2.1. Classification de l’occupation

2.1. Classification de l’occupation des sols à l’aide des images multi-spectrales
2.1.1. Méthodologies de classification de l’occupation du sol
La classification de l’occupation du sol à l’aide d’images satellites peut être considérée commeune combinaison entre le traitementd'image numérique etles techniques de classification pour analyser l’occupation du sol [Bektat et Goksen,. 2004]. Le traitement des imagesest réalisé pour l'amélioration de la qualité de celle-ci tandis que la classification est unprocessus d'attribution despixels d'une imageà des classes (catégories) de l’occupation du sol [Lu and Weng,. 2007].
De nombreuses méthodes sont proposées et certaines telles que l'analyse des imageset la reconnaissance des échantillonnages sont appliquées. La performanced’uneclassificationdépend de la compréhension des données, des méthodes de classification et des expériences des analyseurs [Landgrebe,. 2002 ; Smith,. 2012]. De ce fait, l'analyseurdoit choisirune méthode optimale de classificationpour bienaccomplir une tâche spécifique, car une méthode ne peut pas être appliquée efficacement pour la classification dans toutes les situations. Il est à noter que chaque méthode ne convient que pour quelques caractéristiquesd’une ou de certaines imageset pour quelques circonstancesde chaqueétude [Perumal, 2010]. En effet, il y a deux méthodes principales de classification : la classification non-supervisée et la classification supervisée ; méthodes que nous présenterons ci-dessous.
a. Classification non-supervisée
Cette méthode est généralement utilisée lorsqu’on ne dispose que de peu d’informations sur lesdonnées et la région de l’étude. Les résultats d’une classificationn'ont de sens quesi lesclasses peuvent êtreconvenablement interprétées [Eastman,. 2003 ;Richards et Jia,. 2006]. La classification non-supervisée est effectuée automatiquement sur la base d’algorithmes et de seuil du rayonnement pour déterminer les groupes de pixels qui a la même valeur spectrale. Elle est réaliséele plus souventen utilisant les méthodesde regroupement. On affecte ensuite des classes thématiques aux groupes spectraux déterminés. La précision des résultats de cette méthode ne dépend que des algorithmes des logiciels utilisés [Eastman,. 2003 ; Babykalpana et ThanushKodi,. 2010]. Cependant, cette méthodepermet aussi aux utilisateurs de spécifiercertains paramètres pourdéceler des tendancesstatistiquesinhérentes aux données. Ces paramètres peuvent êtres le seuil du rayonnement, et le nombre de classes minimum et maximum [Richards et Jia,. 2006 ; Eastman,. 2003 ; Xiong Liu,. 2002]. L’avantage de la méthode de classification non-supervisée revient à son automatisme. Ellepermet de réduire le temps de calcul et fournit aussi des résultatstotalementimpartiaux.Différentes méthodes de classification non supervisées existent, mais on rencontre plus souvent deux méthodes : Isodata et K-Means[ITT Inc., 2008].
(1) Méthode ISODATA : cette méthode est basée sur la technique d’analyse itérativedes données. Elle autorise la fusion entre des nuages proches, la division d’un nuage à variance élevée et la suppression de nuage de petite taille dans le processus des itérations [Tou et Gonzalez, 1974]. Cette méthode calcule les moyennes de N classes et les distribue dans l’espace des données par les itérations successives. Elle va affecter les pixels restants aux centres de classes sur la base de leur distance minimum. A chaque itération, les moyennes de N classes sont recalculées et les pixels sont reclassés. Les calculs continueront jusqu’à ce que le taux de pixels changeant dans chaque classe soit inférieur au seuil fixé[ITT Inc,. 2008].
