Analyse comparative de la classification contextuelle et du maximum de vraisemblance : synthèse et cas d'étude
Résumé
Les images à très haute résolution se caractérisent par une variance locale élevée, rendant peu efficaces les classificateurs conventionnels tels que le maximum de vraisemblance. Les classificateurs dits contextuels paraissent mieux adaptés au traitement de ce type d'image. Dans cet article, on présente une revue des principes de la classification contextuelle et, par une classification d'une image aérienne, une illustration des comportements respectifs des classificateurs de maximum de vraisemblance et de « croissance de région » (logiciel eCognition). L'image aérienne utilisée, d’une spatiale de 0,5 m, contient des classes d'occupation du sol réputées pour présenter des signatures spectrales peu disjointes. Le comportement respectif des deux classificateurs est bien mis en évidence, notamment l'avantage offert par le classificateur contextuel d'imposer, pour l'agrégation de nouveaux pixels, la double condition d'une contiguïté spatiale et d'une similarité spectrale.
Abstract
Very high resolution images are caracterized by a high local variance, restricting the efficiency of common classification approaches such as maximum likelihood.
Contextual classification offers better capabilities for the treatment of this kind of images.
This article summaries the contextual classification principles and presents an example of region growth classification using the software eCognition. The aerial image used in the case study shows land cover classes known to have overlapping and mixed spectral signatures. The proper behaviour of both classification approaches is highlighted. The primer advantage of contextual classification is to enforce the double condition of spatial adjacency and spectral similarity.
Lire l’article

PDF de 12 pages, tel qu’imprimé dans la revue, pages 311 à 322. En libre accès.
Pas encore de consultation enregistrée.