Intérêt du débruitage dans la classification des images satellitaires

Dans cette session nous allons montrer le rôle du débruitage dans un des traitements que peut subir une image satellitaire. Comme nous l'avons mentionné dans les chapitres précédents, plusieurs procédés sont appliqués à ce type d'images tels que la classification, la mise en correspondance (appariement), la compression et la segmentation. Nous allons étudier dans ce qui suit un traitement de niveau supérieur qui est la classification. Il est important de préciser que l'intérêt ici n'est pas de perfectionner une méthode de classification, mais de voir l'impact de notre algorithme de débruitage dans une chaine de traitement de l'image satellitaire.

(a) (b) (c)

(d) (e) (f)

Figure IV.8. Zoom sur le débruitage multicanal de l'image (Memphis) (𝜎_𝑏²=50). (a) une partielle de l'image originale, (b)partielle bruitée, (c) DWT (NeighShrink) (d) DT-CWT (NeighShrink),(e) DT-QWT (NeighShrink), (f) DT-QWT (BiShrink), (g) DT-QWT (NeighShrink-phase Smooth).

Chapitre IV. Débruitage multicanal des images multispectrales

99 IV.5.1. Les méthodes de classification des images satellitaires

Le problème de la classification revient à discriminer les caractéristiques des images étudiées et les attribuer à des catégories différentes. Ceci revient à identifier des classes auxquelles appartiennent des objets à partir de certains trais descriptifs (comme la signature spectrale). Les classes en question sont des ensembles de pixels regroupés en fonction de leurs niveaux de gris ou relativement aux corrélations qui peuvent exister dans leur voisinage. En télédétection ceci se traduit par une partition de l'image en des ensembles de pixels représentant une même occupation de sol.

Les techniques de classification se divisent en deux catégories: la classification supervisée, où la nature des objets à classifier est connue à l'avance. Dans ce cas l'intervention d'un utilisateur qui apporte des échantillons d'apprentissage est nécessaire. La classification non supervisée ne fait intervenir aucun utilisateur. Soit il existe une collection universelle de classes déjà définies indépendamment de l'image, soit le nombre de classes et leurs caractéristiques sont définies automatiquement lors de la classification.

Les méthodes utilisées dans ce domaine sont très nombreuses. On peut citer brièvement les approches les plus répondues:

 Classification par minimisation de la distance

Cette méthode repose sur la recherche de la classe la plus proche pour chaque pixel ou un groupe de pixels en calculant une certaine distance. Les algorithmes les plus connus sont: l'algorithme barycentrique ou k plus proches voisins où une distance euclidienne simple est utilisée pour quantifier la proximité, le k-means itératif [77] et ISODATA [78] qui est une version améliorée de l'algorithme k-means .

 Classification par maximum de vraisemblance

Cette méthode statistique consiste à partitionner l'espace des pixels en plusieurs zones étiquetées grâce aux échantillons d'apprentissage. Les frontières entre les zones sont déterminées par modélisation probabilistes. Ensuite chaque sous ensemble est séquentiellement testé avec les sous ensembles restants pour l'apprentissage du classifieur. Chaque échantillon est ensuite prédit et l'évaluation de la classification se fait par calcul du rapport entre les échantillons correctement classifiés [79]. En supposant que les sous ensembles représentent la donnée globale de l'image, on peut approximativement prédire toutes les classes représentants cette image. Cette approche nécessite la recherche des paramètres internes optimaux des classifieurs.

Chapitre IV. Débruitage multicanal des images multispectrales

100

 Classification par réseaux de neurones

Ce type de classifieurs s'alimente par lui même, c'est à dire, que ses paramètres s'adaptent à la signature spectrale des données à fur et à mesure qu'on lui donne des pixels d'entrainement. Après la phase d'apprentissage, un pixel en entrée lui correspond plusieurs possibilités en sortie. En télédétection le réseau de neurones le plus utilisé pour la classification est le perceptron multicouches par rétro-propagation [80].

 Machines à support vecteurs (SVM: Support Vector Machines)

Le principe de base comme il a été exposé dans [81] consiste à résoudre un problème de classification en séparant linéairement les données d'entrée appartenant à deux classes différentes en les plaçant des deux cotés d'un hyperplan. Ces deux classes tentent de séparer les exemples positifs des exemples négatifs. Le plan est défini par une combinaison des échantillons qui lui sont les plus proches appelés vecteurs supports. Ce principe peut être étendu au cas multi-classes. Des résultats satisfaisants en télédétection ont été obtenus dans [82] .

IV.5.2. Implémentation et Résultats

Nous avons choisi la méthode SVM pour la classification de l'image "Memphis". Cette méthode se base sur une théorie puissante et elle a prouvé son efficacité dans le problème qui nous intéresse. En même temps , elle ne substitue pas au problème de la classification qui est déjà compliqué un autre problème plus complexe comme l'estimation d'une densité de probabilité, par exemple. Nous rappelons que l'image de test est acquise par le satellite Ikonos2, elle contient trois bandes spectrales et elle a une grande résolution spatiale. Nous considérons dans nos simulations trois classes principales qui correspondent aux trois objets les plus représentatifs de l'image, à savoir: la végétation (vert), les bâtiments (noir) et les espaces nus et les routes (blanc cassé).

La classification sera appliquée aux résultats du débruitage obtenus dans la section IV.4 et représentées dans la figure IV.7. Premièrement, nous allons classifier les objets cités précédemment dans l'image 'Memphis' non bruitée, et dans l'image fortement bruitée (la variance du bruit est égale à 50 ). Ensuite, la SVM sera appliquée aux images résultantes des deux algorithmes de débruitage 'NeighShrink' et 'Bishrink' et enfin sur l'image débruitée par notre méthode 'NeighShrink-phase smooth' multi-canal. Nous nous appuierons sur l'interprétation visuelle pour faire les comparaisons et par conséquent évaluer les performances.

Chapitre IV. Débruitage multicanal des images multispectrales

101

Les résultats de la classification sont représentés dans la figure IV.9. On note que les classes suscités sont codées en fausses couleurs: bleu pour les bâtiments, vert pour la végétation et rouge pour les espaces nus et les routes (figure IV.9 (b), cette figure est la référence pour les éventuelles comparaisons). L'image bruitée donne une très mauvaise classification (figure IV.9 (c)). La comparaison visuelle entre les figures IV.9(d-f) nous permet de voir une nette amélioration de la reconnaissance des différentes classes après le débruitage par la méthode proposée. Nous remarquons aussi que même pour l'image non bruitée (originale), la classification n'est pas optimale. Ceci ne diminue pas l'intérêt de notre travail puisque notre objectif est de monter l'efficacité du débruitage et non pas celle de la classification.