(2) Méthode K-Means : Pour appliquer cette méthode, il faut fixer le nombre de classes k a priori, avant toute analyse. On tire de façon aléatoire (uniforme) « k » centres de classes parmi les « n » individus. Ensuite, on affecte chacun des individus au centre le plus proche possible (au plus proche voisin) [Tou et Gonzalez, 1974]. Chaque centre est considéré comme le barycentre des groupes d’individus obtenus. Le « nouveau » centre d’une classe correspond au barycentre des individus appartenant à cette classe [ITT Inc,. 2008]
b. Classification supervisée
Cette méthode estla procédure la plussouvent utiliséepour l’analyse quantitativedesdonnéesde télédétection. On identifie sur l’image des surfaces assez homogènes représentatives des thèmes qu’on souhaite discriminer. Les signatures spectrales de ces surfaces serviront comme références pour classer l’ensemble de l’image en utilisant des algorithmes de classification appropries [Richards et Jia,. 2006]. La classification superviséeest basée surl'idéeque l'utilisateur peutdéfinir les pixelsd'échantillon de chaque catégorie dansune image. Ces échantillons sont considérés comme les pixels références pourla classificationde tous lesautres pixels de l'image [Eastman,. 2003]. L’avantage de cette méthode repose sur sa capacité à utiliser les connaissances de l’homme dans le processus de classification, ce qui laisse plus de souplesse pour l’amélioration des résultats. Cette méthode a cependant quelques inconvénients : un besoin humain important, la précision du résultat dépend de la connaissance des personnes qui effectuent la classification.
Dans la méthode de classification supervisée, la précision desrésultats obtenusdépend del'algorithme declassification car plusieurs algorithmes ont été développés et les données finales peuvent différer. Ainsi, le choixde l'algorithmedépendra dechaque classification ou d’un domaine spécifique. Afin de bien choisir un algorithme de classification, il est important d’évaluerla performancedes différents algorithmes de classification.
(1) Algorithme Parallélépipède(AP)
C’est une méthode de classificationsuperviséetrès simple. Elle se base sur l'inspectiondes histogrammes des canaux spectrauxindividuels des données des formations disponibles [Richards et Jia,. 2006]. Cependant, cette méthode présente certains inconvénients. Premièrement, elle ne peut pas classifier des pixels qui sont à l’extérieur desparallélépipèdes. Dexièmrement, il peut y avoirrecouvrement desparallélépipèdes par leséchantillons de différentes catégories. Par conséquent, ily a des échantillonsqui ne peuvent pasêtre séparés [Perumal,. 2010, Richards et Jia,. 2006].
(2) Distance Minimale (DMin)
L’algorithme DMin est basé surla détectionde la distancespectrale minimaleentre levecteur mesurédu pixelcandidat et levecteurmoyen de chaque échantillon. Ensuite, il affecte lepixel candidatà la classeayantla distance spectrale minimale. Ilest effectué en plaçantun pixel dansla classe qui estla plus prochedu vecteur moyen [Perumal,. 2010 ; Eastman,. 2003]. La classification par le DMinest fortement recommandée et est utiliséedans plusieurs applicationsde classification des images[Richards et Jia,. 2006].
(3) Angle Spectral (AS)
Cet algorithme est utilisépour comparer directementles spectresd'une imageà un spectre connu. Ilest une classificationspectraleà base physiquequi utiliseun angleà n-dimensionspour correspondre auxpixels des spectres de référence. Cet algorithmedéterminela similitudespectraleentre deux spectresen calculantl'angleentre les spectres, les traitant comme desvecteurs dans un espaceavecla dimensionnalitéégale au nombre debandes [Richards et Jia,. 2006 ; Perumal,. 2010].
(4) Réseau de Neurones Artificiel (RNA)
Le Réseau de Neurones Artificiel (RNA)est appliqué pour améliorerla précision de la classificationen raison de leurstructure distribuée[Yuan et al,. 2009; Zhou et Yang,.2008 ; Cetin et al,. 2004]. Le RNAa étéinitialement conçu pourla reconnaissance de formeet des outilsd'analyse de donnéesqui imitentle stockagede neuroneset les opérationsd'analysedu cerveau. Les approches du RNAont des avantages distinctspar rapport aux méthodesde classification statistiquecar ils sontnon-paramétriques et nécessitent peu ouaucune connaissance a prioridu modèle de distributiondes données d'entrée [Paola et Schowengerdt,. 1997]. Les autresavantages du RNAcomprennent le calcul parallèle, la capacité d'estimerla relationnon linéaire entrelesdonnées d'entréeet les résultats souhaités, et la capacité degénéralisationrapide [Yuan et al,. 2009].
