I.1.4.2 Rehaussement et transformation
Le rehaussement est appliqué afin d'améliorer
l'apparence d'une image pour faciliter son interprétation visuelle. Dans
une image brute, les informations utiles sont souvent contenues dans un
ensemble restreint de valeurs numériques parmi les valeurs possibles
(256 dans le cas de données à 8 bits). Le rehaussement des
contrastes se fait en changeant les valeurs initiales de façon à
utiliser toutes les valeurs possibles, ce qui permet d'augmenter le contraste
entre les cibles et leur environnement.
La transformation d'images est un procédé qui
implique la manipulation de plusieurs bandes de données, que ce soit
pour transformer une image provenant d'un capteur multispectral ou pour
transformer plusieurs images de la même région prises à des
moments différents (données multitemporelles). La transformation
d'images génère une "nouvelle" image en combinant les
différentes sources d'information de manière à rehausser
certaines caractéristiques ou certaines propriétés des
données qui sont moins évidentes dans l'image originale.
I.1.4.3 Classification et analyse
L'étape de classification a pour but d'assigner une
classe particulière ou thème (par exemple : eau, forêt de
conifères, maïs, blé, etc.) à chacun des pixels d'une
image. Il existe deux types de classification : manuelle et automatique.
On peut classer les méthodes de classification en deux
grandes catégories : les méthodes de classification
supervisée et les méthodes de classification non
supervisée. Une classification supervisée commence par
l'identification des classes d'information qui sont ensuite utilisées
pour définir les classes spectrales qui les représentent. Avec
cette méthode de classification, l'analyste identifie des
échantillons assez homogènes de l'image qui sont
représentatifs de différents types de surfaces (classes
d'information). Ces échantillons forment un ensemble de
données-tests. La sélection de ces données-tests est
basée sur les connaissances de l'analyste, sa familiarité avec
les régions géographiques et les types de surfaces
présents dans l'image. L'analyste supervise donc la classification d'un
ensemble spécifique de classes. Les informations numériques pour
chacune des bandes et pour chaque pixel de ces ensembles sont utilisées
pour que l'ordinateur puisse définir les classes et ensuite
reconnaître des régions aux propriétés similaires
à chaque classe. Avec la méthode de classification non
supervisée, les classes spectrales sont formées en premier,
basées sur l'information numérique des données seulement.
Ces classes sont ensuite associées, par un analyste, à des
classes d'information utile (si possible). Des programmes appelés
algorithmes de classification sont utilisés pour déterminer les
groupes statistiques naturels ou les structures des données.
Habituellement, l'analyste spécifie le nombre de groupes ou classes qui
seront formés avec les données. De plus, l'analyste peut
spécifier certains paramètres relatifs à la distance entre
les classes et la variance à l'intérieur même d'une classe.
Le résultat final de ce processus de classification itératif peut
créer des classes que l'analyste voudra combiner, ou des classes qui
devraient être séparées de nouveau. Chacune de ces
étapes nécessite une nouvelle application de l'algorithme.
L'intervention humaine n'est donc pas totalement exempte de la classification
non supervisée. Cependant, cette méthode ne commence pas avec un
ensemble prédéterminé de classes comme pour la
classification supervisée.
| 
