La classification orientée objet multidates :

rd de rivières) très difficiles à classer ( Congalton, 2002). Selon

Narumalani, 1997, les méthodes de classification par pixel donnent des résultats médiocres pour les

méthod e montrent qu’elle ne peut s’appliquer que par se

taille spatiale de changement. Avec une bonne clé d’interprétation, l’approche basée sur l’interprétation visuelle « manuelle » est adaptée à la cartographie à l’échelle locale du bassin. Elle permet l’analyse par secteur et donne des informatio

nt présentés dans la troisième partie.

Fig. 18 : exemple de découpage (avec le logiciel eCognition)

Chapitre3 : Approche num

changements spatiotemporels :

Diverses techniques et procédés numériques ont été utilisées pour étudier et analy ments d’occupation des sol dans le Laval et le Moulin. Le premier procédé par des cation orientée objet repose sur la mesure de la distance spectrale entre des image

tes. L’autre procédé mis en œuvre est le croisement de deux couches numériques données vectorielles ou la différence d’images de deux dates différentes. Pour ce cas de fi avons appliqué le croisement numérique des couches ou la différence images. Il s’

zones ayant subi des modifications, les zones ayant subi des conversions et les zones ant con

de traite limites de l’observation visuelle qui discrimin

urs numériques.

ion orientée objet multidates :

1.1 - Principe de la classification par approche orientée objet :

La classification consiste à regrouper en classes les objets partageant la même structure de données et le même comportement. La classe décrit les propriétés de l’objet dans une application donnée. La classification pixel à pixel supervisée est une méthode automatique ou chaque pixel est classé en comparant son comportement spectral avec les comportement spectral de sites testes dont la classe est connue (par exemple le sol nu). C’est la méthode de traitement la plus généralement utilisée

(Apan, 2002 et Congalton, 2002). cette méthode présente toutefois certains inconvénients : lors de

relevés de terrain destinés à récolter les données de référence le fait de bien localiser un pixel au sol est difficile, cher et très lourd à mettre en place lorsque l’on est en présence d’unités de petite taille comme c’est le cas dans les paysages rivulaires (congalton, 2002) ; de plus, dans le cas des images à haute résolution (spot ou Landsat, entre 10et 30 m) chaque pixel couvre un mélange de plusieurs types de végétaux ( surtout au bo

don RS, de 3 à 1 m), car la variabilité ou bruit intra-classe augmente. La classification orientée objet consiste à identifier préalablement des objets

com . On peut envisager les mêmes

mét

ces attributs et des relations entre les objets permettant de traiter des images très texturées, comme les images à très haute résolution spatiale (THRS) ou les ima

érique des couches.

Fig. 19: Démarche : Opération de classification orientée objet sous eCognition.

nées de capteurs à très haute résolution spatiale (TH

posés de plusieurs pixels puis à opérer la classification de ces objets

hodes de classification que celles utilisées pour travailler pixel à pixels mais on dispose d’attributs supplémentaires (formes, texture, contexte).

1.2 - Présentation : plateforme «eCognition» et procédure de classification orientée objet : 1.2.1 - Plate forme logicielle de traitement (eCognition) :

Pour l’analyse d’images à Très Haute Résolution Spatiale (THRS) et pour la segmentation d’images en objets, l’UMR TETIS utilise eCongition de « Definiens ». Le concept qui sous-tend ce logiciel est qu’une importante partie de l’information d’une image n’est pas stockée dans des pixels isolés mais dans des objets et leurs interrelations. Par conséquent, ce logiciel ne classifie pas les pixels, mais permet d’abord de segmenter l’image en regroupant les pixels semblables en objets, qui sont en suite classés. Les différentes échelles du travail sur les images déterminent les différents niveaux de l’information perçue et vice versa. L’algorithme de segmentation permet d’obtenir des objets plus au moins homogènes est plus au moins étendus selon le niveau d’analyse choisi. Le processus de classification et basé sur de la logique floue et permet la prise en compte d’une grande gamme d’attributs des objets, comme des caractéristiques radiométriques, des indicateurs de texture ou de forme. Les classifications réalisées à partir de

ges Radar.

