Détail de l'auteur
Auteur Julien Smeeckaert |
Documents disponibles écrits par cet auteur (4)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Large-scale classification of water areas using airborne topographic lidar data / Julien Smeeckaert in Remote sensing of environment, vol 138 (November 2013)
![]()
[article]
Titre : Large-scale classification of water areas using airborne topographic lidar data Type de document : Article/Communication Auteurs : Julien Smeeckaert, Auteur ; Clément Mallet , Auteur ; Nicolas David
, Auteur ; Nesrine Chehata
, Auteur ; António Ferraz
, Auteur
Année de publication : 2013 Article en page(s) : pp 134 - 148 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] grande échelle
[Termes IGN] littoral
[Termes IGN] modèle numérique de terrain
[Termes IGN] rive
[Termes IGN] rivière
[Termes IGN] semis de points
[Termes IGN] trait de côteRésumé : (auteur) Accurate Digital Terrain Models (DTMs) are inevitable inputs for mapping and analyzing areas subject to natural hazards. Topographic airborne laser scanning has become an established technique to characterize the Earth's surface: lidar provides 3D point clouds allowing for a fine reconstruction of the topography while preserving high frequencies of the relief. For flood hazard modeling, the key step, before going onto terrain modeling, is the discrimination of land and water areas within the delivered point clouds. Therefore, instantaneous shorelines, river banks, and inland waters can be extracted as a basis for more reliable DTM generation. This paper presents an automatic, efficient, and versatile workflow for land/water classification of airborne topographic lidar points, effective at large scales (>300 km2). For that purpose, the Support Vector Machine (SVM) method is used as a classification framework and it is embedded in a workflow designed for our specific goal. First, a restricted but carefully designed set of features, based only on 3D lidar point coordinates and flightline information, is defined as classifier input. Then, the SVM learning step is performed on small but well-targeted areas thanks to a semiautomatic region growing strategy. Finally, label probability output by SVM is merged with contextual knowledge during a probabilistic relaxation step in order to remove pixel-wise misclassification. Results show that a survey of hundreds of millions of points are labeled with high accuracy (>95% in most cases for coastal areas, and >90% for rivers) and that small natural and anthropic features of interest are still well classified even though we work at lowpoint densities (0.5–4 pts/m2). We also noticed that it may fail in water-logged areas. Nevertheless, our approach remains valid for regional and national mapping purposes, coasts and rivers, and provides a strong basis for further discrimination of land-cover classes and coastal habitats. Numéro de notice : A2013-792 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.rse.2013.07.004 Date de publication en ligne : 15/08/2013 En ligne : https://doi.org/10.1016/j.rse.2013.07.004 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=80174
in Remote sensing of environment > vol 138 (November 2013) . - pp 134 - 148[article]
Titre : Classification grande échelle de surfaces d’eau par lidar aéroporté Type de document : Article/Communication Auteurs : Nicolas David , Auteur ; Julien Smeeckaert, Auteur ; Clément Mallet
, Auteur
Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2013 Conférence : GRETSI 2013, 24e colloque du Groupe de Recherche et d'Etude du Traitement du Signal et des Images 03/09/2013 06/09/2013 Brest France OA proceedings Importance : 4 p. Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Vedettes matières IGN] Lasergrammétrie
[Termes IGN] classification dirigée
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] classification pixellaire
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] eau de surface
[Termes IGN] extraction automatique
[Termes IGN] hauteur de vol
[Termes IGN] méthode robuste
[Termes IGN] modèle numérique de surface
[Termes IGN] plan de volRésumé : (auteur) La gestion des zones littorales utilise aujourd’hui de plus en plus de Modèles Numérique de Terrain (MNT) issus de données laser aéroportées. Afin d’obtenir des MNT fiables sur ces zones il est nécessaire d’extraire les surfaces d’eau des nuages de points. Pour cela, cet article propose une méthode automatique, robuste et générique de classification supervisée fondée sur les séparateurs à vaste marge (SVM). Premièrement, un jeu de descripteurs utilisant seulement les coordonnées 3D des points laser et l’information de ligne de vol est élaboré. Puis des zones d’apprentissage SVM fiables sont sélectionnées automatiquement par une croissance de régions. Enfin, les erreurs de classification pixellaires sont filtrées par une relaxation probabiliste utilisant les scores de classification SVM. Les résultats montrent que d’importants chantiers lasers (> 100 M pts) de faible densité (2-3 pts/m²) sont classés avec une forte précision globale ( > 95%) tout en préservant les objets de petites tailles ayant une importance topographique (ponts, canaux, rochers).
