Centre dedocumentation
scientifique

Fusion de données lidar et multispectrales / Ophélie Sinagra (2013) 

Public Titre : Fusion de données lidar et multispectrales : Etude des techniques de segmentation et de classification de données LiDAR, d’images multispectrales et de leur fusion, Proposition d’une nouvelle technique de traitement de la fusion des données et analyse des résultats Type de document : Mémoire Auteurs : Ophélie Sinagra, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2013 Importance : 113 p. Format : 21 x 30 cm Note générale : Bibliographie Mémoire de soutenance de Diplôme d'Ingénieur INSA, Spécialité Topographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] classification dirigée [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] fusion de données [Termes IGN] image multibande [Termes IGN] image Quickbird [Termes IGN] indice de végétation [Termes IGN] matrice de confusion [Termes IGN] occupation du sol [Termes IGN] semis de points [Termes IGN] Strasbourg Index. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (Auteur) Cette étude a pour but de fusionner des données LiDAR et multispectrales afin de procéder à une classification en trois catégories en utilisant un algorithme supervisé. Un nuage de points LiDAR et une image satellite QuickBird comprenant les bandes Rouge, Vert, Bleue et Proche-Infrarouge acquis au-dessus de la ville de Strasbourg, France, ont été traités afin d’effectuer la fusion et d’estimer la précision de la méthode de classification proposée. Tout d’abord, l’image multispectrale a permis de calculer trois images représentant l’indice de végétation normalisé (NDVI), l’indice de végétation ajusté pour le sol (SAVI) et l’indice de contrôle environnemental global (GEMI). Puis, le nuage de points a lui permis de calculer la hauteur des éléments situés au-dessus du sol et l’information tridimensionnelle a été convertie en raster. Ces quatre rasters ont étés assemblés afin d’obtenir des rasters de deux, trois ou quatre couches afin d’effectuer différents tests. L’algorithme Support Vector Machine (SVM), permettant une classification supervisée, a été utilisé afin de classer ces rasters en trois classes : végétation, bâtiments et voirie. La matrice de confusions de la classification indique que la précision est améliorée lorsque les données LiDAR sont intégrées au calcul. Note de contenu : Introduction 1- Etat de l'art 2- Changement dans le sujet 3- Traitement de la fusion des données 4- Résultats finaux 5- Analyse 6- Discussion Conclusion Numéro de notice : 11802 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : University of New South Wales Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=49749

Documents numériques

peut être téléchargé 11802_mem_insas_2013__sinagra.pdf Adobe Acrobat PDF