Le portail francophone de la géomatique

on en a déjà discuté, mais je me répète, Spatial Analyst ne fait pas de classification et encore moins d'orthorectification!

- Create Pan-Sharpened Raster Dataset (Data Management) : Fuses a high-resolution panchromatic raster dataset with a lower-resolution multiband raster dataset to create an RGB raster with the resolution of the panchromatic raster.

- Create Ortho-Corrected Raster Dataset (Data Management) : Creates an ortho-corrected raster dataset using the rational polynomial coefficients (RPC) associated with a raster dataset.

- Composite Bands (Data Management) : Creates a single raster dataset from multiple bands. This tool is useful when you have many single-band rasters, covering the same spatial extent, and want to create a multiple-band raster dataset. Creating a multiple-band raster dataset allows you to display the bands together as an RGB composite.

Etc...

Réalisation de la classification

La classification a pour objectif d'attribuer chaque cellule de la zone étudiée à une classe connue (classification assistée) ou à un agrégat (classification non assistée). Dans les deux cas, l'entrée dans la classification est un fichier de signatures contenant les statistiques multivariées de chaque classe ou agrégat. Le résultat de chaque classification est une carte qui partitionne la zone étudiée en classes connues, lesquelles sont associées à des échantillons d'apprentissage ou à des classes naturelles correspondant à des agrégats définis par l'agrégation. La classification d'emplacements en classes naturelles correspondant à des agrégats est également désignée sous le nom de "stratification".

Vraisemblance maximale
Les cellules appartenant à une classe sont rarement homogènes. Cela est particulièrement vrai pour des échantillons d'apprentissage utilisés dans une classification assistée. Par exemple, si des feuillus situés dans l'ombre ont une signature de réflexion qui ressemble à celle des conifères en plein soleil, les deux types d'arbre finiront par appartenir à la même classe. Tout emplacement d'un échantillon d'apprentissage tiré d'un habitat où vous vous attendez à trouver des ours pourrait aussi bien contenir des sous-emplacements évités par les ours.

Dans le diagramme ci-dessous, la classe A représente des feuillus et la classe B des conifères. Comment classeriez-vous une cellule qui se situe dans la superposition des deux classes ? Devrait-elle appartenir à la classe A ou B ?

[un diagramme ici]

Le classificateur de vraisemblance maximale calcule, pour chaque classe, la probabilité d'appartenance de la cellule à cette classe, en fonction de ses valeurs attributaires. La cellule est attribuée à la classe ayant la plus haute probabilité, d'où le nom de vraisemblance maximale.

Plusieurs conditions doivent être remplies pour que le classificateur de vraisemblance maximale fonctionne correctement.

Les données de chaque raster doivent être réparties normalement.
Chaque classe doit avoir une répartition normale dans un espace attributaire multivarié.

Les probabilités précédentes des classes doivent être égales, c'est-à-dire qu'en l'absence de valeur attributaire de pondération, toutes les classes ont la même probabilité de vraisemblance.

Si la probabilité précédente n'est pas la même pour chaque classe de la zone étudiée, vous pouvez pondérer les classes. Par exemple, si vous classez une image satellite de l'Alaska, les forêts et autres types de végétation devraient avoir une probabilité a priori supérieure à celle des habitations humaines. Autrement dit, la probabilité d'un emplacement de cellule contenant une habitation est bien inférieure à celle de la cellule contenant un certain type de végétation. Lorsqu'une valeur de cellule se situe dans la partie superposée des classes d'habitation et de type de végétation, les chances que l'emplacement contienne un certain type de végétation plutôt qu'une habitation sont plus élevées, et l'emplacement devra être classé conséquemment.

Cette logique de probabilité et de pondération repose sur les règles de décision bayésiennes. Les valeurs de probabilité réelle pour chaque cellule et classe sont déterminées d'après la matrice de moyenne et de covariance pour chaque classe (stockée dans le fichier de signatures).

Pour effectuer une classification, utilisez la fonction Classification de vraisemblance maximale. Cette fonction nécessite l'entrée d'un raster multicanal et du fichier de signatures correspondant. Le mode de pondération des classes ou des agrégats doit être identifié. Il existe trois modes de pondération des classes ou des agrégats : probabilité égale, cellules des échantillons ou fichier. Si l'option de probabilité égale est sélectionnée, toutes les classes sont pondérées avec la même probabilité a priori. Lorsque l'option des cellules des échantillons est sélectionnée, les probabilités a priori sont proportionnelles au nombre de cellules de chaque classe ou agrégat dans le fichier de signatures. Lorsque l'option de fichier est sélectionnée, le contrôle en entrée du fichier a priori est activé, et les probabilités a priori sont lues depuis le fichier défini. Une fraction de rejet doit être identifiée. La fraction de rejet identifie la proportion des cellules qui resteront non classées en raison de la plus petite possibilité d'attribution correcte. La valeur par défaut est 0,0 (chaque cellule est classée). Un niveau de confiance facultatif peut être défini. Enfin, le nom du raster en sortie doit être défini.

