 2639 105773 5201 0 115 200 91,8 8<br />
Vergers 11 7 91 20 0 4 1694 0 1 827 92,7 7<br />
Fond 0 0 0 0 0 0 0 171544 171 544 100 0<br />
Nb pixels 4 670 3 198 63 434 132 367 6 236 108 453 10 297 171 544 500 199<br />
EOi 14,8 58,8 97,7 99,6 57,2 97,5 16,5 100<br />
Erreur<br />
d’excédent<br />
85,2 41,2 2,3 0,4 42,8 2,5 83,5 0,0<br />
2.2 Parcelles test<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
0 0 0 15 0 1 45 0 61 0 100<br />
Bitume 0 672 4 0 6 7 6 0 695 96,7 3<br />
Bois 58 30 41592 447 0 9 168 0 42 304 98,3 2<br />
Champs<br />
cultivés,<br />
1908 127 4198 57752 8 46178 2566 0 112 737 51,2 49<br />
prairies<br />
Sols nus 0 4 0 0 5044 1 0 0 5 049 99,9 0<br />
Terres<br />
Arables<br />
231 173 158 5537 538 69903 687 0 77 227 90,5 9<br />
Vergers 4 80 483 33 11 106 1324 0 2 041 64,9 35<br />
Fond 0 0 0 0 0 0 0 94828 94 828 100 0<br />
Nb pixels 2 201 1 086 46 435 63 784 5 607 116 205 4 796 94 828 334 942<br />
EOi 0,0 61,9 89,6 90,5 90,0 60,2 27,6 100<br />
Erreur<br />
d’excédent<br />
100,0 38,1 10,4 9,5 10,0 39,8 72,4 0,0<br />
168
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
3. <strong>Classification</strong> 1,12,31,47<br />
3.1 Parcelles d’entraînement<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb<br />
pixels<br />
ECi<br />
Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
739 2 34 12 0 3 11 0 801 92 8<br />
Bitume 5 1856 1 7 20 4 35 0 1 928 96,3 4<br />
Bois 152 282 61139 360 0 20 880 0 62 833 97,3 3<br />
Champs<br />
cultivés,<br />
38076 946 4014 87928 326 8109 2815 0 142 214 61,8 38<br />
prairies<br />
Sols nus 0 209 0 2 3395 107 139 0 3 852 88,1 12<br />
Terres<br />
Arables<br />
1146 1094 0 18154 22066 65864 6876 0 115 200 57,2 43<br />
Vergers 20 4 109 16 2 8 1668 0 1 827 91,3 9<br />
Fond 0 0 0 0 0 0 0 171544 171 544 100 0<br />
Nb pixels 40 138 4 393 65 297 106 479 25 809 74 115 12 424 171 544 500 199<br />
EOi 1,8 42,2 93,6 82,6 13,2 88,9 13,4 100<br />
Erreur<br />
d’excédent<br />
98,2 57,8 6,4 17,4 86,8 11,1 86,6 0,0<br />
3.2 Parcelles test<br />
Autre<br />
Végétation<br />
Bitume<br />
Bois<br />
Champs<br />
cultivé <strong>et</strong><br />
prairies<br />
Sols<br />
nus<br />
Terres<br />
arables Vergers Fond Nb pixels ECi Erreur de<br />
déficit<br />
Autre<br />
végétation<br />
30 0 13 14 0 2 2 0 61 49 51<br />
Bitume 3 673 0 1 7 6 5 0 695 96,8 3<br />
Bois 145 288 40213 999 0 13 646 0 42 304 95,1 5<br />
Champs<br />
cultivés,<br />
2711 4651 229 94045 23 10373 705 0 112 737 83,4 17<br />
prairies<br />
Sols nus 0 15 0 47 4813 141 33 0 5 049 95,3 5<br />
Terres<br />
Arables<br />
923 677 5 22008 2525 50221 868 0 77 227 65,0 35<br />
Vergers 22 31 417 4 3 3 1561 0 2 041 76,5 24<br />
Fond 0 0 0 0 0 0 0 94828 94 828 100 0<br />
Nb pixels 3 834 6 335 40 877 117 118 7 371 60 759 3 820 94 828 334 942<br />
EOi 0,8 10,6 98,4 80,3 65,3 82,7 40,9 100<br />
Erreur<br />
d’excédent<br />
99,2 89,4 1,6 19,7 34,7 17,3 59,1 0,0<br />
169
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS –<br />
IGN<br />
Annexe 16<br />
<strong>Classification</strong> avec les nouveaux canaux<br />
<strong>Classification</strong> 6,9,10,15,29,31,35,37,46,54<br />
N<br />
0 500 m<br />
170
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Annexe 17<br />
Matrices de confusion de la classification 4 canaux (bleu, ciea, PIR, rent_ent_c)<br />
1. Toulouse corrigé<br />
