Performance et limites des logiciels de traitement d’images satellitaires dans le contexte ouest-africain : une comparaison entre ENVI, ERDAS Imagine et Orfeo ToolBox (OTB)
Abstract
Cet article présente une analyse comparative de trois logiciels majeurs de télédétection (ENVI, ERDAS Imagine et Orfeo ToolBox) utilisés pour la classification supervisée d’images satellitaires dans le cadre de la cartographie de l’occupation du sol et d’utilisation des terres. L’objectif est d’évaluer leurs performances respectives en tenant compte des approches méthodologiques, des fonctionnalités, ainsi que des avantages et limites de chaque outil au Mali.
La méthodologie repose sur une double approche combinant une revue de la littérature et une analyse expérimentale basée sur le traitement d’images Landsat 8 OLI acquises en 2024 et appliquées à la commune de Doumanaba, dans la région de Sikasso (Mali). La classification supervisée a été réalisée à l’aide de l’algorithme du maximum de vraisemblance sous ENVI et ERDAS Imagine, et de l’algorithme Support Vector Machine (SVM) sous OTB. L’évaluation de la précision des résultats s’appuie sur les matrices de confusion, la précision globale et l’indice de Kappa.
Les résultats mettent en évidence des différences significatives entre les logiciels. OTB se distingue par une meilleure discrimination des classes et une réduction des confusions spectrales, avec une précision globale de 0,94 et un indice de Kappa de 0,91, contre 0,89 et 0,87 pour ERDAS Imagine, et 0,87 et 0,85 pour ENVI. Bien que les trois outils produisent des résultats satisfaisants, OTB apparaît comme le plus performant dans le contexte étudié.
Le choix du logiciel dépend des objectifs, des moyens disponibles et de l’expertise de l’utilisateur. OTB est une solution gratuite et efficace pour la cartographie thématique et la recherche scientifique.
This article presents a comparative analysis of three major remote sensing software packages (ENVI, ERDAS Imagine, and Orfeo ToolBox) used for supervised classification of satellite imagery in the context of land use and land cover mapping. The objective is to assess their respective performance by considering methodological approaches, functionalities, as well as the advantages and limitations of each tool.
The methodology is based on a dual approach combining a literature review and an experimental analysis using Landsat 8 OLI imagery acquired in 2024 and applied to the municipality of Doumanaba in the Sikasso region (Mali). Supervised classification was carried out using the Maximum Likelihood algorithm in ENVI and ERDAS Imagine, and the Support Vector Machine (SVM) algorithm in OTB. Classification accuracy was evaluated using confusion matrices, overall accuracy, and the Kappa index.
The results reveal significant differences among the software packages. OTB stands out for its superior class discrimination and reduced spectral confusion, achieving an overall accuracy of 0.94 and a Kappa index of 0.91, compared to 0.89 and 0.87 for ERDAS Imagine, and 0.87 and 0.85 for ENVI. Although all three tools produced satisfactory results, OTB proved to be the most effective in the study context.
The choice of software depends on the objectives, available resources, and user expertise. OTB is a free and efficient solution for thematic mapping and scientific research.
Downloads
Metrics
References
2. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
3. Benfouga, S., Niculescu, S., Mihoubi, K. M., Belkessa, R., Rami, A., & Rabehi, W. (2020). Étude comparative des méthodes de classification pixel par pixel et orientée objet pour la détection et l’extraction automatique du trait de côte : Cas du secteur côtier de Mostaganem (Ouest algérien). Revue des Sciences de l’Eau et de l’Environnement, 13(2), 45–58.
4. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. 738 p.
5. Camps-Valls, G., Bruzzone, L., & Rojo-Álvarez, J. L. (2005). Robust support vector method for hyperspectral data classification and knowledge discovery. IEEE Transactions on Geoscience and Remote Sensing, 43(7), 1530–1542. https://doi.org/10.1109/TGRS.2005.847248
6. CNES. (2006). Orfeo ToolBox (OTB): A software library for remote sensing image processing. Centre National d’Études Spatiales. https://www.orfeo-toolbox.org/
7. Di, D. (2011). Comparisons of ERDAS and ENVI for thematic mapper. School of Remote Sensing and Information Engineering, Wuhan University, China. IEEE.
8. Diédhiou, I., Mering, C., Sy, O., & Sané, T. (2020). Cartographier par télédétection l’occupation du sol et ses changements. EchoGéo, 54, 1–42. https://doi.org/10.4000/echogeo.20510
9. Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185–201. https://doi.org/10.1016/S0034-4257(01)00295-4
10. Foody, G. M., & Mathur, A. (2004). A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(6), 1335–1343. https://doi.org/10.1109/TGRS.2004.827257
11. Gallego, F. J. (2004). Remote sensing and land cover area estimation. International Journal of Remote Sensing, 25(15), 3019–3047. https://doi.org/10.1080/01431160310001619607
12. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. 745 p.
13. Hexagon Geospatial. (2023). ERDAS IMAGINE: Remote sensing and photogrammetry software. Hexagon AB. https://hexagon.com/products/erdas-imagine
14. Kouassi, A. M. (2007). Caractérisation d’une modification éventuelle de la relation pluie–débit et ses impacts sur les ressources en eau en Afrique de l’Ouest : Cas du bassin versant du N’zi (Bandama) en Côte d’Ivoire (Thèse de doctorat). Université de Cocody.
15. Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001
16. NV5 Geospatial. (2023). ENVI image analysis software. NV5 Geospatial. https://www.nv5geospatialsoftware.com/Products/ENVI
17. Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86(4), 554–565. https://doi.org/10.1016/S0034-4257(03)00132-9
18. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
19. Savinaud, M., Mallet, C., & Chabot, M. (2007). The Orfeo ToolBox remote sensing image processing software. In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2007) (pp. 733–736). IEEE.
20. Stuckens, J., Coppin, P. R., & Bauer, M. E. (2000). Integrating contextual information with per-pixel classification for improved land cover classification. Remote Sensing of Environment, 71(3), 282–296. https://doi.org/10.1016/S0034-4257(99)00083-8
21. Tso, B., & Mather, P. M. (2009). Classification methods for remotely sensed data (2nd ed.). CRC Press, Taylor & Francis Group. 376 p.
22. Vapnik, V. N. (1998). Statistical learning theory. Wiley. 736 p.
Copyright (c) 2026 Mohamed Kone, Tinzanga Sanogo, Sidiki Sidibé, Zakaria Mariko
This work is licensed under a Creative Commons Attribution 4.0 International License.
