Méthode de classification supervisée adaptée aux images texturées telles que les images à THRS

Classification orientée-objet

Ce chapitre présente une méthode de classification supervisée adaptée aux images texturées telles que les images à THRS. Nous avons proposé, dans le chapitre 5, une méthode de segmentation dont le principe consiste à regrouper, sans connaissance a priori, des objets sur-segmentés à partir de graphes d’adjacence. À la déférence de cette méthode, nous proposons une approche supervisée dont le but est de classer les objets de l’image en fonction de leur similarité avec des objets choisis lors d’une étape d’apprentissage. Les méthodes supervisées sont fréquemment utilisées par la communauté de télédétection car il est courant d’avoir un a priori sur le type d’objet observé. Cette approche s’apparente ainsi à la classification dite « orientée-objet » sou- vent utilisée dans le traitement d’images à THRS. Cette dernière étant généralement contrainte par des étapes de paramétrage spécifiques de l’image étudiée, l’objectif de ce chapitre est de définir une méthode de classification « orientée-objet » simple à utiliser, facilement transposable, et reposant sur un critère de classification unique. Ce dernier s’appuie sur des mesures de luminance et de texture extraites d’une décomposition en ondelettes.La segmentation est une étape essentielle car la précision d’une classification augmente sensiblement si les objets géographiques ont été correctement segmentés. La principale difficulté réside dans la représentation d’objets géographiques : ils ré- pondent à des critères d’échelles, de forme et de texture différentes et sont donc diffi- ciles à représenter à un niveau de résolution donné. Dans la majorité des classifications « orientée-objet » la segmentation des objets géographiques repose sur une approche multi-résolutions [Baatz & Schape 2000].

Le principe est de combiner un ensemble de segmentations réalisées à différents niveaux à partir de critères de taille, de forme et de luminance des objets, spécifiques à chaque niveau de segmentation. Les segmentations sont hiérarchisées et permettent ainsi d’effectuer des classifications de régions selon une approche ascendante ou descendante. La caractérisation est réalisée selon la définition des propriétés de chaque objet. Il s’agit en général de mesures qui peuvent être relatives à leur luminance, texture ou forme. Elles doivent être particulièrement bien choisies afin d’être suffisamment significatives pour regrouper des objets correspondants à une même classe et séparer des objets de classes distinctes.La classification consiste à attribuer à chaque objet une classe correspondant à une réalité thématique. Le plus souvent, celle-ci est réalisée selon une approche heuristique sur la base d’une succession d’hypothèses et des règles de classification définies à partir d’échantillons connus [Bolstad & Lillesand 1992].[Caloz & Collet 2001] et la difficile reproductibilité de la classification. Ce type de classification demande une interaction pas-à-pas avec l’utilisateur. Le temps nécessaire pour réaliser une classification « orientée-objet » est beaucoup plus important que pour effectuer une classification « pixel par pixel ». D’une part, dans le cadre d’une seg- mentation multi-résolution, l’utilisateur doit définir un ensemble de critères (relatifs à l’échelle, la forme, le contenu, …). D’autre part, le développement de liens sémantiques entre les objets segmentés n’est pas une tâche aisée, la définition des règles de classifica- tion conduisant à un résultat correct étant souvent fastidieuse. Par conséquent, la mise en place d’une telle classification nécessite une multitude de paramètres qui sont dépen- dants les uns des autres. Cela conduit ainsi l’utilisateur à réaliser des ajustements sou- vent complexes nécessitant des connaissances expertes.

De plus, la transition d’appar- tenance d’un objet d’une classe d’occupation du sol vers une autre définie à partir des propriétés de chaque objet est rarement nette pour les propriétés de chaque objet et ne répond pas obligatoirement à une logique booléenne [Cheng 2002, Schiewe et al. 2001]. Dans Benz et al. [Benz et al. 2004], les auteurs proposent ainsi d’intégrer des logiques floues au système expert. Cependant, la « fuzzification » [Civanlar & Trussell 1986], qui consiste à la quantification floue des propriétés des objets, reste une étape délicate. Elle ne peut être rendue automatique et en conséquence demande, une fois de plus, du temps et des connaissances de la part de l’utilisateur. Enfin, la transposabilité d’une classification orientée-objet est difficilement envisageable sans avoir à reprendre tout ou partie des règles de classification. En effet, d’une date à une autre, la réflectance spectrale des objets géographiques peut évoluer. Cela peut être dû à un changement de nature ou d’état des objets considérés, mais aussi à un effet indirect comme la modifica- tion de la composition de l’atmosphère, l’heure d’acquisition, l’angle de prise de vue ou encore l’observation par un capteur de différente nature. Aussi, les règles contextuelles peuvent être modifiées d’une zone d’étude à une autre, d’une date à l’autre.