• Aucun résultat trouvé

Chapitre III. La télédétection urbaine comme outil de suivi et d’évaluation des dynamiques

III.5. Traitement et analyse des images satellites

L’interprétation et l’analyse des images acquises par télédétection ont comme finalité l’identification et la mesure des différentes cibles contenue dans ce type de support, afin de pouvoir en extraire l’information spatiale. Le traitement et l’analyse des images satellitale qui sont de format numérique font appel aux outils informatiques. Une démarche de prétraitement des images est requise avant de se procéder à l’extraction de l’information recherchée (CCT, 2005).

99

III.5.1. Prétraitement et rehaussement des images brutes

Le prétraitement des images satellites est un ensemble d’opérations de corrections radiométriques et géométriques à effectuer sur les données brutes contenues dans ce type de supports à afin de les rendre aptes à l’analyse et à l’interprétation. Cette démarche est un préalable nécessaire consistant à normaliser les images en éliminant les anomalies pouvant altérer la qualité des informations obtenues. Pour pouvoir passer à la classification et à l’analyse des données, plusieurs opérations sont à effectuer : correction radiométrique, correction géométrique, rehaussement des images, transformation des données.

La correction radiométrique inclus la correction des données dues à l’irrégularité du capteur, du bruit causé par l’atmosphère, et la conversion de la radiométrie mesurée afin rendre les valeurs enregistrées plus précises et représentatives de la réflectance mesurée par le capteur. La correction géométrique consiste à corriger les données de géolocalisation due aux distorsions géométriques engendrées par les variations de la géométrie Terre-capteur et l’inscription des données dans un système de coordonnées géographiques.

Les opérations de rehaussement consistent à l’amélioration de la qualité des images en matière d’apparence (figure III-7) afin d’aider à l’interprétions et l’analyse visuelle. Le rehaussement des images inclut la manipulation du contraste pour avoir de meilleure distinction de ton entre les différents objets d’une scène. Il offre aussi la possibilité d’effectuer le filtrage spatial, qui permet l’élimination ou la mise en éclat des patrons spatiaux spécifiques sur une scène.

Figure III-7 : Apparence améliorée d’une scène satellite Source : (CCT, 2005)

III.5.2. Classification des images satellitales

Les informations contenues dans une image satellitale sont de deux natures : spatiale et spectrale.

Tout pixel d’une image satellite est inscrit en fonction de ses caractéristiques spectrales et spatiales.

Selon le descripteur choisi au départ, deux catégories de méthodes d’extraction semi-automatique de l’information sont généralement utilisées en télédétection urbaine (figure III-9) :

100 III.5.2.1. Les méthodes de classification

Qui cherche à transformer les informations spectrales des pixels en informations thématiques utiles pour la compréhension et l’analyse. La classification se base uniquement sur les caractéristiques spectrales des images multibandes (images multispectrales) ;

III.5.2.2. Les méthodes de segmentation

Qui consistent à partitionner une image à bande unique en un ensemble de régions homogènes. Il s’agit donc d’un regroupement de pixels ayant des caractéristiques similaires (Smits et Annoni, 1999). À l’encontre de la classification, cette méthode est basée sur les descripteurs spatiaux d’une image monospectrale. La segmentation est une procédure traditionnellement utilisée en analyse d’image qui s’est généralisée pour être appliquée en télédétection urbaine (Pesaresi et Bianchin, 2003 ; Puissant, 2003).

En ce qui concerne notre étude, la classification des données satellitales sera la méthode choisie étant donné que cette méthode est couramment utilisée pour les études portant sur les formes urbaines à une échelle globale.

III.5.3. La classification des données satellites : approche « Par pixel »

La classification consiste à regrouper les pixels en catégories ou classes d’occupation du sol selon leurs valeurs spectrales. Cette opération de classification est appelée aussi reconnaissance de groupements spectraux. Le but est d’affecter à chaque classe thématique (bâti, végétation, sol nu, eau, etc.) les pixels qui l’appartiennent. La finalité est l’obtention d’une nouvelle image (ou carte) thématique constituée d’une mosaïque de classes d’occupation du sol dont chacune de ces classes a sa propre valeur numérique la distinguant des autres. Les méthodes de classification sont reparties sur de catégories : les méthodes de classification supervisées et les méthodes de classification non supervisées.

Figure III-8 : Schème de classification d’une image satellite Source : (CCT, 2005)

101

Dans les méthodes de classification supervisées, les classes thématiques sont à priori définies par l’analyste. Pour se procéder à cette méthode, l’analyste doit identifier des zones homogènes de l’image servant comme des échantillons représentatifs des types d’occupation du sol qu’il souhaite extraire de l’image. Le choix des zones de test se fait par photointerprétation des images en se basant sur la connaissance de l’analyste de la réalité du terrain. À partir de ces zones de test, la signature spectrale pour chaque classe thématique sera identifiée ce qui permet par la suite aux pixels d’être affectés à la classe la plus correspondante. L’analyste supervise donc la classification des données selon des types prédéfinis d’occupation du sol favorables à l’extraction de l’information spatiale recherchée.

Quant aux méthodes de classification non supervisées, le procédé est inversé. L’analyste n’est pas en mesure de prédéfinir des classes thématiques. Ce sont les classes spectrales qui sont définies en premier lieu à travers une application algorithmique qui sert à regrouper les pixels en classes selon leurs ressemblances spectrales. Une foi les classes spectrales sont générées, l’analyste intervient en utilisant son interprétation pour former des classes thématiques en correspondance avec les classes spectrales obtenues. Dans cette méthode, l’analyste peut avoir la possibilité de préciser le nombre de classes voulu ou même de les combiner en manipulant leurs séparations spectrales à fin de fusionner des classes ou, au contraire, de les subdiviser en sous-classes.

Le choix des méthodes dépend des connaissances de l’analyse de la réalité du terrain, mais aussi de la qualité des images utilisées notamment les deux résolutions spatiale et spectrale. Quant aux milieux urbains et périurbains, la classification supervisée est la plus courante notamment quand il s’agit des images HR et des études globales comme celles de la tache urbaine. : « En milieu urbain, la classification non-supervisée est très peu utilisée car elle est adaptée pour des classes qui se distinguent nettement dans l’un ou l’autre canal (tel que l’eau ou la végétation, par exemple). Par contre, la classification par maximum de vraisemblance est la méthode la plus souvent utilisée sur des images HR. Elle est appliquée depuis le lancement des premiers satellites d’Observation de la Terre et est encore largement utilisée à l’heure actuelle sur des images satellites HR » (Puissant, 2003).

102

Figure III-9 : Méthodes d’extraction utilisées en télédétection urbaine Source : d’après (Puissant, 2003)

103