Classification

La sous-boîte à outils Classification transforme une image multibande en carte de classes : eau, forêt, sol nu, bâti. C’est l’analyse la plus courante sur l’imagerie satellitaire, et elle se présente sous deux formes.

La classification non supervisée trouve seule des groupes dans les données. Vous lui indiquez combien de groupes vous voulez, elle partitionne l’image, et vous décidez ensuite ce que représente chaque groupe. Aucune préparation nécessaire, et un bon premier aperçu de n’importe quelle scène.

La classification supervisée apprend à partir d’exemples que vous fournissez. Vous dessinez des polygones d’entraînement sur des lieux que vous connaissez, l’algorithme apprend leur signature spectrale et l’applique à toute l’image. Plus de travail, de bien meilleurs résultats.

Préparer les données d’entraînement

Toute méthode supervisée nécessite une couche d’entraînement : des polygones portant une étiquette de classe, dessinés sur des zones dont vous êtes sûr.

Trois règles pratiques. Couvrez la variabilité de chaque classe : incluez à la fois une forêt éclairée et une forêt à l’ombre plutôt qu’un seul peuplement parfait. Gardez les polygones purs, bien à l’intérieur de la classe plutôt qu’à cheval sur sa limite. Et réservez quelques zones pour vérifier le résultat, car un classificateur jugé sur ses propres données d’entraînement paraît toujours excellent.

Evaluate Training Sites est l’outil à lancer avant de classifier. Il indique dans quelle mesure vos classes se séparent dans chaque bande, et vous signale d’emblée quand deux d’entre elles se chevauchent au point qu’aucun algorithme ne pourra les distinguer.

Par où commencer

K Means Clustering

La référence de la classification non supervisée, et le moyen le plus rapide de voir ce que contient une scène. Il partitionne les pixels en K groupes spectraux en minimisant la variation à l’intérieur de chacun.

C’est vous qui choisissez K. Trop peu, et des surfaces distinctes fusionnent ; trop, et vous passez votre temps à fusionner des groupes à la main. De 8 à 15 groupes constituent une plage raisonnable pour une première passe sur un paysage varié, et vous les regroupez ensuite en classes qui ont un sens.

Modified K Means Clustering ajoute la sélection automatique de K et un prétraitement spectral, ce qui vaut la peine d’être essayé quand vous n’avez aucune idée du nombre de classes à attendre.

Random Forest Classification

Le meilleur choix par défaut parmi les méthodes supervisées. Il fait croître de nombreux arbres de décision sur des sous-ensembles aléatoires des données d’entraînement et retient leur vote majoritaire.

Il gère les classes qui ne sont pas spectralement simples, s’accommode des bandes supplémentaires que vous avez pu ajouter, comme la texture ou des indices, et demande rarement un réglage. Quand on présente aujourd’hui une bonne carte d’occupation du sol issue d’imagerie satellitaire, elle vient le plus souvent d’une forêt aléatoire.

Svm Classification

Les machines à vecteurs de support séparent les classes en cherchant la frontière optimale entre elles. Excellentes avec peu d’échantillons d’entraînement, ce qui est exactement la situation quand les données de terrain sont rares. Plus sensibles à leurs réglages qu’une forêt aléatoire.

Min Dist Classification et Parallelepiped Classification

Les deux méthodes classiques, simples et transparentes. La distance minimale affecte chaque pixel à la classe dont le spectre moyen est le plus proche. Le parallélépipède l’affecte à la classe dont les plages de valeurs le contiennent, et laisse les pixels ambigus non classés.

Rapides, faciles à expliquer, et encore parfaitement utilisables quand les classes sont bien séparées.

Otsu Thresholding

Pas un classificateur, mais un outil de recherche de seuil. À partir d’une seule bande, il calcule la valeur qui la sépare le mieux en deux groupes. C’est la façon standard de transformer un indice en masque : l’eau à partir d’un indice d’eau, la végétation à partir d’un NDVI, les surfaces brûlées à partir d’un indice de brûlis.

Nettoyer le résultat

Une classification par pixel présente toujours un effet poivre et sel, avec des pixels isolés. Deux outils y remédient.

Generalize Classified Raster supprime les petits îlots isolés par filtrage modal itératif. Generalize With Similarity fusionne chaque petit îlot avec l’îlot voisin qui lui ressemble le plus spectralement, ce qui respecte mieux l’image.

Tous les outils

Outil	Ce qu’il fait
K Means Clustering	Partition non supervisée en K groupes spectraux.
Modified K Means Clustering	K-moyennes avec prétraitement spectral et sélection adaptative de K.
Random Forest Classification	Ensemble supervisé d’arbres de décision. Le choix solide par défaut.
Svm Classification	Machine à vecteurs de support supervisée. Efficace avec peu d’échantillons d’entraînement.
Knn Classification	Classification supervisée par vote majoritaire parmi les k échantillons d’entraînement les plus proches.
Fuzzy Knn Classification	Idem, avec un degré d’appartenance aux classes plutôt qu’une étiquette stricte.
Min Dist Classification	Affecte chaque pixel à la classe dont le spectre moyen est le plus proche.
Parallelepiped Classification	Affecte chaque pixel à la classe dont les plages de valeurs le contiennent.
Nnd Classification	Classification par distance normalisée la plus proche, avec rejet facultatif des valeurs aberrantes.
Otsu Thresholding	Trouve le seuil optimal qui sépare une bande en deux groupes.
Random Forest Regression	Prédit une variable continue plutôt qu’une classe, par forêt aléatoire.
Svm Regression	Idem, par machine à vecteurs de support.
Knn Regression	Idem, par k plus proches voisins.
Logistic Regression	Régression logistique supervisée sur une entrée multibande.
Evaluate Training Sites	Indique la séparabilité des classes par bande, sous forme de rapport HTML.
Generalize Classified Raster	Supprime les petits îlots isolés par filtrage modal itératif.
Generalize With Similarity	Fusionne les petits îlots avec le voisin spectralement le plus proche.

Remarques

Ajoutez plus que des spectres. Les classificateurs fonctionnent bien mieux lorsqu’on leur fournit des bandes dérivées en plus des bandes brutes : un indice de végétation, une mesure de texture issue de Filtres, voire la pente et l’exposition issues de la boîte à outils Terrain.

La régression est cousine de la classification. Les quatre outils de régression prédisent une grandeur continue, comme la biomasse ou un taux de couverture, avec la même approche d’entraînement. Même préparation, mêmes précautions.

Imagerie à haute résolution. Si vos objets sont beaucoup plus grands que vos pixels, une approche orientée objet surpassera n’importe quel classificateur par pixel. Voir OBIA.