Cours et Travaux Pratiques – Télédétection Marine I & II Par Benzouaï S. 59
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique,
Ecole Nationale Supérieure des Sciences de la Mer et de l’Aménagement
du Littoral, Télédétection marine I, II.
3. Choix d’un algorithme de classification avec un modèle décisionnel paramétrique ou
non paramétrique.
4. Exécution de la Classification
5. Evaluation/Validation de la précision du produit final (Assessment accuracy)
Comment sont choisis les échantillons ?
 Taille de l’échantillon suffisamment grande surtout pour les méthodes basées sur les
statistiques (paramétriques) ;
 Tailles des échantillons des classes presque égales ;
 Pour chaque classe, les échantillons doivent être répartis sur toute l’image et représenter
toutes ses nuances spectrales ;
 Éviter de tracer un échantillon qui couvre plusieurs nuances spectrales d’un même
thème. De préférence, multiplier les échantillons à nuance uniforme pour un même
thème.
Quel outil utiliser pour collecter les échantillons ?
Tous les logiciels de traitement d’images disposent des outils pour collecter les échantillons
qui s’appellent ROI (Region of interest) ou AOI (Area of interest).
Ces outils permettent de créer des formes géométriques (polygone, cercle, carrée, etc.) pour
délimiter l’échantillon.
Classification supervisée par le maximum de vraisemblance
 La méthode du maximum de vraisemblance utilise les fonctions paramétriques basées
sur les statistiques de l’image
 La règle de décision sur un pixel est liée à une théorie de probabilité du pixel lui-même et
des classes considérées.
 Une probabilité de commettre une erreur d’affectation est alors associée à cette
décision.
 La décision d’affectation de chaque pixel est alors contrôlée par un critère de
minimisation de l’erreur d’affectation.
 En général, on considère que les données d’une classe suivent une distribution
gaussienne.
 Chaque classe est caractérisée par un certain nombre de pixels choisis à priori, si ce
nombre est suffisamment grand on peut établir l’histogramme de la classe 𝐶 𝑖 qui aura la
forme d’une fonction de densité de probabilité P(x/𝐶 𝑖 ) donnée par:
𝑃(𝑥/𝐶 𝑖 ) =
1
(2𝜋𝜎 𝑖
2 )
1
2
𝑒
(−
(𝑥−𝑚 𝑖 ) 2
2𝜎 𝑖
2 )