Processus d'attribution de pixels, d'objets ou de segments d'image à des classes thématiques (couverture du sol, matériaux, cibles) en fonction de caractéristiques spectrales, spatiales, temporelles ou contextuelles à l'aide de méthodes à base de règles, statistiques ou d'apprentissage automatique.

Principe

Faire correspondre les caractéristiques mesurées de l'image à des étiquettes sémantiques en définissant des frontières de décision—règles explicites ou modèles statistiques—qui séparent les distributions de classes dans l'espace des caractéristiques tout en tenant compte de l'incertitude et de la variabilité intra-classe.

Démonstration

Utilisation d'un classifieur supervisé Random Forest sur des images multispectrales avec polygones d'entraînement étiquetés pour produire une carte d'occupation du sol distinguant forêt, cultures, urbain et eau pour la planification régionale.

Mauvaise application

Entraîner un classifieur avec des échantillons mal étiquetés ou non représentatifs, ou appliquer un classifieur formé dans un biome à un autre sans adaptation de domaine, entraînant des erreurs systématiques de classification (par exemple herbe confondue avec cultures).

Conséquence

Une classification précise produit des cartes soutenant la surveillance, la gestion des ressources et la modélisation ; les erreurs se propagent dans les analyses en aval, d'où l'importance de la validation et de la quantification de l'incertitude pour la prise de décision.

Inversion

Si l'on ignore les étiquettes et que l'on utilise des estimations continues à la place (p. ex. fractions d'abondance ou indices spectraux), certaines ambiguïtés catégorielles disparaissent mais certaines tâches décisionnelles nécessitant des classes discrètes deviennent plus difficiles.

Limite

S'applique aux flux de travail au niveau du pixel, de l'objet ou du segment pour données optiques, multispectrales, hyperspectrales et radar ; n'effectue pas en soi la correction atmosphérique, l'attribution temporelle des changements ni la vérification sur le terrain.

Tension sémantique

Tension entre classification catégorielle (étiquettes discrètes) et approches de récupération continue (fractions, probabilités) : les classifieurs fournissent des cartes simples mais peuvent masquer les pixels mixtes et les gradients.

Synthèse

La classification d'images formalise la traduction des caractéristiques mesurées en classes thématiques par des modèles et règles, produisant des produits spatiaux étiquetés qui nécessitent un entraînement représentatif, une validation et une gestion de l'incertitude.