Soutenance mémoire
Aujourd’hui, le progrès de recherche sur la télédétection ne cesse pas de s’avancer. Ce progrès se situe sur l’utilisation des calculs mathématiques comme l’algorithme. Il existe plusieurs algorithmes utilisés pour la classification d’images satellitaires. En réalité, un pixel est un ensemble de classes d’occupation du sol, ce qui rend difficile la classification d’une image et dans ce cas, nous avons besoin des classificateurs qui peuvent donner la répartition de chaque classe dans chaque pixel.
En général, le résultat obtenu après classification est une image classifiée dans laquelle toutes les classes y sont présentes et chaque pixel est assigné à une seule classe. Les classificateurs qui donnent un tel résultat sont dits des classificateurs rigides. Il existe des algorithmes qui donnent à la sortie une image pour chaque classe, c’est-à-dire il donne le degré d’appartenance de chaque classe pour chaque pixel : les classificateurs de ce type sont dits des classificateurs souples.
Le classificateur Fuzzy C-means (FCM) fait partie des classificateurs souples. L’algorithme utilisé par ce classificateur est basé sur le calcul de la distance spectrale entre le pixel et les centres des classes. Il utilise la notion de la moyenne floue pour chaque classe et il calcule la valeur du degré d’appartenance de chaque classe pour chaque pixel à partir de ces distances spectrales et les moyennes floues de chaque classe. A la sortie, le résultat obtenu est une matrice de dimensions c x N (c désigne le nombre de classes et N celui de pixels de l’image). Cette matrice est appelée matrice de partition des images classifiées. Elle est formée par la valeur du degré d’appartenance de chaque classe pour chaque pixel. Chaque pixel de l’image a une valeur d’adhésion entre 0 et 1 pour chaque classe. Une valeur élevée d’adhésion peut être prise pour indiquer qu’un grand domaine du pixel est couvert par la classe appropriée ; la valeur basse d’adhésion indique que très peu de telle classe de couverture y est présente. C’est dans ce cas qu’on parle de l’approche floue. Les valeurs dans la matrice de partition pour chaque classe sont traduites sous forme d’image.
NOTIONS DE CLASSIFICATION D’IMAGE EN TELEDETECTION
La télédétection est la détection à distance de la surface de la terre et les composants qui la couvrent en utilisant les satellites artificiels comme le satellite SPOT ou le satellite LANDSAT. Ces satellites disposent des capteurs. Il existe deux types de capteurs sur les satellites : le capteur radar qui produit des images radars et le capteur optique qui donne des images optiques multi-spectrales. Avant, un satellite ne dispose que de capteur radar seulement ou de capteur optique seulement, mais à nos jours, il existe déjà des satellites qui disposent les deux types de capteurs à la fois et font l’enregistrement simultanément d’une zone en image radar et optique. Les images satellites utilisées sont des images optiques multi-spectrales. Ces images contiennent les informations spectrales pour chaque pixel. La classification d’image en télédétection est basée sur la classification d’un pixel individuel pour chaque bande spectrale de l’image.
Principe et but de la classification
La classification d’image en télédétection a pour but de classifier chaque pixel de l’image afin de l’assigner à une classe d’occupation du sol. La classification de ce type est appelée reconnaissance de regroupements spectraux. Deux façons peuvent exister pour la classification d’un pixel : soit un pixel est assigné à une seule classe où la partition est totale (cas des classificateurs rigides). Le résultat obtenu est une image composée par les différentes classes ; cette image est une représentation thématique de l’image à classifier. Soit le contenu d’un pixel est partitionné dans un ou plusieurs classes comme dans le cas des classificateurs souples ; le résultat obtenu est un ensemble d’images où chaque image représente le degré d’appartenance d’une classe pour chaque pixel. Le classificateur FCM est l’un des classificateurs souples que nous développons dans le présent mémoire.
En télédétection, il existe deux types de classes : les classes spectrales et les classes d’informations. Les classes spectrales sont les groupes de pixels qui ont à peu près les mêmes valeurs radiométriques ou valeurs d’intensités pour chaque bande de l’image. Les classes d’informations sont des catégories d’intérêt que l’analyste tente d’identifier dans les images comme les différents types de cultures ou de forêts.
L’objectif principal de la classification d’image est d’avoir la bonne correspondance entre les classes d’informations et les classes spectrales. Mais parfois le résultat obtenu ne donne pas la bonne correspondance entre ces deux types de classes. Ceci est à cause d’une part de l’existence des classes spectrales qui peuvent apparaître sans qu’elles correspondent nécessairement à des classes d’informations et aussi d’autre part de la présence de plusieurs sous-classes spectrales dans une classe d’information comme dans le cas de la classe « forêt »: il se peut que dans la classe d’information forêt, il y a la sous-classe forêt dégradée, forêt rupicole ou forêt avec ou sans éléments ligneux. L’influence d’autres facteurs peut aussi diminuer la correspondance entre les deux classes. Dans le cas de la forêt encore, la densité des arbres, l’âge des arbres ou le type de l’espèce peut diminuer cette correspondance. Le rôle de l’analyste dans ce cas est de déterminer l’utilité des différentes classes spectrales et de valider leur correspondance à des classes d’informations utiles.
|
Table des matières
INTRODUCTION GENERALE
Partie 1 : GENERALITES
Chapitre 1 : NOTIONS DE CLASSIFICATION D’IMAGE EN TELEDETECTION
1-1- Introduction
1-2- Principe et but de la classification
1-3- Catégories de classification d’image en télédétection
1-4- Algorithmes de classification utilisée
1-5- Evaluation de la qualité d’une classification
1-6- Détermination du nombre de classes satisfaisantes (cas général)
Chapitre 2 : NOTIONS SUR LA CLASSIFICATION PAR LA METHODE FLOUE
2-1- Introduction
2-2- Notions sur l’approche floue
2-3- Fonctions d’appartenance ou fonction d’adhésion
2-4- Degré d’appartenance
Partie 2 : ALGORITHME FCM
Chapitre 3 : Présentation de l’algorithme
3-1- Introduction
3-2- Principe
3-3- Deux catégories de classification FCM
3-4- Discussion sur la valeur du paramètre m
Chapitre 4-Application de l’algorithme FCM à la classification des images satellitaires
4-1- Introduction
4-2- Logiciels utilisés
4- 3- Données
Partie 3 : RESULTATS
Chapitre 5 : Résultats et discussions
5-1- Résultats obtenus à partir de FCM non supervisée
5-2- Résultats de FCM supervisé
5-3- Résultats de classification avec les autres classificateurs à part FCM
5-4- Tableaux récapitulatifs des résultats de classification
5-5-Interprétations et discussions
5-6- Apport de la classification FCM
CONCLUSION GENERALE
BIBILOGRAPHIE
