Conclusions et perspectives

III.5.1 Conclusions

Dans ce chapitre, nous avons évalué l’intérêt des modèles multivariés de texture sur sous-bandes d’ondelettes dans un contexte de classification d’âges de peuplements forestiers issus d’une forêt mono-spécifique cultivée de pins maritimes. Les performances de caractérisation de la texture de ces modèles ont été comparées avec celles obtenues par les matrices de co-occurrence dans le cadre de deux analyses : l’indexation d’images à partir d’une base de données de patchs de textures homogènes et la classification de peuplements à partir d’une base de données de référence de classes d’âge. Plusieurs conclusions peuvent être tirées des résultats présentés.

Dans l’analyse d’indexation de patchs de textures homogènes, les attributs dérivés des GLCMs se sont révélés plus performants que les modèles multivariés testés principalement en raison de l’invariance à la rotation de ces attributs. La présence de textures anisotropes (classes d’âge 1 et 2) dans la base de données semble être une source de confusion importante pour les modèles multivariés. Néanmoins, lorsque l’information texturale se complexifie comme c’est le cas dans l’analyse par classification de peuplements forestiers, les modèles multivariés sur sous-bandes d’ondelettes ont démontré une plus grande efficacité de discrimination entre les classes d’âge de forêt malgré l’hétérogénéité plus marquée des textures à classifier. Parmi les modèles multivariés, l’utilisation des modèles basés sur les SIRVs et en particulier le modèle SIRVgauss s’est avéré être la stratégie la plus efficace pour modéliser la dépendance spatiale dans le contexte thématique de cette étude.

77

Des erreurs de classification liées à l’anisotropie des textures sont particulièrement présentes lors de l’utilisation d’un classifieur de type k-NN. Mais, ces erreurs ont pu être partiellement réduites en homogénéisant les orientations dans la base de données. La classification par SVM a démontré son intérêt dans ce contexte en gérant plus efficacement la variabilité des orientations et en réduisant ces erreurs. Son utilisation permet ainsi d’éviter ce prétraitement des données consistant à retourner tous les individus à une même orientation, opération qui s’avérerait délicate dans une perspective d’automatisation de la classification.

L’ajout de paramètres issus de la modélisation de la dépendance couleur ainsi que l’homogénéisation des orientations dans la base de données permet d’atteindre des performances plus élevées pour la plupart des modèles. L’analyse des performances par classe révèle toutefois un comportement différent de chacune des classes face à ces modalités. Les classes considérées ont en effet leurs propres caractéristiques en termes de texture, d’orientation et de réponse spectrale.

Par ailleurs, la diversité des pratiques culturales, la limite confuse entre les classes et les séquelles de perturbations naturelles introduisent invariablement des divergences entre la texture observée dans certains peuplements et leur âge réel. L’hypothèse a priori de l’existence d’une relation entre l’âge des peuplements et la distribution spatiale des arbres a donc ses limites. Cependant, les modèles proposés s’ajustent la plupart du temps correctement à la texture observée et les erreurs de classification sont principalement dues à ces divergences.

Enfin, plusieurs images satellite THR acquises avec deux capteurs différents (Pléiades et GeoEYE) et à des saisons différentes ont été testées dans cette étude. Les spécificités de ces images en termes de géométrie d’acquisition et de dynamique radiométrique rendent toutefois délicate la formulation de recommandations sur le choix d’un capteur ou d’une saison d’acquisition. Il semble néanmoins que les performances de classification soient plus élevées sur les images d’été que sur les images d’hiver probablement en raison des ombres portées moins marquées dans ces images. Un angle d’incidence faible semble également garantir une meilleure perception des textures grâce à la distance d’échantillonnage plus courte associée.

Les expérimentations réalisées et les conclusions dégagées ci-dessus constituent les principales contributions originales de ce chapitre. Celles-ci ont fait l’objet d’une publication dans [Regniers et al., 2014b]. Par ailleurs, nous avons adapté la chaîne de traitement proposée au chapitre II (Figure 2.3 A) au contexte applicatif de la classification des classes d’âge de peuplements forestiers. Nous avons également démontré l’intérêt de la très haute résolution spatiale et de l’utilisation des capteurs Pléiades et GeoEYE pour traiter la problématique présentée.

III.5.2 Perspectives

Les classes considérées dans cette étude ont montré des comportements différents face aux diverses modalités d’analyse envisagées (SP, COL, SP+COL, SProt, SProt+COL) en raison de leurs caractéristiques spécifiques en termes d’anisotropie, de contenu textural et de réponse spectrale. Or, la stratégie envisagée dans cette étude a consisté à paramétrer les approches d’analyse texturale par la recherche d’un modèle optimal maximisant la discrimination entre les classes. Cette stratégie globale de modélisation est une forme de compromis entre les spécificités propres à chacune des classes. Une perspective intéressante dans ce contexte serait de proposer une stratégie alternative dans laquelle les modèles seraient paramétrés classe par classe afin de mieux s’ajuster à ces particularités. Des

78

indicateurs de type Goodness-of-Fit pourraient être envisagés lors de cette phase de sélection de modèle [Bentler & Bonett, 1980]. Cela permettrait par exemple de choisir une décomposition en ondelettes, un nombre d’échelles de décomposition et/ou un modèle différents pour chacune des classes. De même, le choix d’un modèle différent pour décrire les dépendances spatiales et les dépendances couleurs pourrait être envisagé.

L’hypothèse a priori de l’existence d’une relation entre l’âge des peuplements et la texture a montré ses limites dans cette étude. Cela suggère l’utilité potentielle des modèles multivariés pour l’estimation de variables de structures forestières plus directement liées à la texture. Ce serait le cas par exemple du diamètre des couronnes qui a un impact direct sur la taille des objets à décrire ou de la densité des peuplements qui est directement liée à la distribution spatiale de ces objets.

Chapitre IV - Application à la détection des