Partie I
Chapitre III : Méthodes de traitement des données de télédétection
39
III.1 Classification des images satellitaires
La classification consiste à attribuer à chaque pixel d’une image une classe choisie parmi
une collection de classes (ex : eau, sol, batis, etc.). Les classes sont formées en regroupant
l'ensemble de données (pixel/objet) en plusieurs sous-ensembles. Ce regroupement se fait en
fonction de critères de similarité.
Les méthodes de classification d’image viennent du domaine de l'apprentissage
automatique (Machine Learning) et de l'exploration de données (data mining). Deux types de
classifications d’images sont distingués : la classification supervisée et non-supervisée.
III.1.1 Classification non-supervisée
Les méthodes de classification non-supervisée permettent de regrouper un ensemble
d'entrées (pixel d’une image) en plusieurs sous-ensembles sans données d'entrées annotées. En
effet, l’algorithme de classification choisi s'applique à trouver les similarités et distinctions au
sein de l’image, et à regrouper les pixels qui partagent des caractéristiques communes. On
distingue trois types de méthodes :
- Les méthodes par agglomération : ce sont des méthodes qui fournissent une partition
hiérarchique représentée sous la forme d’un arbre, ou dendrogramme.
- Les méthodes de partitionnement : parmi ces méthodes de partitionnement, on trouve
les k-moyennes (k-Means) (MacQueen, 1967) qui sont largement utilisées. K-moyennes sépare
un ensemble de données en k classes. Bien des variantes de K-moyennes ont été développées.
Il s’agit de k-médoïdes et la variante ISODATA, qui a permis quant à elle, une meilleure
classification.
- Les méthodes probabilistes : ces méthodes cherchent à modéliser la distribution de
chacune des classes. Cette distribution peut être modélisée par une fonction analytique (par
exemple une fonction gaussienne), dont les paramètres sont déterminés par maximum de
vraisemblance (Maximum Likelihood).
Il a été affirmé que la classification non-supervisée et ses méthodes restent marginales, car
elles ne permettent pas de répondre aux spécificités thématiques attendues par l’utilisateur. En
revanche, ces méthodes peuvent servir de prétraitement avant une classification supervisée.
Chapitre III : Méthodes de traitement des données de télédétection
39
III.1 Classification des images satellitaires
La classification consiste à attribuer à chaque pixel d’une image une classe choisie parmi
une collection de classes (ex : eau, sol, batis, etc.). Les classes sont formées en regroupant
l'ensemble de données (pixel/objet) en plusieurs sous-ensembles. Ce regroupement se fait en
fonction de critères de similarité.
Les méthodes de classification d’image viennent du domaine de l'apprentissage
automatique (Machine Learning) et de l'exploration de données (data mining). Deux types de
classifications d’images sont distingués : la classification supervisée et non-supervisée.
III.1.1 Classification non-supervisée
Les méthodes de classification non-supervisée permettent de regrouper un ensemble
d'entrées (pixel d’une image) en plusieurs sous-ensembles sans données d'entrées annotées. En
effet, l’algorithme de classification choisi s'applique à trouver les similarités et distinctions au
sein de l’image, et à regrouper les pixels qui partagent des caractéristiques communes. On
distingue trois types de méthodes :
- Les méthodes par agglomération : ce sont des méthodes qui fournissent une partition
hiérarchique représentée sous la forme d’un arbre, ou dendrogramme.
- Les méthodes de partitionnement : parmi ces méthodes de partitionnement, on trouve
les k-moyennes (k-Means) (MacQueen, 1967) qui sont largement utilisées. K-moyennes sépare
un ensemble de données en k classes. Bien des variantes de K-moyennes ont été développées.
Il s’agit de k-médoïdes et la variante ISODATA, qui a permis quant à elle, une meilleure
classification.
- Les méthodes probabilistes : ces méthodes cherchent à modéliser la distribution de
chacune des classes. Cette distribution peut être modélisée par une fonction analytique (par
exemple une fonction gaussienne), dont les paramètres sont déterminés par maximum de
vraisemblance (Maximum Likelihood).
Il a été affirmé que la classification non-supervisée et ses méthodes restent marginales, car
elles ne permettent pas de répondre aux spécificités thématiques attendues par l’utilisateur. En
revanche, ces méthodes peuvent servir de prétraitement avant une classification supervisée.