1.1 Entraînement<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 6 682 422 49 777 209 1 0 14 57 0 257 0 0 8 468 78,9 21,1<br />
Bitume 535 4 094 2 46 820 1 0 5 28 1 88 1 0 5 621 72,8 27,2<br />
Bois 545 301 82 641 14 651 6 8 21 8 270 0 5 633 15 0 107 096 77,2 22,8<br />
Broussailles 44 37 160 35 182 2 6 0 253 0 0 383 74 0 36 141 97,3 2,7<br />
Carrières 133 1 334 0 10 5 858 0 0 34 205 0 34 0 0 7 608 77,0 23,0<br />
Champs cultivés<br />
530<br />
352 26 4 5 0 89 948 0<br />
0 1 795 1 656 360 0 94 676 95,0 5,0<br />
<strong>et</strong> prairies<br />
Eau 120 0 8 0 2 39 79 226 432 17 22 75 2 0 79 943 99,1 0,9<br />
Haies 13 0 392 45 0 50 0 463 0 16 216 128 0 1 323 35,0 65,0<br />
Sable humide 1 2 0 0 145 0 0 0 859 0 0 0 0 1 007 85,3 14,7<br />
Terres arables 1 043 3 0 4 0 1 265 0 5 210 0 90 647 244 2 830 0 101 246 89,5 10,5<br />
Vergers 24 210 32 2 982 0 1 408 64 37 0 6 15 953 10 0 20 726 77,0 23,0<br />
Vignes 1 0 150 42 0 66 0 610 0 16 189 14 588 0 15 662 93,1 6,9<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 8 980 8 980 100,0 0,0<br />
Nb pixels 9 493 6 429 83 438 53 744 7 042 92 792 79 311 15 858 1 166 92 508 19 728 18 008 8 980 488 497<br />
EOi 70,4 63,7 99,0 65,5 83,2 96,9 99,9 2,9 73,7 98,0 80,9 81,0 100,0<br />
Erreur<br />
d'excédent<br />
29,6 36,3 1,0 34,5 16,8 3,1 0,1 97,1 26,3 2,0 19,1 19,0 0,0<br />
171
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
1.2 Test<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3591 265 27 263 500 0 0 4 13 0 41 0 0 4 704 76,3 23,7<br />
Bitume 170 4572 0 41 57 9 0 7 20 0 60 6 0 4 942 92,5 7,5<br />
Bois 254 75 73980 3781 2 2 0 1710 0 0 66 0 0 79 870 92,6 7,4<br />
Broussailles 156 89 4620 13964 0 9 0 473 0 0 3649 160 0 23 120 60,4 39,6<br />
Carrières 273 43 3 2 5975 0 0 23 244 0 9 0 0 6 572 90,9 9,1<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
1 0 1 49 0 40975 0<br />
135<br />
0 20 3062 5607 0 49 850 82,2 17,8<br />
Eau 546 4 97 0 6 144 46981 143 0 24 24 3 0 47 972 97,9 2,1<br />
Haies 44 0 3 131 0 0 0 612 0 13 30 0 0 833 73,5 26,5<br />
Sable humide 2 555 4 2 11 0 0 2 0 0 2 0 0 578 0,0 100,0<br />
Terres arables 171 5 0 4 8 123 0 180 3 80257 698 833 0 82 282 97,5 2,5<br />
Vergers 585 11 1 445 4 8055 0 59 0 232 7259 895 0 17 546 41,4 58,6<br />
Vignes 4 0 0 3 0 2581 0 1323 0 15 4988 1860 0 10 774 17,3 82,7<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 2657 2 657 100,0 0,0<br />
Nb pixels 5 797 5 619 78 736 18 685 6 563 51 898 46 981 4 671 280 80 561 19 888 9 364 2 657 331 700<br />
EOi 61,9 81,4 94,0 74,7 91,0 79,0 100,0 13,1 0,0 99,6 36,5 19,9 100,0<br />
Erreur<br />
86,9<br />
38,1 18,6 6,0 25,3 9,0 21,0 0,0<br />
d'excédent<br />
100,0 0,4 63,5 80,1 0,0<br />
172
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2. Toulouse non corrigé<br />
2.1 Entraînement<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 5688 586 794 36 140 26 0 94 151 75 491 22 2 8 105 70,2 29,8<br />
Bitume 169 3764 16 19 978 32 0 67 186 11 23 1 0 5 266 71,5 28,5<br />
Bois 336 71 90688 5878 0 128 4 3353 49 161 2086 151 0 102 905 88,1 11,9<br />
Broussailles 4 8 707 32207 0 159 0 623 0 26 902 47 0 34 683 92,9 7,1<br />
Carrières 136 627 10 3 6105 41 0 19 242 4 90 0 0 7 277 83,9 16,1<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
31 3 0 17 2 85475 0<br />
993<br />
0 753 3869 157 0 91 300 93,6 6,4<br />
Eau 61 2 5 0 26 159 76673 48 58 1 28 0 20 77 081 99,5 0,5<br />
Haies 24 0 22 49 0 31 0 809 0 3 288 10 0 1 236 65,5 34,5<br />
Sable humide 0 16 2 0 4 0 0 0 964 0 0 0 0 986 97,8 2,2<br />
