[ Caractérisation de l’état de surface terrestre par une classification non supervisée basée sur la fusion d’informations : Cas des surfaces végétalisées, aquatiques et minérales ]
Volume 24, Issue 3, October 2018, Pages 1178–1192
Jean Claude Okaingni1, Sié OUATTARA2, and Alain CLEMENT3
1 Institut National Polytechnique Félix Houphouët-Boigny (INP-HB), Département des Sciences de la Terre et des Ressources Minières (STeRMi), Laboratoire du Génie Civil, des Géosciences et des Sciences Géographiques, BP 1093 Yamoussoukro, Côte d'Ivoire
2 RMI Electricité et électricité appliquées, Institut National Polytechnique Felix Houphouët-Boigny (INP-HB), Côte d’Ivoire
3 Laboratoire Angevin de Recherche en Ingénierie des Systèmes (LARIS), Institut Universitaire de Technologie (IUT), Université d’Angers, France
Original language: French
Copyright © 2018 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
In this paper, we propose an unsupervised classification scheme based on the Dempster-Shafer Theory (DST) and the Dezert-Smarandache Theory (DSmT) to characterize vegetated, aquatic and mineral surfaces. From pre-processed ASTER satellite images (georeferencing, geometric correction and 15 m re-sampling), neo-channels were produced by determining the spectral indices NDVI, MNDWI and NDBaI, considered as sources of information for classification of a given pixel. Then, we modeled respectively the formalisms of the DST and the DSmT and we realized the algorithms and related codes that we implemented in the MATLAB environment. Our contribution lies in taking into account the imperfections (inaccuracies and uncertainties) linked to source information through the use of mass functions based on a simple Gaussian distribution support model in order to model each focal element independently of the others and to evaluate the belonging of a pixel to a class with respect to the majority of elements representing said class. The resulting results show that the DST approach is relatively satisfactory for the unsupervised classification of mineral surfaces and aquatic surfaces while it is not satisfactory for vegetated surfaces according to all proposed models. As for the DSmT, it presents satisfactory results for all the models proposed. The model with the exclusion integrity constraint E (Intersection) V (Intersection) M= Phi was selected as the best model because having, in addition to an average rate of well-graded pixels of 93.34%, a compliance rate of 96, 37% with the terrain higher than those of the other models implemented.
Author Keywords: Unsupervised classification, Fusion, DST, DSmT, Aster satellite images, NDVI, MNDWI, NDBaI, PCR5.
Volume 24, Issue 3, October 2018, Pages 1178–1192
Jean Claude Okaingni1, Sié OUATTARA2, and Alain CLEMENT3
1 Institut National Polytechnique Félix Houphouët-Boigny (INP-HB), Département des Sciences de la Terre et des Ressources Minières (STeRMi), Laboratoire du Génie Civil, des Géosciences et des Sciences Géographiques, BP 1093 Yamoussoukro, Côte d'Ivoire
2 RMI Electricité et électricité appliquées, Institut National Polytechnique Felix Houphouët-Boigny (INP-HB), Côte d’Ivoire
3 Laboratoire Angevin de Recherche en Ingénierie des Systèmes (LARIS), Institut Universitaire de Technologie (IUT), Université d’Angers, France
Original language: French
Copyright © 2018 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
In this paper, we propose an unsupervised classification scheme based on the Dempster-Shafer Theory (DST) and the Dezert-Smarandache Theory (DSmT) to characterize vegetated, aquatic and mineral surfaces. From pre-processed ASTER satellite images (georeferencing, geometric correction and 15 m re-sampling), neo-channels were produced by determining the spectral indices NDVI, MNDWI and NDBaI, considered as sources of information for classification of a given pixel. Then, we modeled respectively the formalisms of the DST and the DSmT and we realized the algorithms and related codes that we implemented in the MATLAB environment. Our contribution lies in taking into account the imperfections (inaccuracies and uncertainties) linked to source information through the use of mass functions based on a simple Gaussian distribution support model in order to model each focal element independently of the others and to evaluate the belonging of a pixel to a class with respect to the majority of elements representing said class. The resulting results show that the DST approach is relatively satisfactory for the unsupervised classification of mineral surfaces and aquatic surfaces while it is not satisfactory for vegetated surfaces according to all proposed models. As for the DSmT, it presents satisfactory results for all the models proposed. The model with the exclusion integrity constraint E (Intersection) V (Intersection) M= Phi was selected as the best model because having, in addition to an average rate of well-graded pixels of 93.34%, a compliance rate of 96, 37% with the terrain higher than those of the other models implemented.
Author Keywords: Unsupervised classification, Fusion, DST, DSmT, Aster satellite images, NDVI, MNDWI, NDBaI, PCR5.
Abstract: (french)
Dans ce papier, nous proposons une démarche de classification non supervisée fondée sur la théorie de Dempster-Shafer (TDS) et la théorie de Dezert-Smarandache pour caractériser les surfaces végétalisées, aquatiques et minérales. A partir d’images satellitaires ASTER prétraités (géo-référencement, correction géométrique et rééchantillonnage à 15 m), des néo-canaux ont été produits par détermination des indices spectraux NDVI, MNDWI et NDBaI, considérés comme les sources d’informations pour la classification d’un pixel donné. Puis, il a été modélisé respectivement les formalismes de la DST et de la DSmT, et implémenté les algorithmes et codes réalisés sous l’environnement MATLAB. Notre contribution réside dans la prise en compte des imperfections (imprécisions et incertitudes) liées aux informations des sources par l’utilisation de fonctions de masse fondées sur un modèle de support simple à distribution gaussienne afin de modéliser chaque élément focal indépendamment des autres et d’évaluer l’appartenance d’un pixel à une classe par rapport à la majorité des éléments représentant ladite classe. Les résultats qui en découlent montrent que l’approche selon la DST est relativement satisfaisante pour la classification non supervisée des surfaces minérales et des surfaces aquatiques tandis qu’elle ne l’est pas pour les surfaces végétalisées selon tous les modèles proposés. Quant à la DSmT, elle présente des résultats satisfaisants pour tous les modèles proposés. Le modèle avec la contrainte d’intégrité d’exclusion E (Intersection) V (Intersection) M= Phi a été retenu comme le meilleur modèle parce que présentant, outre un taux moyen de pixels bien classés de 93,34%, un taux de conformité de 96,37% avec le terrain supérieur à ceux des autres modèles implémentés.
Author Keywords: Classification non supervisée, Fusion, DST, DSmT, images satellitaires Aster, NDVI, MNDWI, NDBaI, PCR5.
How to Cite this Article
Jean Claude Okaingni, Sié OUATTARA, and Alain CLEMENT, “Characterization of the Earth's surface state by unsupervised classification based on information fusion : Case of vegetated, aquatic and mineral surfaces,” International Journal of Innovation and Applied Studies, vol. 24, no. 3, pp. 1178–1192, October 2018.
