Classification non supervisée de l’image multispectrale du district d’Andapa en 8 classes avec 10 itérations

Classification non supervisée de l’image multispectrale du district d’Andapa en 8 classes avec 10 itérations

Ainsi, on voit très bien ici que le logiciel a tendance à attribuer à un même élément, des couleurs différentes avec des valeurs radiométriques différentes, mais il représente aussi des éléments différents comme la riziculture et les nuages dont les valeurs radiométriques sont sensiblement les mêmes, avec une même couleur. Dans cette classification en 5 classes, on voit une nette amélioration car chaque classe représente maintenant un élément. C’est-à-dire qu’il n’y a plus la présence d’un même élément sur deux ou plusieurs classes différentes, sauf pour le riz et les nuages qui se confondent encore et seront représentés par une seule couleur. Contrairement à la classification non-supervisée, cette fois-ci l’utilisateur définit le nombre de classes mais aussi les sites de références sur lesquels se base le logiciel pour les regroupements. C’est-à-dire nous choisissons même les sites de références pour chaque classe et c’est le logiciel qui recherchera et regroupera tous ceux qui ont les mêmes signatures que ces derniers. Une fois la classification réalisée, il y a une phase d’évaluation et de validation par la réalisation d’une matrice de confusion. Pour cela, nous utiliseront une classification orientée objet grâce aux images à très hautes résolutions.

Comme le titre l’indique, dans cette étape, on commence par choisir les éléments à classer en entrant leurs signatures spectrales. Cette étape est primordiale car c’est à partir de cette dernière que l’on indique, par la suite, tous les éléments appartenant à la même classe en créant des polygones qui limiteront les extraits de ces derniers [voir annexe 3]. Dans cette démarche, nous avions adopté la classification par Maximum de vraisemblance. C’est une méthode probabiliste qui permet de calculer pour chaque pixel, sa probabilité d’appartenir à une classe bien distincte. En d’autre mot, le pixel sera assigné à la classe pour laquelle la probabilité d’appartenance est la plus élevée (Caloz et Collet, 2001).

Validation de la classification par la matrice de confusion

La matrice de confusion permet de mesurer la qualité d’un système de classification, c’est-à- dire qu’elle nous montre si le système parvient à classifier correctement. De cette manière, elle permet de donner une valeur, l’indice de Kappa, montrant l’exactitude de la classification. Cet indice est excellent quand il est supérieur à 0.80 ; bon quand il est compris entre 0.80-0.61 ; modéré quand il est entre 0.60-0.21 ; mauvais quand il est entre 0.20-0.0 et très mauvais quand il est inférieur à 0.0 Dans notre résultat, l’indice de kappa = 0.8386 qui nous permet de dire que la classification que nous avons effectué est excellent. On a en notre possession des images RADAR à double polarisation : une image HH et une image HV avec une résolution de 8m ; Des images provenant du satellite RADARSAT-2, le successeur de RADARSAT-1, un satellite commercial canadien qui a été lancé le 14 Décembre 2007. C’est un radar à Synthèse d’Ouverture (RSO) fonctionnant en bande C (5.405 GHz). Son altitude moyenne est de 798 km, son orbite est héliosynchrone avec une inclinaison de 98.6 degré et une période de révolution de 100.7 minutes. Il possède un mode de capture ultrafin qui permet l’acquisition d’images jusqu’à une résolution spatiale de 3 mètres, soit la meilleure résolution spatiale disponible commercialement par télédétection radar. RADARSAT-2 à deux directions pour la visée ainsi, il a donc la capacité d’acquérir des images à gauche ou à droite du satellite. Toutefois, par défaut, la visée est à droite.

On a signalé au début que les images radar présentent des bruits appelés chatoiement ou speckle. Le chatoiement est dû à l’interférence cohérente des ondes diffusées de beaucoup de diffuseurs élémentaires. Ce bruit complique le problème d’interprétation de l’image en réduisant l’exactitude de l’information. Ainsi, pour réduire le niveau du chatoiement, un filtrage est nécessaire afin de ne pas dégrader la qualité de l’image et ne pas altérer l’aspect polarimétrique. Le but du filtrage étant de créer une image exploitable sur laquelle pourront être appliquées les méthodes de segmentation, classification et extraction du contour. A cet effet, il faut aussi lisser les zones homogènes, préserver la texture, conserver les structures et préserver l’information polarimétrique. Les images RADAR sont affectées par un bruit multiplicatif qui augmente avec l’intensité. Ce bruit, appelé chatoiement, rend inefficaces les méthodes usuelles de traitement d’images comme les méthodes de segmentation ou de classification. A cela s’ajoute les effets dus au positionnement oblique du capteur par rapport à la cible quand il envoie le rayonnement. Toutefois, il serait nécessaire d’améliorer la qualité de ces images afin de soulager la tâche de l’interprétation. Parmi les techniques d’amélioration de la qualité des images radar, nous présentons dans ce paragraphe la calibration des images, la suppression du speckle, la correction géométrique et la Co-registration des images. [Voir annexe 6]

Elle permet d’appliquer une correction radiométrique sur les images ainsi de faire apparaitre les vraies valeurs des pixels sur les images. C’est-à-dire qu’on va convertir les comptes numériques en coefficients de rétrodiffusion sigma O ou sigma Nought (en décibels) afin de soutirer l’information nécessaire. Cette grandeur sigma O dépend non seulement des paramètres physiques de la surface, tels que sa rugosité et son humidité, mais également de paramètres propres au capteur, comme la longueur d’onde du signal, la polarisation et l’angle d’incidence au sol.