Terres arables 3113 576 23 13 129 13668 0 223 7 78889 117 772 29 97 559 80,9 19,1<br />
Vergers 6 14 2263 1393 0 1446 2 673 1 35 14102 65 0 20 000 70,5 29,5<br />
Vignes 82 0 93 67 0 29 0 197 0 152 348 14104 0 15 072 93,6 6,4<br />
0<br />
Fond 0 0 0 0 0 0 0<br />
0 0 0 0 1134 11 343 100,0 0,0<br />
3<br />
7 099<br />
11<br />
Nb pixels 9 650 5 667 94 623 39 682 7 384 101 194 76 679<br />
1 658 80 110 22 344 15 329<br />
394<br />
EOi 58,9 66,4 95,8 81,2 82,7 84,5 100,0 11,4 58,1 98,5 63,1 92,0 100,0<br />
Erreur<br />
88,6<br />
41,1 33,6 4,2 18,8 17,3 15,5 0,0<br />
41,9 1,5 36,9 8,0 0,0<br />
d'excédent<br />
472 813<br />
173
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
2.2 Test<br />
Bâti Bitume Bois Broussailles Carrières<br />
Champs<br />
cultivés<br />
<strong>et</strong> prairies<br />
Eau<br />
Haies<br />
Sable<br />
humide<br />
Terres<br />
arables<br />
Vergers Vignes Fond Nb pixels ECi<br />
Erreur<br />
de déficit<br />
Bâti 3209 624 258 187 51 9 0 12 76 16 51 22 1 4 516 71,1 28,9<br />
Bitume 108 4123 11 37 145 15 0 78 143 8 102 1 0 4 771 86,4 13,6<br />
Bois 280 0 74739 104 0 23 0 1010 0 45 247 11 0 76 459 97,8 2,2<br />
Broussailles 6 0 486 17676 0 173 0 2112 0 11 1735 32 0 22 231 79,5 20,5<br />
Carrières 247 1670 12 3 4022 48 0 20 195 4 51 1 0 6 273 64,1 35,9<br />
Champs cultivés<br />
<strong>et</strong> prairies<br />
7 0 1 68 0 38745 0<br />
238<br />
0 6 6992 1826 52 47 935 80,8 19,2<br />
Eau 439 1 28 0 10 190 45085 252 83 0 60 0 21 46 169 97,7 2,3<br />
Haies 109 0 151 1 0 1 0 206 0 10 336 35 0 849 24,3 75,7<br />
Sable humide 1 3 0 4 538 3 0 9 2 1 1 0 0 562 0,4 99,6<br />
Terres arables 1592 223 6 46 5 67 0 1707 1 72039 888 2491 0 79 065 91,1 8,9<br />
Vergers 0 5 13 33 0 4399 0 767 2 50 11558 22 0 16 849 68,6 31,4<br />
Vignes 1 2 12 19 0 1527 0 28 0 25 6244 2474 0 10 332 23,9 76,1<br />
Fond 0 0 0 0 0 0 0 0 0 0 0 0 5924 5 924 100,0 0,0<br />
Nb pixels 5 999 6 651 75 717 18 178 4 771 45 200 45 085 6 439 502 72 215 28 265 6 915 5 998 321 935<br />
EOi 53,5 62,0 98,7 97,2 84,3 85,7 100,0 3,2 0,4 99,8 40,9 35,8 100,0<br />
Erreur<br />
96,8<br />
46,5 38,0 1,3 2,8 15,7 14,3 0,0<br />
d'excédent<br />
99,6 0,2 59,1 64,2 0,0<br />
174
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong> Stage au laboratoire MATIS – IGN<br />
Indices Kappa <strong>et</strong> précision globale<br />
Toulouse corrigé<br />
Toulouse non corrigé<br />
Parcelles d’entraînement Parcelles test Parcelles d’entraînement Parcelles test<br />
Indice Kappa 87,1 82,2 87 84,4<br />
Précision globale sans la<br />
classe fond<br />
88,9 85.1 88,7 86,7<br />
175
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Glossaire<br />
Aérotriangulation<br />
Transformation géométrique perm<strong>et</strong>tant de r<strong>et</strong>rouver les positions <strong>et</strong> les<br />
orientations exactes des clichés à l’instant de la prise de vue.<br />
Balance des blancs<br />
La balance des blancs est l'opération qui consiste à corriger la colorimétrie d'une<br />
photo en fonction du type d'éclairage, afin d'éviter toute dominante colorée. On<br />
recherche normalement la sensibilité des filtres R, V, B, PIR pour qu’un obj<strong>et</strong> blanc<br />
ap<strong>par</strong>aisse effectivement blanc.<br />
Classifieur<br />
En informatique, un classifieur est un Instrument de l'étape de reconnaissance qui<br />