Cet article aborde le problème de détection automatique de zones d'eau dans des grands volumes de nuages de points 3D lidar. L'approche proposée est uniquement fondée sur l'analyse de descripteurs locaux géométriques 2D et 3D. Une méthode d'apprentissage actif est proposée pour sélectionner un ensemble réduit mais performant de pixels (Numéro de notice : C2013-034 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=80101 Documents numériques
en open access
Classification grande échelle de surfaces d’eauAdobe Acrobat PDF
Titre : Classification of water surfaces using airborne topographic lidar data Type de document : Article/Communication Auteurs : Julien Smeeckaert, Auteur ; Clément Mallet , Auteur ; Nicolas David
, Auteur
Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2013 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 40-1/W1 Conférence : ISPRS 2013, Hannover Workshop 21/05/2013 24/05/2013 Hanovre Allemagne OA ISPRS Archives Importance : pp 321 - 326 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] chaîne de traitement
[Termes IGN] classification dirigée
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] cours d'eau
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] eau de surface
[Termes IGN] interpolation
[Termes IGN] littoral
[Termes IGN] modèle numérique de terrain
[Termes IGN] rivage
[Termes IGN] segmentation en régions
[Termes IGN] semis de pointsRésumé : (auteur) Accurate Digital Terrain Models (DTM) are inevitable inputs for mapping areas subject to natural hazards. Topographic airborne laser scanning has become an established technique to characterize the Earth surface: lidar provides 3D point clouds allowing a fine reconstruction of the topography. For flood hazard modeling, the key step before terrain modeling is the discrimination of land and water surfaces within the delivered point clouds. Therefore, instantaneous shoreline, river borders, inland waters can be extracted as a basis for more reliable DTM generation. This paper presents an automatic, efficient, and versatile workflow for land/water classification of airborne topographic lidar data. For that purpose, a classification framework based on Support Vector Machines (SVM) is designed. First, a restricted set of features, based only 3D lidar point coordinates and flightline information, is defined. Then, the SVM learning step is performed on small but well-targeted areas thanks to an automatic region growing strategy. Finally, label probabilities given by the SVM are merged during a probabilistic relaxation step in order to remove pixel-wise misclassification. Results show that survey of millions of points are labelled with high accuracy (>95% in most cases for coastal areas, and >89% for rivers) and that small natural and anthropic features of interest are still well classified though we work at low point densities (0.5-4 pts/m2). Our approach is valid for coasts and rivers, and provides a strong basis for further discrimination of land-cover classes and coastal habitats. Numéro de notice : C2013-055 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprsarchives-XL-1-W1-321-2013 Date de publication en ligne : 02/05/2013 En ligne : https://doi.org/10.5194/isprsarchives-XL-1-W1-321-2013 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92183 Large-scale water classification of coastal areas using airborne topographic lidar data / Julien Smeeckaert (juillet 2013)
![]()
Titre : Large-scale water classification of coastal areas using airborne topographic lidar data Type de document : Article/Communication Auteurs : Julien Smeeckaert, Auteur ; Clément Mallet , Auteur ; Nicolas David
, Auteur ; António Ferraz
, Auteur ; Nesrine Chehata
, Auteur
Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : juillet 2013 Conférence : IGARSS 2013, International Geoscience And Remote Sensing Symposium 21/07/2013 26/07/2013 Melbourne Australie Proceedings IEEE Importance : pp 61 - 64 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] classification
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] eaux côtières
[Termes IGN] grande échelle
[Termes IGN] littoralNuméro de notice : C2013-026 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2013.6721092 Date de publication en ligne : 24/01/2014 En ligne : https://doi.org/10.1109/IGARSS.2013.6721092 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=80175