1.2.2 - Méthode de classification orientée objet :

Comme c’est montré dans le schéma ci-dessous (Fig.19), la méthode se présente comme une succession d’étapes. Les cadres en pointillés indiquent certaines étapes qui ne sont pas strictement obligatoires. Certaines étapes peuvent être mises en œuvre à différentes moments de la séquence (l’utilisation des données de terrain et la photo interprétation), l’étape finale d’évaluation de la qualité de la classification est particulièrement délicate et dépend de l’utilisation relative des données terrain et de la photo-interprétation. Cette procédure comprend :

1. une étape de segmentation de l’image en objets,

2. une étape d’analyse des attributs discriminants les objets afin de sélectionner les plus discriminants.

3. Une classification orientée objet.

4. une étape d’évaluation de la classification, de comparaison des résultats de la classification multi dates et de production de carte de changement soit par technique de différence image ou par croisement num Évaluation Évaluation Classification Classification orientée objets orientée objets Comparaison multi Comparaison multi

date (I1 et I2)

date (I1 et I2)

Segmentation Segmentation --Acquisition de Acquisition de données terrain données terrain

--Photo Photo --InterprétationInterprétation

--Extraction d’objets Extraction d’objets d’intérêts d’intérêts --Adaptation de la Adaptation de la nomenclature nomenclature

--Sélection des attributs Sélection des attributs

minant les objetsant les objets

discri discrimin Segmentation Segmentation Paramétrage Paramétrage I1 I1 I2 I2 I2 I2 I1 I1

Choix des images

Choix des images

Délimitation de la zone d’étude

Délimitation de la zone d’étude

Carte de changement Carte de changement Évaluation Évaluation Classification Classification orientée objets orientée objets Comparaison multi Comparaison multi

date (I1 et I2)

date (I1 et I2)

Segmentation Segmentation --Acquisition de Acquisition de données terrain données terrain

--Photo Photo --InterprétationInterprétation

--Extraction d’objets Extraction d’objets I1 I1 d’intérêts d’intérêts --Adaptation de la Adaptation de la nomenclature nomenclature

--Sélection des attributs Sélection des attributs

minant les objetsant les objets

discri discrimin Segmentation Segmentation Paramétrage Paramétrage I2 I2 I2 I2 I1 I1

Choix des images

Choix des images

Délimitation de la zone d’étude

Délimitation de la zone d’étude

Carte de changement

1.2.2.1 - Choix des images :

Quelles images choisir pour réaliser une classification de l’occupation des sols dans les bassins du Laval et du Moulin ? Plusieurs facteurs interviennent dans un tel choix :

• La disponibilité des images et leur homogénéité sur la zone d’études, • Leur répétitivité temporelle pour détecter le changement,

• Leur qualité géométrique,

• Leur résolution spatiale en fonction de la structure spatiale de l’occupation des sols,

• Leurs caractéristiques spectrales qui influent sur la capacité à différencier les divers objets et donc la qualité finale de la classification.

Pour développer cette méthode, nous avons choisi pour cette étude, de travailler principalement avec les Ortho-photos de 1985/1999 à l’échelle 1/8000. Ces images présente l’avantage d’avoir une même résolution de 16 cm. L’orthoimage (1985) présente des informations dans le visible. Par contre pour l’image (1999, en couleur B.V.R), on a des réponses spectrales similaires dans le visible.

1.2.2.2 - Création des objets par segmentation (sous eCognition) :

La première étape consiste à définir les objets qui seront ensuite classés. Un objet peut être

caractérisé à la fois attributs de formes,

de texture et de contexte qui seront très utiles dans la phase de classification. Le principe de la egmentation donc est la division de l’image en plusieurs régions.(Fig.20) Il existe de nombreuses méthodes de segmentation d’image : par croissance de région, suivi de contour, méthodes de plus haut

nive ssances extérieures (modèles déformables par exemple) ; Il y a une

cert

La mé on et nécessite des

choix de paramètres qui cont paramètre d’échelle

(scale parametr objets issus de la

segme Le

facteur de forme me dans la

segmentation, qui est co de « couleur » ; pf

+ pc = 1 oupée, même en zone

texturée. Ce f

par ses propriétés radiométriques mais aussi par de nouveaux s

au faisant appel à des connai

aine perte d’information dans l’agrégation de pixels mais de nouveaux objets sont générés.

Fig. 20: Différents paramètres de regroupement utilisées pour la segmentation des ortho-photos (en panchromatique 1985 et 1999 en couleurs naturelles à 16 cm de résolution).

thode de segmentation utilisée ici est une méthode par croissance de régi raignent la forme et la taille des segments crées. Le e) : il détermine l’hétérogénéité maximale permise des

ntation. Ainsi plus le paramètre d’échelle est élevé, plus les objets seront de grande taille. : indique le poids pf attribué au critère d’homogénéité de for

mplémentaire au poids pc attribué au critère d’homogénéité . Plus le facteur de forme est élevé, moins les objets ont une forme déc

- La régularité (smootness) : lors qu’il est élevé, ce paramètre optimise le détourage des objets qui

ont des bordures régulières.