affecte le caractère à une lasse de formes <strong>par</strong> l'identification de certaines<br />
caractéristiques.<br />
Distorsion de l’objectif<br />
La distorsion est une déformation de l’image, liée à la position du diaphragme <strong>par</strong><br />
rapport à la lentille de l’ap<strong>par</strong>eil photographique.<br />
Forêts ripicoles<br />
Forêts humides, situées en bordure de rivière<br />
Hot Spot<br />
Le hot spot, ou ghost image, correspond au maximum de réflectance ; configuration<br />
dos au soleil [GIR, 99].<br />
Luminance<br />
Grandeur radiométrique qui, en un point d'une surface <strong>et</strong> dans une direction<br />
donnée, s'exprime <strong>par</strong> le quotient de l'intensité énergétique d'un élément de c<strong>et</strong>te<br />
surface <strong>par</strong> l'aire de la projection orthogonale de c<strong>et</strong> élément sur un plan<br />
perpendiculaire à la direction donnée. L'unité de mesure utilisée pour rendre<br />
176
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
compte de la luminance énergétique est le watt <strong>par</strong> stéradian <strong>par</strong> mètre carré dont<br />
le symbole est W/(sr.m²).<br />
Recouvrement inter bande<br />
Le recouvrement est la proportion de la surface commune entre un cliché <strong>et</strong> son<br />
voisin, sur la surface totale du cliché.<br />
Le recouvrement inter bande est un recouvrement entre deux images successives<br />
d’une même bande.<br />
Recouvrement intra bande<br />
Le recouvrement intra bande est un recouvrement entre deux images de deux<br />
bandes successives.<br />
Réflectance<br />
La réflectance est le rapport de l’énergie réfléchie <strong>par</strong> un obj<strong>et</strong> dans une longueur<br />
d’onde à l’énergie reçue du soleil <strong>par</strong> c<strong>et</strong> obj<strong>et</strong> <strong>et</strong> pour la même bande de longueur<br />
d’onde [GIR, 99].<br />
Surface agricole utile (SAU)<br />
La SAU contient à la fois :<br />
- les terres labourables y compris les jachères,<br />
- les surfaces consacrées aux cultures maraîchères <strong>et</strong> florales,<br />
- les prairies permanentes,<br />
- les surfaces en pépinières,<br />
- les plantations <strong>et</strong> cultures pérennes comme les vignes <strong>et</strong> les vergers<br />
Elle ne comprend donc ni les bois <strong>et</strong> les forêts, ni les broussailles, ni les haies.<br />
(Source : Ministère de l’agriculture, http://www.agriculture.gouv.fr/, 2004).<br />
177
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Bibliographie<br />
Ouvrages<br />
[BAS, 00]<br />
[CHA, 04]<br />
Basly Ludovic, 2000, Télédétection pour la qualité de l'air en milieu<br />
urbain, thèse de doctorat, CENERG, école des Mines de Paris, Université<br />
de Nice, Sofia Antipolis, 184 p.<br />
Chandelier Laure <strong>et</strong> Martinoty Gilles, 2004, Prototype d’outils de<br />
traitement des radiométries, Compte rendu, Direction de Production,<br />
IGN, 8p.<br />
[COQ, 95] Cocquerez <strong>Jean</strong> Pierre <strong>et</strong> Philipp Sylvie, 1995, Analyse d’images :<br />
filtrage <strong>et</strong> segmentation, MASSON, 457 p.<br />
[FRE, 02]<br />
[GIR, 99]<br />
[JAK, 02]<br />
[LAC, 04]<br />
[LAN, 01]<br />
[SOU, 03]<br />
[WAS, 01]<br />
Frédéric Benoît, 2002, Etude de restituteurs numériques appliquée aux<br />
besoins d’IGN France International, Rapport de stage Ecole Supérieure<br />
