1.1.2. Approche orientée objet

La classification orientée objet est basée sur l’idée que l’importante information sémantique nécessaire à l’interprétation d’une image n’est pas représentée dans les pixels individuels, mais dans des images-objets significatives et leurs relations mutuelles (Definiens, 2006). La classification par objets est donc basée sur des groupes de pixels associés. Elle permet d’éviter certains écueils des classifications pixel à pixel, à condition d’avoir bien résolu au préalable la définition des limites et des objets d’intérêt, qui doit être claire et non ambiguë (Puech, 2000). Bien que cette technique soit récente, plusieurs travaux ont été menés sur la caractérisation des unités du corridor fluvial par classification orientée objet à partir d’images aériennes. Perrez Correra (2004) a développé une méthode pour cartographier le corridor rivulaire et la structuration de la ripisylve. Slater (2007) a testé les potentialités de la méthode pour caractériser les zones de tressage sur plusieurs cours d’eau du bassin Rhône-Méditerranée-Corse.

La première étape de cette approche est la segmentation de l’image. Ce procédé permet d’agréger les pixels en extrayant des objets sans connaître l’appartenance de ceux-ci. L’algorithme de segmentation ne repose pas que sur les informations de valeurs des pixels individuels, mais aussi sur le voisinage du pixel (texture, forme, topologie). Il existe différents types de segmentation (fig. 2-18a) : (1) multiresolution, (2) quadtree, (3) chessboard. La segmentation utilisée dans le cadre de notre travail est la multiresolution car elle privilégie l’homogénéité des éléments de l’image pour restituer la taille des objets à identifier. Une succession de segmentations peut être réalisée sur l’image en fonction du résultat recherché. La première s’effectue au niveau des pixels. Il est ensuite possible de segmenter à nouveau les autres niveaux obtenus.

La deuxième étape est la classification. Elle consiste à regrouper en classes les objets partageant la même structure de donnée et le même comportement. Les classes sont identifiées soit manuellement (méthode experte), soit automatiquement.

Ainsi, la classification par segmentation comporte une notion de hiérarchie. Chaque niveau de segmentation correspond à « un niveau objet » (fig. 2-18b). Entre les différents niveaux hiérarchiques, il est possible d’obtenir une multitude d’informations statistiques sur la surface des objets, la proportion de sub-objets (classés en dessous) ou bien d’hyper-objets (classés au-dessus). Ce processus est mené jusqu’à atteindre le niveau d’extraction souhaité.

Figure 2-18. Principe d’une analyse orientée objet, a) les méthodes de segmentation, b) hiérarchisation des objets de l’image (d’après Definiens, 2006)
Figure 2-18. Principe d’une analyse orientée objet, a) les méthodes de segmentation, b) hiérarchisation des objets de l’image (d’après Definiens, 2006)
Figure 2-19. a) image aérienne d’un banc de galets végétalisé du Haut-Rhône, b) carte des unités végétales et segmentation issue d’une classification orientée-objet
Figure 2-19. a) image aérienne d’un banc de galets végétalisé du Haut-Rhône, b) carte des unités végétales et segmentation issue d’une classification orientée-objet

La figure 2-19 illustre le résultat de la classification orientée objet à partir d’une image aérienne d’un banc de galets végétalisé.