Détail de l'auteur
Auteur Xiaohu Lu |
Documents disponibles écrits par cet auteur (1)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
3D iterative spatiotemporal filtering for classification of multitemporal satellite data sets / Hessah Albanwan in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 1 (January 2020)
![]()
[article]
Titre : 3D iterative spatiotemporal filtering for classification of multitemporal satellite data sets Type de document : Article/Communication Auteurs : Hessah Albanwan, Auteur ; Rongjun Qin, Auteur ; Xiaohu Lu, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 23 - 31 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de données
[Termes IGN] changement d'occupation du sol
[Termes IGN] changement d'utilisation du sol
[Termes IGN] classification orientée objet
[Termes IGN] données multitemporelles
[Termes IGN] filtrage spatiotemporel
[Termes IGN] image à très haute résolution
[Termes IGN] itération
[Termes IGN] orthoimageRésumé : (Auteur) The current practice in land cover/land use change analysis relies heavily on the individually classified maps of the multi-temporal data set. Due to varying acquisition conditions (e.g., illumination, sensors, seasonal differences), the classification maps yielded are often inconsistent through time for robust statistical analysis. 3D geometric features have been shown to be stable for assessing differences across the temporal data set. Therefore, in this article we investigate the use of a multi-temporal orthophoto and digital surface model derived from satellite data for spatiotemporal classification. Our approach consists of two major steps: generating per-class probability distribution maps using the random-forest classifier with limited training samples, and making spatiotemporal inferences using an iterative 3D spatiotemporal filter operating on per-class probability maps. Our experimental results demonstrate that the proposed methods can consistently improve the individual classification results by 2%–6% and thus can be an important postclassification refinement approach. Numéro de notice : A2020-049 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.1.23 Date de publication en ligne : 01/01/2020 En ligne : https://doi.org/10.14358/PERS.86.1.23 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94534
in Photogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 1 (January 2020) . - pp 23 - 31[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 105-2020011 SL Revue Centre de documentation Revues en salle Disponible