Unsupervised classification is where the outcomes (groupings of pixels with common

characteristics) are based on the software analysis of an image without the user providing sample
classes. The computer uses techniques to determine which pixels are related and groups them into
classes. The user can specify which algorism the software will use and the desired number of output
classes but otherwise does not aid in the classification process. However, the user must have
knowledge of the area being classified when the groupings of pixels with common characteristics
produced by the computer have to be related to actual features on the ground (such as wetlands,
developed areas, coniferous forests, etc.).
Supervised classification is based on the idea that a user can select sample pixels in an image
that are representative of specific classes and then direct the image processing software to use these
training sites as references for the classification of all other pixels in the image. Training sites (also
known as testing sets or input classes) are selected based on the knowledge of the user. The user also
sets the bounds for how similar other pixels must be to group them together. These bounds are often
set based on the spectral characteristics of the training area, plus or minus a certain increment (often
based on “brightness” or strength of reflection in specific spectral bands). The user also designates
the number of classes that the image is classified into. Many analysts use a combination of supervised
and unsupervised classification processes to develop final output analysis and classified maps.

***La classification supervisée repose sur l'idée qu'un utilisateur peut sélectionner des échantillons
de pixels dans une image qui sont représentatifs de classes spécifiques, puis demander au logiciel de
traitement d'images d'utiliser ces sites d'apprentissage comme références pour la classification de
tous les autres pixels de l'image. Les sites d'apprentissage (également appelés ensembles de test ou
classes d'entrée) sont sélectionnés en fonction des connaissances de l'utilisateur. L'utilisateur fixe
également les limites de la similarité des autres pixels pour les regrouper.
les regrouper. Ces limites sont souvent fixées sur la base des caractéristiques spectrales de la zone
d'apprentissage, plus ou moins un certain incrément (souvent basé sur la "luminosité" ou la force de
réflexion dans des bandes spectrales spécifiques). L'utilisateur désigne également le nombre de
classes dans lesquelles l'image est classée. De nombreux analystes utilisent une combinaison de
processus de classification supervisée et non supervisée pour développer une analyse de sortie finale
et des cartes classifiées.

1. Classification des distances minimales

Pour la classification supervisée, ces groupes sont formés par des valeurs de pixels dans les champs
d’apprentissage définis par l’analyste. Chaque cluster peut être représenté par son centroïde,
souvent défini comme sa valeur moyenne. Comme les pixels non attribués sont considérés pour
l’affectation à l’une des différentes classes, la distance multidimensionnelle à chaque centroïde de
cluster est calculée, et le pixel est ensuite affecté au cluster le plus proche. Ainsi, la classification
procède en utilisant toujours la « distance minimale » d’un pixel donné à un centroïde d’amas
défini par les données d’apprentissage comme la manifestation spectrale d’une classe
informationnelle. Les classificateurs de distance minimale sont directs dans leur conception et dans
leur mise en œuvre, mais ne sont pas largement utilisés dans les travaux de télédétection. Dans sa
forme la plus simple, la classification des distances minimales n’est pas toujours précise; Il n’y a
aucune disposition pour tenir compte des différences de variabilité des classes, et certaines classes
peuvent se chevaucher à leurs bords. Il est possible de concevoir des versions plus sophistiquées
de l’approche de base qui vient d’être décrite en utilisant différentes mesures de distance et
différentes méthodes de définition des centroïdes de cluster. [1]]

1. Classification parallélépipédique

La classification parallélépipède, parfois également connue sous le nom de règle de décision de

boîte ou de procédures de tranche de niveau, est basée sur les plages de valeurs dans les données
d’apprentissage pour définir des régions dans un espace de données multidimensionnel. Les
valeurs spectrales des pixels non classés sont projetées dans l’espace de données; Ceux qui se
 situent dans les régions définies par les données de formation sont classés dans les catégories
appropriées [1]. Dans cette méthode, un sous-espace de type parallélépipède (c’est-à-dire hyper-
rectangle) est défini pour chaque classe. En utilisant les données d’apprentissage pour chaque
classe, les limites du sous-espace parallélépipédique peuvent être définies soit par les valeurs
minimales et maximales de pixels dans la classe donnée, soit par un certain nombre d’écarts-types
de part et d’autre de la moyenne des données d’entraînement pour la classe donnée. Les pixels
situés à l’intérieur des parallélépipèdes sont étiquetés dans cette classe. La figure illustre ce critère
dans les cas d’espace d’entités bidimensionnel[4].

1. Classification du maximum de vraisemblance

La procédure du maximum de vraisemblance (ML) est la méthode supervisée la plus couramment

utilisée avec la télédétection. Il peut être décrit comme une approche statistique de la
reconnaissance de formes où la probabilité qu’un pixel appartienne à chacune des classes
prédéfinies est calculée; par conséquent, le pixel est affecté à la classe avec la probabilité la plus
élevée [4]MLC est basé sur la formule de probabilité bayésienne.

Techniques avantage désavantage

Rapide et simple, les calculs sont effectués, réduisant ainsi le Puisque les parallélépipèdes ont des coins,Les pixels qui
traitement sont en fait assez éloignés, spectralement, de la
Parallélépipède Ne dépend pas des distributions normales. moyenne de la signature peuvent être classés
• Chevauchement des classes
• Pixels non classés

Étant donné que chaque pixel est spectralement plus Pixels qui ne devraient pas être classés, ce problème est
proche d’une moyenne d’échantillon ou d’une autre, il n’y a atténué en seuillant les pixels les plus éloignés des
Classification pas de pixels non classés. Règle de décision la plus rapide à moyennes de leurs classes.Ne tient pas compte de la
des distances calculer, à l’exception du parallélépipède variabilité des classes
minimales
 Le plus précis des classificateurs En classification. Une équation étendue qui prend beaucoup de temps à
calculer La probabilité maximale est paramétrique, ce
 Prend en compte la variabilité des classes
Probabilité qui signifie qu’il repose fortement sur une distribution
maximale  en compte en utilisant la matrice de covariance anormale des données dans chaque bande d’entrée

 Fondation sur une base théorique bien  Beaucoup de multiplication et

développé additions.

Classification de Bayes :

La règle de décision MLC est basée sur une estimation normalisée (gaussienne) de la fonction de
densité de probabilité de chaque classe [8]. Par conséquent, sous cette hypothèse et en utilisant le
vecteur moyen avec la matrice de covariance, la distribution d’un modèle de réponse de catégorie
peut être complètement décrite [9]. Compte tenu de ces paramètres, la probabilité statistique
d’une valeur de pixel donnée peut être calculée pour être membre d’une classe particulière. Le
pixel serait affecté à la classe avec la valeur de probabilité la plus élevée ou serait étiqueté «
inconnu » si les valeurs de probabilité sont toutes inférieures à un seuil défini par l’utilisateur [10].