Détail de l'autorité
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
nom du congrès :
GRETSI 2013, 24e colloque du Groupe de Recherche et d'Etude du Traitement du Signal et des Images
début du congrès :
03/09/2013
fin du congrès :
06/09/2013
ville du congrès :
Brest
pays du congrès :
France
site des actes du congrès :
|
Documents disponibles (1)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
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