Étude comparée de quelques algorithmes de classification spectro-spatiale d'images de télédétection appliqués à l'agriculture

L'évolution de la télédétection tend vers l'utilisation d'images de limites de résolution spatiale de plus en plus hautes, mettant ainsi en évidence la faiblesse des méthodes conventionnelles de classification spectrale d'images. Pour compenser ces faiblesses, de nouveaux algorithmes basés sur les techniques existantes et sur les acquis du développement de l'informatique, intègrent le contexte spatial au niveau de l'analyse pour améliorer la précision des résultats de classification. Cependant, ces nouvelles méthodes ne sont pas suffisamment testées et évaluées sur différents types d'images de télédétection. Notre étude vise à évaluer et comparer la performance de quelques unes de ces méthodes dans un contexte agricole. Il s'agit, des méthodes de classification par maximum de vraisemblance (MDV) et d'Isodata, qui sont combinées à l'algorithme de segmentation hiérarchique à optimisation séquentielle (SHOS) pour fournir des techniques de classification entité par entité, et de trois variantes de l'algorithme ICM (Iterated Conditional Mode) basé sur la théorie markovienne et la transformée par ondelettes dans une architecture multi-résolution. Après une description des différentes méthodes, des critères de comparaison sont établis. 11 s'agit des critères de comparaison d'ordre théorique, pratique et général. L'étude comparative des performances se fait sur des images Landsat TM simulées spectralement (site agricole de Melfort en saskatchewan), sur des images (ROS) radar à ouverture de synthèse (site agricole d'Altona au Manitoba). Des tests de robustesse sont effectués sur des images artificielles dont les caractéristiques statistiques des classes sont connues d'avance. Les résultats des méthodes contextuelles sont, de loin plus précis que ceux des techniques pixel par pixel. De façon spécifique, les méthodes intégrant l'algorithme SHOS (ICM-SHOS et Isodata-SHOS) donnent d'excellents résultats avec une précision moyenne d'environ 98 % sur les images TM et 93% sur les données ROS. C'est pourquoi, nous recommandons plus d'investigations en ce qui concerne l'intégration de la segmentation dans les techniques de classification d'images de télédétection