(5) Distance de Mahalanobis (DMaha)
La distance de Mahalanobis est une directionsensibleclassificatrice à distancequi utiliseles statistiquespour chaque classe. La DMahaest basée surla règle de décisionde distanceminimalequi calculela distancespectraleentre levecteur de mesurepour le pixelcandidat et levecteur de lamoyenne pour chaque échantillon par utilisation des matrices de variance et de covariance [Campbell,. 2001 ; Perumal,. 2010 ; Richards et Jia,. 2006 ; Eastman,. 2003].
(6) Maximum de Vraisemblance (MV)
L’algorithme de MVest basé surla théorie des probabilitésbayésiennes ; ilest un des algorithmes le plusutilisés pour la classification supervisée[Eastman, 2003]. Ilutilise des échantillons pour déterminer les caractéristiques des catégories de l’occupation du sol, qui deviennent des centres dans l'espace multi-spectral. Autrement dit, au lieu d'affecter un vecteur spectral à la catégorie dont le centre de gravité est le plus proche, elle se base sur une analyse statistique de la distribution des vecteurs spectraux de l'échantillon pour définir des zones de probabilité équivalente autour de ces centres. La probabilité d'appartenance à chacune des classes est calculée pour chaque vecteur spectral et le vecteur est affecté à la classe pour laquelle la probabilité est la plus élevée. Un avantage considérable de cette méthode est qu'elle fournit pour chaque pixel, en plus de la classe à laquelle il a été affecté, un indice de certitude lié à ce choix.
La classification par maximum de vraisemblance est basée sur la règle de décision demaximum de vraisemblance de Bayes [Richards,. 1999 ; Bartelset Wei., 2006 ; Richards et Jia,. 2006]. Cette règle est traduitpar la formule (1) [Hasyim et

Kết quả (Việt) 1:

2.1 phân loại của nghề nghiệp của đất sử dụng quang phổ đa hình ảnh2.1.1 phương pháp phân loại của nghề nghiệp của đấtPhân loại nghề nghiệp của đất bằng cách sử dụng hình ảnh vệ tinh có thể được xem như là sự kết hợp giữa traitementd'image kỹ thuật số các etles phân loại để phân tích việc sử dụng đất kỹ thuật [Bektat và Goksen,. năm 2004]. Điều trị imagesest đạo diễn cho việc cải thiện chất lượng của việc phân loại là các quy tắc của ghi despixels của một hình ảnh của các lớp học bao gồm đất (loại) [đọc và Weng,. 2007]. Nhiều phương pháp được cung cấp và một số chẳng hạn như sự công nhận của lấy mẫu imageset phân tích được áp dụng. Sự hiểu biết performanced'uneclassificationdepend của dữ liệu, các phương pháp phân loại và những kinh nghiệm của các máy phân tích [Landgrebe,. 2002;] Smith. 2012]. vì vậy, phương pháp tối ưu của classificationpour bienaccomplir choisirune analyseurdoit một cụ thể nhiệm vụ, bởi vì một phương pháp không được áp dụng có hiệu quả cho việc phân loại trong mọi tình huống. Nó là đáng chú ý rằng mỗi phương pháp là chỉ phù hợp cho một vài đặc điểm của một hoặc một số imageset cho một số circonstancesde chaqueetude [Perumal, 2010]. Thật vậy, có hai phương pháp phân loại chính: unsupervised phân loại và phân loại giám sát; phương pháp chúng tôi sẽ trình bày dưới đây.a. phân loại không có giám sát Phương pháp này thường được sử dụng khi có rất ít thông tin về dữ liệu và khu vực nghiên cứu. Kết quả của một classificationn' cảm giác đóng gói các lớp học có thể etreconvenablement giải thích [Eastman,. 