RAPPORT TP 3 Erdas

Institut agronomique et vétérinaire Hassan II
Filière de formation en Sciences Géomatiques

Et Ingénierie Topographique
TP : 3 traitements numériques

des images
RE
ALI SE
PAR :
Soumiya AIT HADDOUT
MERYEM LOUHABI
ACHRAF RAHMOUNI
KONE MAMADOU
ARNAULD YAOHI AGBOGAGH
Page 1|8
Sommaire :
I. Introduction……………………………………
II. Création des zones d’entrainement
…………………………………………
III. Création d’une couche AOI
………………………………………………………..
IV. Evaluation de la séparabilité spectrale des zones
d’entrainement…
V. Choix de la méthode de classification

………………………………….
VI. Procédure d’évaluation de la procédure de la
classification……..
Page 2|8
I. Introduction :
La classification numérique des images utilise l’information spectrale

contenue dans les valeurs d’une ou de plusieurs bandes spectrale pour
classifier chaque pixel individuellement. Elle consiste à faire la correspondance
entre les classes spectrales et les classes d’information.
Parmi les types de classification on trouve la classification dirigée, qui fait
l’objet de ce TP réalisé avec le logiciel ERDAS, telle que qu’on connait à priori la
nature des objets contenus dans l’image. (LANDSAT_TM).
II)-Création des zones d’entrainement :

Le choix des zones d’entrainement doit être très minutieux tel que
ces dernières doivent être représentatives à bon escient des classes
d’objets. En effet, il faut que les échantillons soient localisés avec
précision dans l’image et que leurs qualité (zones et pixels) soit
suffisante pour que les paramètres estimés de signature des classes
présentent un degré de confiance élevé.
Tout d’abord, on ouvre l’image Landsat.TM
Ensuite on va à :
 Menu <Raster>, sous menu <classification> , <supervised>
 Dans le menu qui s’affiche on choisit <signature editor>

Le tableau des signatures s’ouvre (ci-dessous)
Page 3|8
III)-Création d’une couche AOI
Voici la procédure :
1) -Menu <Raster> === <format> puis on clique sur l’icône <polygone>
Une couche AOI se crée automatiquement
2)-On passe à la numérisation des polygones correspondants à la réalité terrain
3)-Une fois les polygones représentant la réalité terrain sont numérisés on

les regroupe pour constituer une seule entité (classe) à partir de :
Menu <AOI> === <Arrange> === group
4)-On passe à la création de nouveau signature à partir de tableau des
signatures
Page 4|8

5)-On répète la même chose pour les autres classes à savoir celle
de la végétation et des bâtiments on choisissant les couleurs
appropriés pour chaque classe.
IV)-Evaluation de la séparabilité spectrale des zones

d’entrainement :
*Dans le tableau signature editor === <evaluate> ===<separability >
Voilà ce qui s’affiche juste après cette étape :
Page 5|8
Pour que les résultats soient acceptés ; on doit avoir une séparabilité spectrale
comprise entre 1600 et 2000 (bonne séparabilité), sinon le choix des sites
d’échantillonnage doit impérativement être refait. Dans notre cas
l’échantillonnage est fait à bon escient.
V)-Choix de la méthode de classification

 Dans le tableau <signatur editor> menu <Classify> on choisit la méthode de
classification <Supervised>
 On a travaillé avec le maximum de Vraisemblance et voici les résultats de la
classification :
VI)-Procédure d’évaluation de la procédure de la classification
 Menu <Raster> == <classification> == <supervisd> == <accuracy assessment>

 On clique sur ouvrir pour ouvrir l’image classifier, ensuite dans le menu
<View> == <select view> on select l’image originale
 Deux méthodes sont envisagées pour évaluer le résultat de la classification
- En se basant sur des points crées aléatoirement
- En se basant sur des points connus sur le terrain
C’est à partir de menu Edit qu’on choisit la méthode convenable
 Apartir de menu <Edit> on choisit la methode < creat/add Random points>
Page 6|8
 Une table s’affiche dans laquelle on précise le nombre de fenêtres de
recherche (256) et le nombre de points à crées sur les quelles va se basées
l’évaluation (10)
 Un tableau correspondant aux points crées à partir de menu <Edit > on

visualise la valeur des classes <show class values> en suite on procède au
remplissage de la référence qui correspond à la classe réel sur le terrain
associé au point par la connaissance de terrain on juge que tel point
appartient à la classe 1, 2 ou 3
Dans notre cas : Classe1 → EAU
Classe 2 → BATIMENTS
Classe 3 → VEGETATION
Page 7|8
IL y a d’autres résultats qui s’affichent :
Dans notre cas le pourcentage est de 100%

Aussi la précision totale de la classification est décrite par over all kappa statistics,la
valeur qu’on a obtenue c’est 1 ,ce qui prouve que notre classification est très bonne.
Remarque :
Si Kappa>0.60 la classification est bonne.
Page 8|8

RAPPORT TP 3 Erdas

Transféré par

Droits d'auteur :

Formats disponibles

RAPPORT TP 3 Erdas

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

RAPPORT TP 3 Erdas

Transféré par

Droits d'auteur :

Formats disponibles

Institut agronomique et vétérinaire Hassan II

Filière de formation en Sciences Géomatiques

TP : 3 traitements numériques

V. Choix de la méthode de classification

La classification numérique des images utilise l’information spectrale

II)-Création des zones d’entrainement :

 Dans le menu qui s’affiche on choisit <signature editor>

2)-On passe à la numérisation des polygones correspondants à la réalité terrain

3)-Une fois les polygones représentant la réalité terrain sont numérisés on

IV)-Evaluation de la séparabilité spectrale des zones

V)-Choix de la méthode de classification

VI)-Procédure d’évaluation de la procédure de la classification

 Menu <Raster> == <classification> == <supervisd> == <accuracy assessment>

 Un tableau correspondant aux points crées à partir de menu <Edit > on

Dans notre cas le pourcentage est de 100%

Vous aimerez peut-être aussi