Probabilité de classe
Au lieu que la cellule soit attribuée à une classe en fonction de la probabilité la plus grande dans un raster en sortie, la fonction Probabilité de classe génère des couches de probabilités, une couche étant attribuée à chaque classe ou agrégat en entrée. Les valeurs à chaque emplacement de cellule pour chaque couche stockent la probabilité d'appartenance de cette cellule à la classe ou à l'agrégat, en fonction des attributs du raster en entrée d'origine. Cette fonctionnalité peut s'avérer utile dans les situations suivantes. Supposons que vous classiez une image, et que l'une des classes représente une forêt et une autre un marécage. Après avoir exécuté la fonction Probabilité de classe, vous constatez que l'une des cellules du raster en sortie de classe de forêt reçoit une probabilité d'appartenance à la classe de forêt égale à 60 %, et dans le raster en sortie de marécage, une probabilité d'appartenance à la classe de marécage égale à 30 %. Au lieu de classer l'emplacement de cellule sous forêt, il serait peut-être préférable de la classer en tant que marécage.

Récapitulatif sur la classification multivariée

Classification assistée

Voici les étapes à suivre pour effectuer une classification assistée :

Créer un raster ou une pile multicanal.
Produire des échantillons d'apprentissage à partir d'emplacements connus des classes souhaitées.
Créer un fichier de signatures.
Afficher et modifier le fichier de signatures, le cas échéant.
Effectuer la classification.

Classification non assistée

Voici les étapes à suivre pour effectuer une classification non assistée :

Créer un raster ou une pile multicanal.
Définir le nombre total d'agrégats qui seront créés.
Afficher et modifier le fichier de signatures, le cas échéant.
Effectuer la classification.

Mais c'est la doc de quoi? J'ai vérifié les spécifs de Spatial Analyst avant de dire qu'il n'en faisait pas... http://www.esri.com/software/arcgis/ext … tures.html

La présentation de la classification correspond bien à ce qu'on peut en attendre mais d'où sort ce descriptif?

Après l'ortho RPC n'est pas vraiment de l'orthotectifcation au sens modélisation du capteur. Certes, on aboutit à un résultat "orthorectifié" mais ce n'est pas le processus au sens photogrammétrique du terme

Et les deux autres fonctions, Pan Sharp et Composite, n'ont rien à voir avec de la géométrie.

How MLClassify works
The algorithm used by the MLClassify function is based on two principles:

The cells in each class sample in the multidimensional space are normally distributed.

Bayes' theorem of decision making.

The maximum likelihood classifier considers both the variances and covariances of the class signatures when assigning each cell to one of the classes represented in the signature file. With the assumption that the distribution of a class sample is normal, a class can be characterized by the mean vector and the covariance matrix. Given these two characteristics for each cell value, the statistical probability is computed for each class to determine the membership of the cells to the class. When the default EQUAL option is specified, each cell is classified to the class to which it has the highest probability of being a member.

If the likelihood of occurrence of some classes is higher (or lower) than the average, the FILE option should be used with an {a_priori_file}. The weights for the classes with special probabilities are specified in the {a_priori_file}. In this situation, an {a_priori_file} assists in the allocation of cells that lie in the statistical overlap between two classes. These cells are more accurately assigned to the appropriate class, resulting in a better classification. This weighting approach to classification is referred to as the Bayesian classifier.

By choosing the SAMPLES option, the a priori probabilities assigned to all classes sampled in the <signature> file will be proportional to the number of cells captured in each signature. Consequently, classes that have fewer cells than the average in the sample will receive weights below the average, and those with more cells will receive weights greater than the average. As a result, the respective classes will have more or fewer cells assigned to them.

When a maximum likelihood classification is performed, an optional {o_reject_grid} can also be produced. This grid shows the levels of classification confidence. The number of levels of confidence is 14, which is directly related to the number of valid reject fractions values. The first level of confidence, coded in the {o_reject_grid} as 1, consists of cells with the shortest distance to any mean vector stored in the <signature> file; therefore, the classification of these cells has highest certainty. The cells comprising the second level of confidence (cell value 2 on the {o_reject_grid}) would be classified only if the {reject_fraction} is 0.99 or smaller. The lowest level of confidence has a value of 14 on the {o_reject_grid}, showing the cells that would most likely be misclassified. Cells of this level will not be classified when the {reject _fraction} is 0.005 or greater.