2003;] Richards và giả. năm 2006]. việc phân loại không có giám sát được thực hiện tự động trên cơ sở các thuật toán và ngưỡng bức xạ để xác định các nhóm điểm ảnh có cùng một giá trị quang phổ. Nó là realiseele thêm souventen bằng cách sử dụng các thủ tục kết cụm. Nó sau đó đặt ra các lớp chuyên đề xác định phổ cụm. Tính chính xác của các kết quả của phương pháp này phụ thuộc chỉ vào thuật toán được sử dụng phần mềm [Eastman,. 2003;] Babykalpana và ThanushKodi. 2010]. Tuy nhiên, này methodepermet cũng cho người dùng của specifiercertains tham số pourdeceler dữ liệu tendancesstatistiquesinherentes. Các thiết đặt này có thể là ngưỡng bức xạ, và số lượng lớp học tối thiểu và tối đa [Richards và Jia,. 2006;] Eastman. năm 2003; Sở hùng Liu. 2002]. ưu điểm của phương pháp phân loại không có giám sát trở về automatism của nó. Ellepermet để giảm thời gian tính toán và cũng cung cấp một số resultatstotalementimpartiaux. Phương pháp không có giám sát phân loại tồn tại, nhưng nói chung là hai phương pháp: Isodata và K-có nghĩa là [ITT Inc, 2008]. (1) phương pháp ISODATA: phương pháp này dựa trên kỹ thuật phân tích dữ liệu iterativedes. Nó cho phép việc sáp nhập giữa đám mây gần đó, sự phân chia từ một đám mây cao phương sai và đàn áp của đám mây của các kích thước nhỏ trong quá trình lặp đi lặp lại [Tou và Gonzalez, 1974]. Phương pháp này tính toán mức trung bình của các lớp học N và phân phối chúng trong không gian của dữ liệu bằng cách lặp đi lặp lại kế tiếp. Nó sẽ ảnh hưởng đến các trung tâm điểm ảnh còn lại của các lớp học dựa trên khoảng cách tối thiểu của họ. Tại mỗi lặp đi lặp lại, N lớp trung bình được tính toán lại và các điểm ảnh được xếp lại lớp. Các tính toán sẽ tiếp tục cho đến khi mức điểm ảnh thay đổi trong mỗi lớp học là ít hơn ngưỡng [ITT Inc,. 2008]. (2) phương pháp K-có nghĩa là: để áp dụng phương pháp này, nó phải thiết lập số lượng lớp học priori k, trước khi bất kỳ phân tích. Được rút ra ngẫu nhiên (thống nhất) 'k' Trung tâm của các lớp học trong số các cá nhân "n". Sau đó, nó ảnh hưởng đến mỗi cá nhân là có thể gần nhất (gần nhất hàng xóm) [Tou và Gonzalez, 1974]. Mỗi trung tâm được coi là centroid của các nhóm thu được. Trung tâm 'mới' của một lớp học tương ứng với centroid cá nhân thuộc lớp này [ITT Inc,. 2008]b. Giám sát phân loại Phương pháp này là việc sử dụng nhiều nhất thủ tục phân tích quantitativedesdonneesde viễn thám. Được xác định trên hình ảnh của các bề mặt khá đồng nhất đại diện của các chủ đề bạn muốn phân biệt đối xử. Các chữ ký quang phổ của các bề mặt sẽ được sử dụng như tài liệu tham khảo để phân loại hình ảnh toàn bộ bằng cách sử dụng các thuật toán phân loại thích hợp [Richards và Jia,. 2006]. Phân loại superviseeest dựa trên peutdefinir pixelsd người dùng ideeque' mẫu của mỗi thể loại hình ảnh dansune. Các mẫu là một được coi là tất cả các điểm ảnh trong hình ảnh điểm ảnh tài liệu tham khảo cho phân loại theObject [Eastman,. 2003]. Lợi thế của phương pháp này dựa trên khả năng của mình để sử dụng kiến thức của con người trong quá trình phân loại lá các linh hoạt hơn để cải thiện kết quả. Tuy nhiên, phương pháp này có một số nhược điểm: một nhu cầu của con người quan trọng, sự chính xác của kết quả phụ thuộc vào các kiến thức về những người tiến hành việc phân loại. Trong phương pháp phân loại giám sát, tính chính xác của kết quả obtenusdepend del' thuật toán declassification bởi vì một số thuật toán đã được phát triển và các dữ liệu cuối cùng có thể khác nhau. Vì vậy, sự lựa chọn algorithmedependra của mỗi phân loại hoặc từ một tên miền cụ thể. Để chọn một thuật toán phân loại, nó là quan trọng để đánh giá các thuật toán phân loại khác nhau performancedes. (1) thuật toán hình khối lục diện (AP) Nó là một phương pháp đơn giản của classificationsuperviseetres. Nó được dựa trên spectrauxindividuels inspectiondes của đào tạo cung cấp dữ liệu kênh histograms [Richards và Jia,. 