- La capacité (compactness) : à l’inverse, l’augmentation de ce paramètre permet d’optimiser le

tracé d’objets aux formes compactes. On a la relation : smoothness + comactness = 1 1.2.2.3 - Classification orientée objet :

a. Adaptation de la nomenclature de classification :

Une fois les contours des objets obtenus, on va chercher à formaliser le raisonnement d’un photo interprète pour décider à quelle classe appartient chaque objet. En photo-interprétation on utilise des critères de couleur, forme, texture est structure pour identifier la nature des entités présentes dans l’image. Afin de détecter le changement sur notre zone d’étude, il existe différents indicateurs de changement à partir des objets d’intérêts qui ont été clairement définis et regroupés en quatre classes (sol nu, zone mixte, forêt, prairie). Nos avons donc établi la nomenclature de classification suivante :

- Sol nu : surfaces sans végétation avec un taux supérieur à 75% avec une forte réflectance. - Forêt : naturelle ou plantée, avec arbres a

- Zone mixte :

vec un taux de couverture de plus de 75%,

surfaces couvertes en partie par de couvertures arbustives ou herbacés avec une forte réflectance.

- Prairie : surface en générale d’une faible pente.

Pour améliorer cette nomenclature par rapport au variations des caractéristiques physiques des de nos bassins versants (ombre, exposition, pente) et pour minimiser l’erreur due à la variabilité du comportement spectral de nos objets nous avons :

Séparé la classe « forêt » en deux classes : une classe « zone mixte herbacée » et une classe •

rsant

es en quatre classes d’occupation du sol (sol nu, zon

ans cette approche de classification orientée objet on procède d’une façon similaire en séle o

obje e

des r

l’esp ce

attr ts retenues pour le calcul de l’espace de

classification. La classification se fait à partir d’ Plus Proche Voisin » « Standar

Nea

classer l’image. Ce temps est fonction de la taille

de pourcentage de l’image pris comme parcelle

d’a

« zone mixte arbustive » ;

asse ve • Ajouté deux classes pour la classe « sol nu », selon l’orientation du versant : Cl

ombré et classe versant éclairé ;

• Ajouté la classe « Pelouse » et la classe « prairie ». n suite les classes ont été fusionnées et regroupé E

e mixte, la forêt, prairie). (Voir annexe)

b. Analyse et choix des attributs discriminants : D

cti nnant parmi l’ensemble des attributs radiométriques, de texture, de forme.., rattachés à chaque t c ux qui sont les plus discriminants. Dans notre exemple il s’agira principalement de règles sur att ibuts radiométriques qui « traduiront » la couleur. eConigtion propose une option, « optimiser a des attributs » « feature space optimisation » ; cette option permet de choisir les classes et les ibu qui assurent la meilleure séparabilité des classes

une méthode par «

rest Neighbor, SNN), où chaque objet est affilié à la classe de la parcelle d’apprentissage la plus

proche dans l’espace multidimensionnel. Cette étape prend beaucoup de temps de calcul pour déterminer les canaux les plus discriminants avant de

l’image, du nombre des attributs sélectionnés et du

pprentissage. Dans notre cas pour une image de 600Méga et 42 attributs choisi et un ordinateur de bureau puissant de 2 Mb de RAM, le temps consacré de calcul s’élève à plus de 4 heures.

1.2.2.4 - Evaluation de la classification :

Toute classification devrait être vérifiée a priori. On pourrait se contenter d’une appréciation visuelle (analyse qualitative), mais cette méthode reste très subjective. eCognition propose quatre méthodes. Nous avons utilisé la démarche la plus courante qui consiste à confronté la classification à

des vérités terrains par une analyse quantitative. Cette méthode est basée sur un masque TTA obtenu par des observations de terrain et par photo-interprétation. La comparaison statistique entre la vérité terrain et la classification se présente comme une matrice de confusion avec plusieurs mesures synthèses de fiabilité pour évaluer la classification. Un exemple de la matrice de confusion ainsi que l’analyse des résultats et la comparaison de la classification multi dates sera détaillé dans la troisième partie).