Amélioration de la qualité de la classification d’une image multi spectrale a l’aide d’un classificateur contextuel
Résumé
L’objectif de cette étude est de comparer la précision et la qualité de classification entre d’une part un classificateur conventionnel pour une approche pixel, le maximum de vraisemblance (MDV) et d’autre part un classificateur contextuel utilisant l’algorithme ICM (Iterated Conditional Modes) qui a été initialisé par une image classifiée à l’aide du classificateur non paramétrique kNN (k nearest neighbour). Pour illustrer notre étude, nous avons considéré une image multispectrale de SPOT dans les bandes verte, rouge et proche infrarouge de la région de Genève, en Suisse, acquise en juillet 1990. La taille de l’image est de 512 x 512 pixels. Le site d’étude est une zone mixte comportant aussi bien un tissu urbain important que des zones de végétation. La vérité-terrain est constituée d’un document cartographique couvrant une grande partie du site d’étude, numérisé à une résolution spatiale de 1 m. On a considéré 9 catégories: eau du lac, cultures, espaces vertes, forêts, eau du Rhône, bâtiments, édifices importants, eau de l’Arve et voirie (aéroport et routes).
Pour réaliser la comparaison des deux méthodes, nous avons choisi une délimitation par région à partir de la vérité-terrain pour l’extraction de l’ensemble des zones d’entraînement et de validation. Ensuite, nous avons effectué un échantillonnage aléatoire sur cet ensemble pour obtenir d’une part les zones d’entraînement et d’autre part les zones de validation. Elles représentent alors respectivement 0,94% et 1,87% de la totalité des pixels de la région d’étude.
Les conclusions suivantes ont pu être tirées de ce travail : (i) la précision globale de classification obtenue à l’aide de la méthode ICM est plus élevée par rapport à celle de MDV : elles sont respectivement égales à 96,50% et 89,75% pour ICM et MDV ; (ii) la classification contextuelle permet d’obtenir une plus grande précision et un faible mitage, particulièrement pour les zones homogènes telles que les cultures, les espaces verts et les forêts.
Abstract
The aim of this study is to compare the classification accuracy and quality obtained from a conventional pixel-based classifier such as the maximum likelihood and from a contextual classifier using the ICM (Iterated Conditional Modes) algorithm which is initialised by an image classified from a nonparametric classifier kNN (k nearest neighbour). Our study uses for illustration, a SPOT multispectral image with the green, red and near- infrared spectral bands covering the region of Geneva in Switzerland. The image was acquired in July 1990 and has a size of 512 x 512 pixels. The study area is heterogeneous which includes mainly urban, water and vegetation areas. The ground truth is derived from a map document covering the study site and digitized with a spatial resolution of 1 m. Nine land cover categories were considered: lake, culture, green area, forest, the Rhône river, building, large edifice, the Arve river and parts of the airport and roads. The comparison of the two methods was realised by selecting compact areas from the ground truth image for obtaining the training and test sites. Then the two samples of training and the test sites were separately and randomly extracted from these compact areas. They represent 0.94% and 1.87% of all pixels in the study area respectively.
The following conclusions drawn from this work are: (i) the overall accuracy of the classification obtained with the ICM method is greater than from the MDV: it is equal to 96.50% and 89.75% for ICM an MDV respectively; (ii) the contextual classification permits to obtain more classification accuracy particularly for homogeneous sites like culture, green area and forest.
Lire l’article

PDF de 12 pages, tel qu’imprimé dans la revue, pages 259 à 270. En libre accès.
Pas encore de consultation enregistrée.