2006]. Tuy nhiên, phương pháp này có một số nhược điểm. Đầu tiên, nó không thể phân loại điểm ảnh là bên ngoài desparallelepipedes. Dexiemrement, nó có thể y avoirrecouvrement desparallelepipedes bằng mẫu loại khác nhau. Vì vậy, có là một số echantillonsqui không thể được tách ra [Perumal,. 2010, Richards và Jia,. 2006].(2) khoảng cách tối thiểu (DMin)Thuật toán DMin dựa trên distancespectrale minimaleentre levecteur pixelcandidat và levecteurmoyen mỗi mẫu mức độ phát hiện. Sau đó nó đặt lepixel candidata classeayantla tối thiểu khoảng cách quang phổ. Nó được thực hiện trong placantun điểm ảnh dansla lớp mà là thêm trung bình là vector prochedu [Perumal,. 2010;] Eastman. 2003]. việc phân loại bởi DMinest cao được đề nghị và được sử dụng một số hình ảnh phân loại usmilitary [Richards và Jia,. 2006]. (3) quang phổ góc (AS)Thuật toán này là sử dụng so sánh directementles spectresd' một hình ảnh một phổ được biết đến. Nó là một cơ sở classificationspectralea có utiliseun góc n-dimensionspour phù hợp với auxpixels của quang phổ tham khảo. Này similitudespectraleentre algorithmedeterminela hai spectresen calculantl'angleentre các quang phổ, điều trị cho họ như là desvecteurs trong một dimensionnaliteegale espaceavecla với số sọc [Richards và Jia,. 2006;] Perumal. 2010].(4) mạng lưới các tế bào thần kinh nhân tạo (NAS)Mạng nơ-ron nhân tạo (RNA) được áp dụng cho độ chính xác tốt hơn trong những lý do cho leurstructure phân phối classificationen [nguyên và ctv. 2009;] Chu và Yang,. năm 2008. Cetin và al. năm 2004]. eteinitialement RNAa được thiết kế cho theObject công nhận formeet của administrativetools 'phân tích của donneesqui imitentle stockagede neuroneset operationsd ' phân tích não. Phương pháp tiếp cận để RNAont distinctspar báo cáo cho lợi ích roadmapping statistiquecar phân loại họ tham số sontnon và yêu cầu ít ouaucune kiến thức prioridu mô hình dữ liệu distributiondes của mục [Paola và Schowengerdt,. 1997]. Song song máy tính, khả năng estimerla relationnon RNAcomprennent autresavantages tuyến tính entrelesdonnees của entreeet kết quả mong muốn, và khả năng degeneralisationrapide [nguyên và ctv. 2009]. (5) khoảng cách Mahalanobis (DMaha)La distance de Mahalanobis est une directionsensibleclassificatrice à distancequi utiliseles statistiquespour chaque classe. La DMahaest basée surla règle de décisionde distanceminimalequi calculela distancespectraleentre levecteur de mesurepour le pixelcandidat et levecteur de lamoyenne pour chaque échantillon par utilisation des matrices de variance et de covariance [Campbell,. 2001 ; Perumal,. 2010 ; Richards et Jia,. 2006 ; Eastman,. 