1.3 La détection de changements d’occupation des sols à partir d’images à
1.3.3 Les méthodes de détection orientées-objets
Les méthodes précédemment citées s’appliquent en majorité sur des images
satel-litales à moyenne ou haute résolution spatiale (par exemple sur des données MODIS,
SPOT, LANDSAT...). La détection de changements à partir de données à THRS
repré-sente un cas particulier pour lequel l’intégration d’informations spatiales (ou
contex-tuelles) est un paramètre indispensable pour aboutir à de bons résultats, étant donnée
la variabilité photométrique existante à l’intérieur d’une même classe. Il est ainsi
né-cessaire de prendre en compte la dimension spatiale des données à THRS dans des
méthodes de détection de changements ou dans les méthodes de classifications à une
date.
On parle de méthodes « pixel-par-pixel » lorsque celui-ci est défini comme
élément de référence pour la classification. L’opération consiste, dans la
majo-rité des applications, à les regrouper selon un critère de ressemblance spectrale
[Caloz & Collet 2001]. Le principal inconvénient des méthodes de classification par
pixel est qu’elles ne tiennent pas compte des liens spatiaux inhérents aux objets. La
résolution spatiale influence ainsi considérablement la qualité de ce type de
classifi-cation. Dans le cadre d’une utilisation de données à THRS, étant donné que la
ré-solution spectrale des capteurs diminue avec l’augmentation de leur réré-solution
spa-tiale [Aplin et al. 1999, Key et al.2001](cf. section 1.2.2.3) les méthodes « pixel par
pixel » s’avèrent inadaptées. Par ailleurs, la variabilité spectrale des pixels
définis-sant les classes d’occupation du sol augmentant en fonction de leur résolution
spa-tiale (cf. section 1.2.3.2), le pixel seul n’est alors plus représentatif d’une classe donnée
[Aplin et al.1999,Cushnie 1987,Woodcock & Strahler 1987] et les résultats manquent
Chapitre 1. Le suivi des changements d’occupation et d’utilisation des sols
en milieu urbain et péri-urbain à partir d’images de télédétection à THRS
le résultat d’une classification pixel par pixel est statistiquement cohérent, il ne l’est
pas toujours spatialement [Robin 1995]. Dans [Wang & He 1990], la prise en compte
de la texture est considérée comme complémentaire de l’information spectrale. Dans
[Smits & Annoni 2000], les auteurs ont établi des distances basées sur une analyse
de textures par matrice de coocurrence et sont parvenus à atteindre un taux
d’er-reurs comprenant les sous-estimations et les sur-estimations de seulement 15 %. Dans
[Inglada & Mercier 2007], les auteurs se basent sur les distributions des pixels dans des
fenêtres de voisinage pour effectuer la classification. Bien que ces méthodes fournissent
des résultats intéressants, le choix de la dimension de la fenêtre reste discutable. Les
objets étant représentés à différentes échelles, il conviendrait de définir une fenêtre
pour chaque objet étudié.
En ce qui concerne les méthodes de classification pixel par pixel, des améliorations
méthodologiques significatives ont été apportées afin de prendre en compte
l’infor-mation spatiale des valeurs de chaque pixel. On peut notamment citer les méthodes
basées sur la création de nouvelles composantes issues de matrices de cooccurrences
[Haralick 1979, Puissant et al.2005] ou l’utilisation de morphologies mathématiques
[Benediktsson et al.2003,Dalla Mura et al. 2008].
Les approches « orientées-objet » peuvent être de deux ordres : soit le
regroupement des pixels en objets repose sur des données auxiliaires
numéri-sées (cartes, documents d’urbanisme, photo-interprétation) [Bruzzone & Prieto 2000a,
Smits & Annoni 1999, Walter 2004], soit il s’appuie sur une segmentation au
préa-lable de l’image en régions [Baatz & Schape 2000, Benz et al. 2004, Puissant 2003].
Ces méthodes, qui visent à extraire des objets spatialement consistants dans l’image,
permettent ainsi de s’affranchir du problème des pixels isolés mal classés. Dans
[Bruzzone & Prieto 2000a], les auteurs ont mis en évidence une augmentation
signi-ficative de la précision des changements détectés en prenant en compte le voisinage
de chaque pixel. Dans le cas d’une intégration d’information auxiliaire, la précision
des changements détectés dépendra en premier lieu de la précision des documents
cartographiques. De même, dans le cas d’une méthode reposant sur une étape de
seg-mentation, cette dernière est déterminante pour la précision des résultats. Les
ap-proches « orientées-objet » permettent une caractérisation plus approfondie de chaque
classe, la classification peut prendre en compte des informations de texture, de forme et
de contexte en plus de l’information spectrale. En conséquence, les classifications par
pixels sont progressivement délaissées en faveur des méthodes « orientées-objet » qui
re-présentent une solution plus adéquate pour les images à THRS dans de nombreuses
ap-plications [Aguejdad et al. 2006, Benz et al.2004, Blaschke et al. 2000, Bovolo 2009,
Chapitre 2
Analyse et caractérisation de la
texture dans les images de
télédétection
Sommaire
2.1 Généralités sur la texture . . . . 43 2.1.1 La notion d’échelle . . . 44 2.1.2 La notion d’isotropie . . . 45
2.2 Méthodes d’analyse et de caractérisation de la texture . . . . 46 2.2.1 Analyse statistique . . . 46 2.2.2 Analyse fréquentielle . . . 49
2.3 Choix d’une méthode d’analyse de texture adaptée aux don-nées à THRS . . . . 57