Classification des images à l'aide de Spatial Analyst
Dans ArcGIS Spatial Analyst, la boîte à outils Multivariés fournit des outils pour la classification assistée et non assistée. La barre d'outils Classification des images fournit un environnement convivial pour la création d'échantillons d'apprentissage et de fichiers de signatures utilisés dans la classification assistée. L'outil Classification de vraisemblance maximale est la principale méthode de classification. Un fichier de signatures, qui identifie les classes et leurs statistiques, est une entrée requise pour cet outil. Pour la classification assistée, le fichier de signatures est créé à l'aide d'échantillons d'apprentissage par la barre d'outils Classification des images. Pour la classification non assistée, le fichier de signatures est créé par l'exécution d'un outil d'agrégation. Spatial Analyst fournit également des outils pour le traitement de post-classification, tel que le filtrage et le nettoyage de limites. Les étapes détaillées du workflow de classification d'images sont illustrées dans le diagramme suivant.
 |
Workflow de classification d'images |
1. Exploration des données et prétraitement
Exploration des données
L'analyse de classification part du principe que les données de canal et les données d'échantillon d'apprentissage suivent la répartition normale. Pour vérifier la répartition des données dans un canal, faites appel à l'outil interactif Histogramme 
sur la barre d'outils Spatial Analyst. Pour vérifier la répartition d'échantillons d'apprentissage individuels, faites appel à l'outil Histogrammes 
du Gestionnaire d'échantillons d'apprentissage.
Étirement des données de canal
Le processus de classification est sensible à la plage des valeurs de chaque canal. Pour que les attributs de chaque canal soient considérés équitablement, la plage de valeurs pour chaque canal doit être semblable. Si la plage de valeurs d'un canal est trop petite (ou trop grande) par rapport aux autres canaux, vous pouvez utiliser les outils mathématiques dans la boîte à outils Spatial Analyst pour l'étirer. Par exemple, vous pouvez utiliser l'outil mathématique Multiplication pour multiplier le canal avec une valeur constante pour étirer sa plage de valeurs.
Analyse des composantes principales
L'analyse des composantes principales transforme une image multicanal pour supprimer la corrélation entre les canaux. Les informations dans l'image en sortie sont concentrées principalement dans les premiers canaux. En améliorant les premiers canaux, davantage de détails sont visibles dans l'image lorsqu'elle est affichée dans ArcMap. Cela peut s'avérer utile pour collecter des échantillons d'apprentissage. L'outil Composantes principales du jeu d'outils Multivariés vous permet d'effectuer l'analyse des composantes principales.
Création d'une image multicanal
La barre d'outils Classification des images fonctionne avec une couche d'images multicanal. Pour charger des canaux individuels dans une nouvelle image multicanal, utilisez l'outil Canaux composites.
Création d'un sous-ensemble de canaux pour la classification
Pour utiliser tous les canaux dans un jeu de données d'image dans la classification, ajoutez le jeu de données d'image à ArcMap et sélectionnez la couche d'image sur la barre d'outils Classification des images.
Pour utiliser uniquement certains canaux d'un jeu de données existant pour la classification, créez une couche raster à l'aide de l'outil Générer une couche raster. La nouvelle couche raster, qui contient uniquement le sous-ensemble spécifié de canaux, peut être utilisée dans la barre d'outils Classification des images.
2. Collecte d'échantillons d'apprentissage
Dans la classification assistée, les échantillons d'apprentissage permettent d'identifier les classes et de calculer leurs signatures. Les échantillons d'apprentissage peuvent être créés de manière interactive à l'aide des outils de dessin d'échantillon d'apprentissage sur la barre d'outils Classification des images. La création d'un échantillon d'apprentissage est semblable au dessin d'un graphique dans ArcMap à l'exception que les formes d'échantillon d'apprentissage sont gérées avec le Gestionnaire d'échantillons d'apprentissage plutôt que dans une couche graphique ArcMap.
Pour créer un échantillon d'apprentissage, sélectionnez l'un des outils de dessin d'échantillon d'apprentissage (par exemple, l'outil polygone) sur la barre d'outils Classification des images et dessinez sur la couche d'image en entrée. Le nombre de pixels dans chaque échantillon d'apprentissage ne doit pas être trop petit ni trop grand. Si l'échantillon d'apprentissage est trop petit, il peut ne pas fournir assez d'informations pour créer la signature de classe de manière adéquate. Si l'échantillon d'apprentissage est trop grand, vous pouvez inclure des pixels qui ne font pas partie de cette classe. Si le nombre de canaux dans l'image est n, le nombre optimal de pixels pour chaque échantillon d'apprentissage est compris entre 10n et 100n.
 |
Collecte d'échantillons d'apprentissage |
3. Évaluation d'échantillons d'apprentissage
Lorsque les échantillons d'apprentissage sont dessinés dans l'affichage, de nouvelles classes sont créées automatiquement dans le Gestionnaire d'échantillons d'apprentissage. Ce gestionnaire propose trois outils d'évaluation des échantillons d'apprentissage : l'outil Histogrammes , Nuages de points 
et Statistiques 
. Vous pouvez utiliser ces outils pour explorer les caractéristiques spectrales de différentes surfaces. Vous pouvez également utiliser ces outils pour évaluer des échantillons d'apprentissage pour vérifier si la séparation entre les classes est suffisante.
