Comparaison entre les méthodes J-SEG et MEANSHIFT : application sur des données THRS

Résumé

L'avènement des données à Très Haute Résolution Spatiale (THRS) rend les méthodes de classification basées pixels inadéquates. En effet, la résolution spatiale fine offerte par ces capteurs engendre une forte variabilité intra-classes. Afin de pallier cette carence, les méthodes de classification actuelles visent à traiter non pas le pixel individuellement mais à opérer sur les objets (ensemble de pixels) qui composent l'image, on parle alors de classification orientée objets. Généralement, elles sont composées de trois étapes : (1) Segmentation; (2) Caractérisation des objets; et enfin (3) La classification.
Dans ce travail, on s'intéresse seulement à la segmentation des données à THRS à travers deux algorithmes de segmentation d'images couleur à savoir: l'algorithme J-SEG et l'algorithme MeanShift. Une étude comparative entre les deux algorithmes a été conduite à la fois sur des données synthétiques et des données réelles acquises par le satellite QuickBird sur une région urbaine de la ville d'Alger (Algérie). L'analyse quantitative des résultats de segmentation en utilisant les critères d'évaluation non supervisés de Levin-Nazif et de Borsotti ainsi qu'une évaluation supervisée basée sur un ensemble de référence montre que la segmentation obtenue par l'algorithme MeanShift est meilleure que celle obtenue par l'algorithme J-Seg. Une seconde comparaison a été menée entre l'algorithme MeanShift et la méthode de segmentation multi-échelles implémentée dans le logiciel ENVI Zoom 4.5. Les résultats comparatifs laissent apparaitre l'efficacité de l'algorithme MeanShift.