Segmentation

Pour la classification de l’image SPOT 5, la segmentation s’est faite sur les trois bandes spectrales (proche infrarouge, rouge et vert).

Dans notre travail, la segmentation est réalisée grâce au logiciel e-Cognition. La segmentation de l’image, que l’on applique à l’image, fait partie des méthodes basées sur les pixels.

La procédure utilisée par le logiciel est la suivante :

Elle se base sur une technique qui regroupe des petites régions ayant les mêmes propriétés en régions plus grandes à partir d’un pixel de départ. Par plusieurs étapes successives, des petits objets de l’image sont regroupés en objets plus importants.

La segmentation est définie d’une part, selon un critère d’échelle et d’autre part, selon un critère d’homogénéité. Un grand paramètre d’échelle conduit à une segmentation en grandes régions. L’homogénéité résulte d’une pondération entre un critère spectral (couleur) et un critère de forme. Le lissage du critère de forme est également paramétrable. La variation de ces quatre critères (échelle, spectral, forme et lissage) permet d’obtenir des paramètres de regroupement et des résultats de segmentation différents (CORREA, 2004)

Le résultat issu d’une telle procédure est une segmentation hiérarchique de l’image comportant plusieurs niveaux d’échelle (multirésolution segmentation), chacun des niveaux étant issu d’une segmentation réalisée à un niveau inférieur (Figure 13).

Pour cette application, une segmentation à trois niveaux a été réalisée sur l’image :

- Un premier, plus grand, avec un critère d’hétérogénéité de 25 a permis de discriminer les zones bâties du reste de l’image.

- Un second niveau de 10 a permis de séparer les végétations et l’eau.

- Ensuite le niveau fondamental de 5, plus détaillé, a formé les objets qui ont été classifiés (bâtiment, eau, végétation dense, végétation faible, terrain, sol nu) (Figure 14)

CemOA

: archive

ouverte

d'Irstea

Facteur d’échelle : 25 Facteur d’échelle : 10 Facteur d’échelle : 5 Figure 13 : Segmentation de l’image à trois niveaux

Comme montre la figure 10, une diminution de 25 à 5 de niveau de segmentation entraîne une forte diminution de la taille des polygones et par conséquent une augmentation du nombre d’objets.

Figure 14 : Répartition des classes dans les niveaux de segmentation définis

CemOA

: archive

ouverte

d'Irstea

10.2.2. Classification

Dans notre travail, la méthodologie utilisée se base essentiellement sur la logique floue. Les règles peuvent être transposées en règles floues, à partir d’une hiérarchie de classe d’objets à identifier par l’intermédiaire d’une interface graphique qui définit des fonctions d’appartenance (la hiérarchie des classes et l’opérateur logique, NON). La séparation de deux classes se base sur le choix d’une classe A facile à décrire grâce à une fonction floue simple, la définition des autres est défini comme étant Non A (Karsenty, 2007).On crée ainsi une structure où chaque classe est définie dans un niveau donné et où toutes les classes sont liées.

La hiérarchie de classes est composée de 7 types d’objets à identifier (Figure 15).

Figure 15 : Structure de la classification

La classification aboutie à trois niveaux de classification, du plus large au plus détaillé, ce dernier représente la carte de l’occupation des sols.

La discrimination se fait par la détermination d’une valeur seuil pour une ou plusieurs bandes spectrales de l’image (proche infrarouge, rouge, vert), pour le NDVI, pour l’indice de texture et pour l’indice de brillance.

Au plus large niveau de segmentation de l’image initiale, nous avons déterminé le seuil de l’indice de texture GLDV Entropy dans toutes les directions sur le canal poche infrarouge « PIR » qui nous a permis de discriminer la classe « zones bâties » et les « zones non bâties" (Figure 16-a). La valeur d’appartenance de la zone bâtie sur le canal « PIR » est limitée entre (2.6 et 5.1) (Figure 16-b). CemOA : archive ouverte d'Irstea / Cemagref

a b

Figure 16 : Discrimination les zones bâtis par l’indice de texture et le PIR

Après la détermination du seuil, nous avons réalisé une classification en deux classes « zones bâtie » et « zone non bâtie » sur l’image segmentée par le niveau plus large (Figure 17).

CemOA

: archive

ouverte

d'Irstea

Ensuite, nous avons segmenté l’image à un niveau plus fin pour diviser la classe « zone non bâti » en classe « végétation « et « non végétation » par la détermination d’une valeur seuil pour l’indice NDVI (Figure 18-a). la valeur d’appartenance des végétation pour le NDVI est comprise entre (0.0691 et 0.57) (Figure 18-b). De plus, dans ce niveau de segmentation, nous avons aussi pu, par la détermination d’une valeur seuil pour l’indice NDVI limitant entre (-0.93 et –0.17) (Figure 19-b), discriminer dans la classe « non végétation » deux classes « eau » et « non eau » (Figure 19-a).

a b

Figure 18 : Discrimination des végétations par le NVDI

a b CemOA : archive ouverte d'Irstea / Cemagref

Puis, nous avons réalisé une classification sur l’image segmentée par le deuxième niveau contenant les classes de premier et deuxième niveau, « zone bâti », « végétation », « eau » et « non eau » (Figure 20).

Figure 20 : Deuxième niveau de classification

Au niveau de segmentation le plus détaillé, le NDVI a permis d’établir un gradation de la densité de végétation, nous avons séparé la classe « végétation » en deux classe : « végétation dense » qui a pris une valeur de NDVI entre (0.0691 et 0.19) et « végétation faible » d’une valeur de NDVI entre (0.19 et 0.57). La classe « zone bâtie » a été aussi divisée en deux classes : « bâtiment » et « autre » par la détermination d’une valeur seuil de l’indice de texture GLCM Mean dans la direction 90 °. Le canal proche infrarouge a été utilisé pour produire les matrices de co-occurrences (Figure 21), cette valeur est limitée entre (65 et 205). Le sol nu blanc (carrière) a été extrait par la détermination d’une valeur seuil entre (116 et 118) pour l’indice de brillance.

CemOA

: archive

ouverte

d'Irstea

Figure 21 : Discrimination de bâtiments par l’indice de texture

A ce niveau, et pour produire la cartographie de l’occupation du sol, nous avons réalisé la classification la plus fine présentant l’occupation du sol fondamentale en intégrant les sept classes que nous avons définies par la détermination de la valeur seuil des indices que nous avons évoqué précédemment. Ces classes sont : surface en eau, végétation dense, végétation faible, terrain pas cultivé, sol nu blanc, bâtiment et non bâtiment (Figure 22).

CemOA : archive ouverte d'Irstea / Cemagref