2003]. (6) Maximum de Vraisemblance (MV)L’algorithme de MVest basé surla théorie des probabilitésbayésiennes ; ilest un des algorithmes le plusutilisés pour la classification supervisée[Eastman, 2003]. Ilutilise des échantillons pour déterminer les caractéristiques des catégories de l’occupation du sol, qui deviennent des centres dans l'espace multi-spectral. Autrement dit, au lieu d'affecter un vecteur spectral à la catégorie dont le centre de gravité est le plus proche, elle se base sur une analyse statistique de la distribution des vecteurs spectraux de l'échantillon pour définir des zones de probabilité équivalente autour de ces centres. La probabilité d'appartenance à chacune des classes est calculée pour chaque vecteur spectral et le vecteur est affecté à la classe pour laquelle la probabilité est la plus élevée. Un avantage considérable de cette méthode est qu'elle fournit pour chaque pixel, en plus de la classe à laquelle il a été affecté, un indice de certitude lié à ce choix.La classification par maximum de vraisemblance est basée sur la règle de décision demaximum de vraisemblance de Bayes [Richards,. 1999 ; Bartelset Wei., 2006 ; Richards et Jia,. 2006]. Cette règle est traduitpar la formule (1) [Hasyim et

Kết quả (Việt) 2:

2.1. Phân loại che phủ đất bằng cách sử dụng hình ảnh đa phổ
2.1.1. Độ che phủ đất phương pháp phân loại
Phân loại che phủ đất bằng cách sử dụng các hình ảnh vệ tinh có thể được xem sự kết hợp của commeune traitementd'image kỹ thuật số andthe kỹ thuật phân loại để phân tích sử dụng đất [và Bektat Goksen,. 2004]. Việc điều trị imagesest thực hiện để cải thiện chất lượng của nó trong khi phân loại là despixels giải unprocessus một lớp imageà (loại) sử dụng đất [và Lu Weng,. 2007].
Nhiều phương pháp được đề xuất và một số ví dụ như phân tích của công nhận imageset lấy mẫu được áp dụng. Sự hiểu biết performanced'uneclassificationdépend của dữ liệu, phương pháp phân loại và kinh nghiệm của các phân tích [Landgrebe,. 2002; Smith,. 2012]. Vì vậy, các phương pháp tối ưu của analyseurdoit classificationpour choisirune bienaccomplir một nhiệm vụ cụ thể, bởi vì một phương pháp có thể không được áp dụng hiệu quả cho việc phân loại trong mọi tình huống. Lưu ý rằng mỗi phương pháp là chỉ thích hợp cho một số caractéristiquesd'une hoặc imageset nhất định cho một vài chaqueétude circonstancesde [Perumal, 2010]. Thật vậy, có hai phương pháp chính của phân loại: phân loại có giám sát và phân loại có giám sát; phương pháp mà chúng tôi trình bày dưới đây.
a. Phân loại không có giám sát
Phương pháp này thường được sử dụng khi chỉ có ít thông tin về lesdonnées và khu vực nghiên cứu. Các kết quả của một ý thức classificationn'ont thatif lesclasses thể êtreconvenablement giải thích [Eastman,. 2003; Richards và Jia,. 2006]. Phân loại không giám sát được thực hiện tự động trên cơ sở các thuật toán và ngưỡng bức xạ để xác định các nhóm điểm ảnh có giá trị phổ cùng. Nó là réaliséele hơn souventen sử dụng đoàn tụ méthodesde. Sau đó gán các lớp phổ quyết các nhóm chuyên đề. Độ chính xác của phương pháp này chỉ phụ thuộc vào các thuật toán phần mềm được sử dụng [Eastman,. 2003; Babykalpana và ThanushKodi,. 2010]. Tuy nhiên, điều này cũng méthodepermet người dùng spécifiercertains thông số pourdéceler tendancesstatistiquesinhérentes của dữ liệu. Các thông số này có thể là ngưỡng bức xạ, và số lượng các lớp học tối thiểu và tối đa [Richards và Jia,. 2006; Eastman,. 2003; Xiong Liu,. 2002]. Ưu điểm của phương pháp phân loại không giám sát trở về tự động hóa của nó. Ellepermet giảm thời gian tính toán và cũng cung cấp các phương pháp phân nhóm résultatstotalementimpartiaux.Différentes không có giám sát tồn tại, nhưng chúng ta thường gặp phải hai phương pháp ISODATA và K-Means [ITT Inc., 2008].
