Le portail francophone de la géomatique

Bonjour Florent,

1-Les zones d'apprentissage doivent être homogènes au sein de chaque classe. Si tu définies des zones d'eau mais que les caractéristiques spectrales de ces zones sont vraiment différentes (eaux turbides d'un côté, eau limpide de l'autre, végétation aquatiques ailleurs ...), ta classification se fera difficilement.

Je me permets de citer Michel-Claude Girard et Colette Girard ("Traitement des données de Télédétection", Dunod, 2ème édition)

"Chaque noyau [entendre classe] doit avoir un effectif de plus de 200 pixels [...]. Il est préférable de prendre des plages d'échantillons dans plusieurs partie de l'image afin d'éviter que le noyau ne représente qu'un seul type de région. [...] Il est aussi préférable que la population soit la mieux définie possible, et donc qu'elle soit le plus homogène possible. Il faut donc que les plages que l'on retient soient les plus grandes possibles et en tout cas les plus compactes possibles."

J'ajouterai qu'il me semble pertinent de créer un nombre de zones d'entraînement proportionnel à la réalité terrain. Si les feuillus représentent 80% de l'image, ils devraient représenter 80% des zones d'entraînement.

Ensuite les sols nus et le bâti sont très souvent confondus; ce n'est pas une surprise. Il y a plusieurs méthodes pour améliorer une classification :

- tu peux créer un nombre important de classes (par exemple 20 même si tu n'as besoin que de 7 classes) et utiliser l'outil Combine Classes dans l'onglet post classification. Là une analyse du comportement spectral des différentes classes peut te permettre de dire classe 1 c'est du bâti, classe 2 de la végétation, classes 3 et 4 à regrouper car sol nu, etc.

- tu peux classer ce qui est facilement classable puis le masquer à l'aide de "build mask". Une fois ces classes masquées cela sera plus simple de discriminer les autres objets (avec une nouvelle classif). Le problème ici est que cette opération peut s'avérer être sans fin. Le reclassement peut te faire ressortir des objets qui en fait faisaient partie de la classe déjà masquée, donc tu les regroupe puis les remasque et ainsi de suite (mieux vaut être pertinent dans le nommage des fichiers !!!)

-une savante combinaison des 2 est une bonne option

2- Si un seuillage simple sur la bande PIR pouvait faire ressortir immédiatement la végétation et uniquement la végétation, la vie serait bien plus simple ! De mémoire je dirais que les bandes spectrales de rapid-eye te permettent de créer un NDVI (indice de végétation) qui correspond aux bandes (PIR-R)/(PIR+R), il y a également un bouton "NDVI" dans l'onglet transform de ENVI (mais les résultats peuvent être différents entre cet outil là et un calcul manuel en passant par band math). Dans tous les cas ce calcul pourra t'aider à faire ressortir ta végétation et faire un meilleur seuillage.
N.B : Ce petit calcul peut également être un masque en entrée de ta classification.

Perso, j'utilise un outil sympa en open source qui s'appelle ImageJ et qui permet de faire différentes segmentation/binarisation/squelettisation etc. de manière rapide. Quand on ne sait pas où on va, ça peut donner quelques idées de traitement (je ne connais pas toutes les capacités d'ENVI en segmentation).


J'espère que ce fouillis d'informations te sera utile.

Bon courage,

Cordialement,

Bénédicte

Je vous invite Florent à jeter un coup d'oeil au module de classification objet et d'extraction de l'Orfeo Toolbox.
Il y a beaucoup de source d'information sur ce qui vous intéresse.
Mots clefs recherche Google : orfeo toolbox object based segmentation

JM