des Géomètres Topographes, 85 p.<br />
Girard M. C. <strong>et</strong> Girard C. M., 1999, Traitement des données de<br />
télédétection, DUNOD, 529 p.<br />
Jakomulska A. M. & STAWIECKA M. N., 2002, Integrating spectral and<br />
textural information for land cover mapping, pp. 347-354, in Observing<br />
our environment from space – New solutions for a new Millenium, Ed.<br />
Gérard Bégni-CNES, 435 p.<br />
Lachérade S, Miesch C., Boldo D., Briott<strong>et</strong> X., Le Men H., Valorge C.,<br />
2004, Description d’une campagne de validation pour la caractérisation<br />
des milieux urbains, Rapport IGN interne, 12 p.<br />
Landgrebe David A. & Biehl Larry, 2001, An Introduction tu MultiSpec,<br />
170 p.<br />
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Intro5_01.pdf<br />
Souchon <strong>Jean</strong>-Philippe <strong>et</strong> Thom Christian, 2003, Un canal proche<br />
infrarouge pour la caméra numérique de l’IGN, Bull<strong>et</strong>in d’information, de<br />
l’IGN n°74, 2003/3, pp 53-62.<br />
Wassenar Tom, 2001, Reconnaissance des états de surfaces du sol en<br />
milieu viticole méditerranéen <strong>par</strong> télédétection à très haute résolution<br />
spatiale, thèse de doctorat en science du sol, ENSAM, 228 p.<br />
[YUM, 95] Yum-Oh Suk, 1995, Utilisation de l’information de phase en<br />
segmentation <strong>et</strong> classification des images texturées, thèse de doctorat,<br />
Université de La Rochelle, 161 p.<br />
178
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Cartes<br />
• Troyes<br />
Carte IGN, série bleue, n° 2817O, Troyes, 1/25 000 ème , 1954-1994.<br />
Carte IGN, série bleue, n° 2818O, Bouilly, 1/25 000 ème , 1954-1994.<br />
• Toulouse<br />
Carte IGN, série bleue, n° 2044E, Mur<strong>et</strong>, 1/25 000 ème , 1993-1999.<br />
Carte IGN, série bleue, n° 2044O, Saint-Lys, 1/25 000 ème , 1993-1999.<br />
Carte IGN, série bleue, n° 2045E, Lézat sur Lèze, 1/25 000 ème , 1993-1999.<br />
Carte IGN, série bleue, n° 2045O, Cazères, 1/25 000 ème , 1993-1999.<br />
Sites, téléchargement de logiciels<br />
• IGN<br />
www.ign.fr<br />
www.ensg.ign.fr<br />
• MultiSpec<br />
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/ (téléchargement du logiciel)<br />
David Landgrebe, 1997, On Information Extraction Principles for Hyperspectral Data,<br />
34 p.<br />
http://dynamo.ecn.purdue.edu/~landgreb/whitepaper.pdf<br />
David Landgrebe, 1998, Multispectral Data Analysis : A Signal Theory Perspective,<br />
46 p.<br />
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/Signal_Theory.pdf<br />
• Autres<br />
http://www.culture.gouv.fr/culture/cnp/fr/<br />
Cellule photogrammétrique du Centre National de la Préhistoire<br />
http://www.agriculture.gouv.fr/<br />
http://www.unige.ch/ses/geo/<br />
Cours de géographie (télédétection) de l’université de Genève (classifications<br />
dirigées)<br />
http://www.impots.gouv.fr/portal/dgi/<br />
Définition de cadastre<br />
http://www.cg-aube.com/<br />
Conseil général de l’Aube<br />
http://www.qc.ec.gc.ca/faune/faune/html/contenu.html<br />
179
<strong>Classification</strong> grossière <strong>par</strong> radiométrie <strong>et</strong> <strong>texture</strong><br />
Stage au laboratoire MATIS – IGN<br />
Service canadien de la faune<br />
http://lacan.grignon.inra.fr/ressources/teled<strong>et</strong>ection/vademecum.htm<br />
Cours en ligne de télédétection de l’INRA<br />
180