Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous allons voir trois traitements différents pour la même zone littorale:
- le traitement classique des trois bandes RVB des images photographiques de drone
- le traitement après calcul des valeurs de texture de ces mêmes images
- le traitement après calcul des composantes principales des valeurs de texture
Classification basée sur les trois bandes d’origine ‘RVB)
Ce premier traitement est réalisé à partir du chargement des trois bandes originales, préalablement extraites de l’image RVB. On retrouve alors un band set tel que le suivant :
Ce qui donne en visualisation :
Où l’on a entouré les trois grandes zones recherchées :la zone d’herbiers de Spartines, celle de zostères et les sédiments nus.
Comme nous le ferons pour toutes les autres configurations de bandes, on commence par effectuer une première série rapide de ROIs représentatifs des trois classes recherchées.
Ce qui donne au niveau des données d’entrainement la configuration suivante
On charge les trois classes dans le Graphique de Signatures Spectrales du plugin SCP pour avoir une vue de la signature spectrale de chacune des classes.
Le but est d’avoir une idée d’en quelle mesure nous arriverons à discriminer les trois classes recherchées.
On voit rapidement que, si la classe sédiments est bien séparée dans la première bande (rouge), la superposition des deux types d’herbier (Spartine et zostère) est importante.
Pour quantifier cette impression visuelle, on utilise l’outil « Calculer les distances spectrales » (bouton entouré dans l’image précédente).
Pour chaque paire possible de classes, on retrouve 4 calculs de distance différents. A partir de ces valeurs on a deux informations importantes :
- Quel est le meilleur type d’algorithme de classification à utiliser
- A quel point, cet algorithme sera capable de discriminer les classes recherchées.
Nous verrons plus loin en détail comment est réalisé le calcul de chacune de ces distances. Mais dès à présent on peut donner les critères de choix.
Nous avons trois algorithmes de classification :
- Minimum Distance : Distance minimale
- Maximum Likelihood : maximum de ressemblance
- Spectral Angle Mapping : calcul de l’angle spectral
Le calcul des distances affiche les distances spectrales des signatures, qui sont utiles pour l’évaluation de la séparabilité des ROI. Pour plus de détails, consultez le manuel du plugin SCP
Les distances spectrales suivantes sont calculées :
—Distance Jeffries-Matusita : plage [0 = identique, 2 = différente] ; utile en particulier pour les classifications de vraisemblance maximale. Cet indice s’applique à des distributions et non à des vecteurs comme les deux indices ci-après. Un avantage pratique de la distance J-M, c’est que cette mesure tend à supprimer les valeurs de séparabilité élevées, tout en exagérant les faibles valeurs de séparabilité.
—Angle Spectral : plage [0 = identique, 90 = différent] ; utile en particulier pour les classifications de calcul d’angles spectraux ;
—Distance euclidienne : utile en particulier pour les classifications de distance minimale ;
— Similarité de Bray-Curtis: plage [0 = différente, 100 = identique] ; utile en général ;
Les valeurs sont affichées en rouge si les signatures sont particulièrement similaires.
Dans notre cas on observe :
On peut oublier l’algorithme de calcul de l’angle spectral car les trois valeurs indiquent l’impossibilité de discrimination de nos trois classes avec cet algorithme.
Pour ce qui est de l’algorithme de maximum de ressemblance, il n’arrivera pas à discriminer les deux types d’herbier.
Nous pourrons essayer le seul autre algorithme, celui de la distance minimale, mais en sachant que la distance affichée d’environ 50 (les unités de distance sont les mêmes que celles des bandes, dans notre cas de valeurs comprises entre 0 et 255) entre les deux types d’herbiers n’est pas très encourageante.
Une distance de 0 dirait que les deux signatures sont identiques, le maximum de différence possible sur les trois bandes étant de 441.
Enfin, l’indice de Bray-Curtis (0->100, 100=identique) n’est pas très encourageant non plus
Le coefficient de Bray-Curtis
.
Yij = fréquence pour la ième valeur de pixel de la première classe ;
Yik = valeur pour la ième valeur de pixel de la deuxième classe;
δjk = dissimilarité entre la premier et la deuxième classe pour les différentes valeurs de pixels présents;
A = nombre de pixels de la ROI de la première classe ;
B = nombre de pixels de la ROI de la deuxième classe;
W = somme des valeurs de fréquence les plus faibles pour chaque valeur de pixel commune aux deux classes.
L’indice de dissimilarité de Bray-Curtis varie entre 0 (valeurs identiques pour toutes les espèces) et 1 (aucune espèce en commun), mais pour mieux comprendre le résultat ces valeurs sont multipliées par 100.
Conclusions
Nous verrons plus loin quels moyens on peut utiliser pour palier au plus ces inconvénients, quand on n’a pas d’autre choix.
Le fait de ne travailler qu’avec trois bandes, contrairement aux images satellite, diminue sensiblement les possibilités de discrimination des différentes classes.
De plus, en, milieu littoral les classes principales se différencient le plus souvent par une nuance de couleur plutôt que par des couleurs différentes. Une simple différence d’éclairage due à l’heure de prise de vue ou à la nébulosité, suffit à produire les mêmes effets de nuance.
Nous verrons dans le prochain article l’apport des données de texture calculées à partir des trois bandes d’origine.