(1) Phương pháp ISODATA: Phương pháp này được dựa trên kỹ thuật phân tích các dữ liệu itérativedes. Nó cho phép sáp nhập giữa các đám mây gần chia một phương sai cao trong đám mây và loại bỏ các đám mây nhỏ trong quá trình lặp đi lặp lại [Tou và Gonzalez, 1974]. Phương pháp này tính trung bình cộng của lớp N và phân phối chúng trong không gian dữ liệu bằng cách lặp đi lặp lại liên tiếp. Nó sẽ ảnh hưởng đến các điểm ảnh còn lại để các trung tâm cụm trên cơ sở khoảng cách tối thiểu. Tại mỗi lần lặp, tầng lớp trung lưu của N được tính toán lại và các điểm ảnh được phân loại lại. Các tính toán tiếp tục cho đến khi tỷ lệ điểm ảnh thay đổi trong mỗi lớp là ít hơn so với ngưỡng [ITT Inc,. 2008].
(2) Phương pháp K-Means: Đối với phương pháp này, bạn phải xác định số lượng các lớp ka tiên, trước khi bất kỳ phân tích. Là rút ra ngẫu nhiên (thống nhất) "k" trung tâm cụm trong số các "n" cá nhân. Sau đó, mỗi cá nhân được giao cho trung tâm gần nhất có thể (hàng xóm gần nhất) [Tou và Gonzalez, 1974]. Mỗi trung tâm được coi là trung tâm của lực hấp dẫn của một nhóm cá nhân thu được. Các trung tâm "mới" của một lớp học tương ứng với trọng tâm của các cá nhân thuộc lớp này [ITT Inc,. 2008]
b. Phân loại có giám sát
phương pháp này Estla thủ tục plussouvent utiliséepour quantitativedesdonnéesde phân tích viễn thám. Nó xác định các hình ảnh bề mặt tương đối đồng nhất chủ đề đại diện chúng tôi muốn phân biệt đối xử. Các dấu hiệu phổ của các bề mặt này phục vụ như là tài liệu tham khảo để phân loại toàn bộ hình ảnh bằng cách sử dụng các thuật toán phân loại thích hợp [Richards và Jia,. 2006]. Việc phân loại dựa superviséeest dùng surl'idéeque peutdéfinir các pixelsd'échantillon mỗi hình ảnh ina loại. Những mẫu này được coi là các điểm ảnh tham khảo forthe lesautres classificationde tất cả các pixel của hình ảnh [Eastman,. 2003]. Ưu điểm của phương pháp này là khả năng sử dụng kiến thức của con người trong quá trình phân loại, trong đó lá linh hoạt hơn để kết quả được cải thiện. Tuy nhiên, phương pháp này có một số nhược điểm: một nhu cầu của con người quan trọng, tính chính xác của kết quả phụ thuộc vào kiến thức của những người thực hiện việc phân loại.
Trong phương pháp phân loại có giám sát, độ chính xác desrésultats obtenusdépend giải mật del'algorithme như một số thuật toán đã được phát triển và Dữ liệu cuối cùng có thể khác nhau. Như vậy, việc phân loại dechaque choixde algorithmedépendra hoặc một khu vực cụ thể. Để chọn một thuật toán phân loại, điều quan trọng là để évaluerla performancedes thuật toán phân loại khác nhau.
(1) Thuật toán -hình (AP)
Đây là một phương pháp đơn giản của classificationsuperviséetrès. Nó được dựa trên biểu đồ của inspectiondes spectrauxindividuels kênh dữ liệu đào tạo có sẵn [Richards và Jia,. 2006]. Tuy nhiên, phương pháp này có nhược điểm nhất định. Đầu tiên, nó không thể phân loại các điểm ảnh được desparallélépipèdes bên ngoài. Dexièmrement, nó có thể được avoirrecouvrement desparallélépipèdes leséchantillons theo thể loại khác nhau. Do đó đình có pasêtre échantillonsqui không thể tách rời [Perumal,. 2010, Richards và Jia,. 2006].