 |
Évaluation d'échantillons d'apprentissage |
4. Mise à jour des classes
Selon le résultat de l'évaluation d'échantillon d'apprentissage, vous devrez peut-être fusionner les classes qui se superposent dans une classe. Cette opération s'effectue à l'aide de l'outil Combiner 
dans la fenêtre du gestionnaire. De plus, vous pouvez renommer ou renuméroter une classe, modifier la couleur d'affichage, fractionner une classe, supprimer des classes, enregistrer et charger des échantillons d'apprentissage, etc. L'image suivante illustre comment fusionner deux classes :
 |
Mise à jour des classes |
5. Création du fichier de signatures
Une fois que vous avez décidé que les échantillons d'apprentissage sont représentatifs des classes souhaitées et peuvent se distinguer les uns des autres, vous pouvez créer un fichier de signatures à l'aide de l'outil Créer un fichier de signature 
dans la fenêtre du gestionnaire.
 |
Création du fichier de signatures |
6. Agrégation (classification non assistée)
Dans une classification assistée, le fichier de signatures a été créé à partir de classes définies, connues (par exemple, type d'occupation des sols), identifiées par les pixels compris dans les polygones. Dans une classification non assistée, des clusters, non des classes, sont créés à partir des propriétés statistiques des pixels. Les pixels aux propriétés statistiques semblables dans l'espace multivarié sont regroupés pour former des clusters. Les clusters n'ont pas de signification catégorielle (par exemple, type d'occupation des sols), à la différence des classes dans une classification assistée.
Pour la classification non assistée à l'aide de la barre d'outils Classification des images, le fichier de signatures est créé en exécutant l'outil Classification Iso Cluster non assistée. Vous pouvez également faire appel à l'outil Iso Cluster du jeu d'outils Multivariés.
L'outil Iso cluster crée seulement un fichier de signatures qui peut être utilisé par la suite dans la classification (étape 9 dans le diagramme de workflow ci-dessus). Un nouvel outil, Classification Iso Cluster non assistée, accessible à la fois dans la barre d'outils Classification des images et le jeu d'outils Multivariés, vous permet de créer le fichier de signatures et l'image classée en sortie à l'aide d'un seul outil (étapes 6 et 9).
7. Examen du fichier de signatures
L'outil Dendrogramme vous permet d'examiner les distances attributaires entre des classes fusionnées séquentiellement dans un fichier de signatures. La sortie est un fichier ASCII avec un diagramme structurel hiérarchique qui affiche la séparation des classes. Le dendrogramme vous permet de déterminer si au moins deux classes ou clusters peuvent se distinguer suffisamment. Si tel n'est pas le cas, vous pouvez décider de les fusionner à l'étape suivante.
L'outil Dendrogramme est accessible à partir du jeu d'outils Multivariés Spatial Analyst.
8. Modification du fichier de signatures
Le fichier de signatures ne doit pas être modifié directement dans un éditeur de texte. Vous devez utiliser l'outil Modifier des signatures dans le jeu d'outils Multivariés. Cet outil vous permet de fusionner, renuméroter et supprimer des signatures de classe.
9. Application de la classification
Pour classer l'image, utilisez l'outil Classification de vraisemblance maximale. Cet outil s'appuie sur la théorie de la probabilité de la vraisemblance maximale. Il affecte chaque pixel à l'une des différentes classes selon les moyennes et les écarts de signatures de classe (stockés dans un fichier de signatures). L'outil est également accessible depuis la barre d'outils Classification des images.
L'outil Classification interactive assistée est une autre méthode de classification des images. Cet outil accélère le processus de classification de vraisemblance maximale. Il vous permet de consulter rapidement le résultat de la classification sans exécuter l'outil Classification de vraisemblance maximale.
10. Traitement de post-classification
L'image classée créée par l'outil Classification de vraisemblance maximale peut classer de manière incorrecte certaines cellules (bruit aléatoire) et créer de petites régions incorrectes. Pour améliorer la classification, vous pouvez reclasser ces cellules dans une classe ou un cluster avoisinant. Les techniques les plus courantes de nettoyage d'une image classée sont le filtrage, le lissage des limites de classe et la suppression de petites régions isolées. La carte résultant de l'application des outils de nettoyage des données est plus esthétique.
Filtrage de la sortie classée
Ce processus supprime les pixels isolés de l'image classée. Il est effectué par l'outil Filtre majoritaire ou l'outil Statistiques focales avec Majorité comme type de statistiques. La différence entre les deux outils est que l'outil Filtre majoritaire présuppose un voisinage carré de 3 x 3 pendant le traitement, alors que l'outil Statistiques focales prend en charge davantage de types (anneau ou cercle, par exemple) de voisinage.
Lissage de limites de classe
L'outil Nettoyage de limites regroupe les classes et lisse les tronçons irréguliers des classes. L'outil fonctionne en développant puis en réduisant les classes. Il augmente la cohérence spatiale de l'image classée. Les régions adjacentes peuvent être connectées.
Généralisation de la sortie en supprimant de petites régions isolées
Après le processus de filtrage et de lissage, l'image classée doit être beaucoup plus propre qu'avant. Toutefois, il peut subsister quelques petites régions sur l'image classée. Le processus de généralisation nettoie davantage l'image en supprimant ces petites régions de l'image. Il s'agit d'un processus multi-étape qui implique plusieurs outils Spatial Analyst.
- Exécutez l'outil Groupes par régions avec l'image classée pour affecter des valeurs uniques à chaque région sur l'image.
- Ouvrez la table attributaire de la nouvelle couche raster créée par l'outil Groupes par régions. Utilisez le nombre de pixels pour identifier le seuil de petites régions à supprimer.
- Créez un raster de masque pour les régions à supprimer. Pour ce faire, exécutez l'outil SetNull pour définir les régions avec de petits nombres de pixels sur une valeur Null.
- Exécutez l'outil Grignotage sur l'image classée. Utilisez le raster de masque créé à partir de l'outil SetNull de l'étape précédente comme Masque raster en entrée. Il fusionne les petites régions de l'image en sortie.