(2) Khoảng cách tối thiểu (Đmin-)
Các thuật toán dựa DMIN Surla détectionde các distancespectrale minimaleentre levecteur mesurédu pixelcandidat và levecteurmoyen của mỗi mẫu. Sau đó, nó ảnh hưởng đến lepixel Candidata classeayantla khoảng cách quang phổ tối thiểu. Itis thực hiện trong plaçantun lớp điểm ảnh dansla Estla hơn prochedu nghĩa vector [Perumal,. Năm 2010; Eastman,. 2003]. Việc phân loại bởi rất khuyến khích và là DMinest utiliséedans nhiều applicationsde phân loại hình ảnh [Richards và Jia,. 2006].
(3) Spectral Góc (AS)
Thuật toán này là utilisépour so sánh directementles spectresd'une imageà một phổ biết. Itis một cơ sở auxpixels classificationspectraleà physiquequi utiliseun Anglea n-dimensionspour hợp phổ tham khảo. Algorithmedéterminela này similitudespectraleentre hai spectresen calculantl'angleentre phổ, đối xử với họ như một desvecteurs dimensionnalitéégale espaceavecla tan rã vào số [Richards và Jia,. 2006; Perumal,. 2010].
(4) Artificial Neural Network (ANN)
Artificial Neural Network (ANN) được áp dụng cho chính xác améliorerla classificationen leurstructure do phân phối [Yuan et al,. 2009; Zhou và Yang, 0,2008; Cetin et al,. 2004]. Các étéinitialement RNAa thiết kế forthe nhận formeet outilsd'analyse của donnéesqui imitentle stockagede neuroneset opérationsd'analysedu não. Phương pháp tiếp cận để RNAont lợi thế so với distinctspar méthodesde phân loại statistiquecar họ sontnon tham số và đòi hỏi ít kiến thức có ouaucune prioridu distributiondes dữ liệu đầu vào mô hình [Paola và Schowengerdt,. 1997]. Các autresavantages RNAcomprennent của tính toán song song, công suất tuyến tính relationnon estimerla của entrelesdonnées entréeet kết quả mong muốn, và khả năng degénéralisationrapide [Yuan et al,. 2009].
(5) Mahalanobis khoảng cách (DMaha)
Khoảng cách Mahalanobis là một directionsensibleclassificatrice để distancequi utiliseles statistiquespour mỗi lớp. Các quy tắc Surla DMahaest dựa décisionde distanceminimalequi calculela distancespectraleentre levecteur của mesurepour các pixelcandidat và levecteur của lamoyenne cho mỗi mẫu bằng cách sử dụng các phương sai và hiệp phương sai ma trận [Campbell,. Năm 2001; Perumal,. Năm 2010; Richards và Jia,. 2006; Eastman,. 2003].
(6) Khả năng tối đa (ML)
Các thuật toán dựa MVest Surla probabilitésbayésiennes lý thuyết; Itis một trong những thuật toán plusutilisés phân loại có giám sát [Eastman, 2003]. Mẫu Ilutilise để xác định các đặc tính của các loại sử dụng đất, mà trở thành trung tâm trong không gian đa phổ. Nói cách khác, thay vì việc gán một vector phổ để các loại trung tâm của lực hấp dẫn mà gần, nó được dựa trên một phân tích thống kê về sự phân bố của các vectơ phổ mẫu ​​để xác định các khu vực xung quanh xác suất bằng nhau các trung tâm này. Xác suất thuộc về mỗi lớp được tính cho mỗi vector quang phổ và các vector được gán cho các lớp mà xác suất cao nhất. Một lợi thế quan trọng của phương pháp này là nó cung cấp cho mỗi pixel, ngoài các lớp học mà ông được giao, chỉ số chắc chắn liên quan đến sự lựa chọn đó.
Việc phân loại khả năng tối đa dựa trên các quy tắc quyết định demaximum Khả năng Bayes [Richards,. Năm 1999; Bartelset Wei, 2006. Richards và Jia,. 2006]. Quy luật này là công thức traduitpar (1) [và Hasyim