Centre dedocumentation
scientifique

Extracting soil salinization information with a fractional-order filtering algorithm and grid-search support vector machine (GS-SVM) model / Xiaoping Wang in International Journal of Remote Sensing IJRS, vol 41 n° 3 (15 - 22 janvier 2020)  

Public [article]  inInternational Journal of Remote Sensing IJRS > vol 41 n° 3 (15 - 22 janvier 2020) . - pp 953 - 973 Titre : Extracting soil salinization information with a fractional-order filtering algorithm and grid-search support vector machine (GS-SVM) model Type de document : Article/Communication Auteurs : Xiaoping Wang, Auteur ; Fei Zhang, Auteur ; Hsiang-Te Kung, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 953 - 973 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] algorithme de filtrage [Termes descripteurs IGN] algorithme de fraction [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] état du sol [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] sel [Termes descripteurs IGN] sol salin [Termes descripteurs IGN] zone sèche Résumé : (auteur) The remote sensing information on the extraction method is of great importance to improve the accuracy and efficiency of soil salinization information. The objective of this study is to develop remote sensing extraction techniques to improve soil salinization maps. The following procedures were used in this study: (1) developed a fractional-order algorithm-based methodology of filter from high-resolution remote sensing imagery (Sentinel-2 MSI); (2) investigated the changing trend of image under different order filters; and (3) used a grid-search algorithm-support vector machines (GS-SVM) classification to employ extraction information of soil salinization. The results showed that the Fractional-order filter method outperformed the integer derivative in extracted information of soil salinization. In comparison of the classification accuracy between fractional-order processing algorithm and integer-order image processing algorithm, the fractional order has improved remarkably. The optimal classification model was 0.6 order, 0.8 order, 1.4 order, 1.6 order, and 1.8 order models. The overall accuracy and kappa coefficient (κ) of these models are 91.90% and 0.90, respectively. Analysing and comparing between soil salt index and filtering algorithm (1.2 order), the researchers found that the classification results of the two methods are similar. In general, this method can successfully extract soil salinization information in dry regions. Numéro de notice : A2020-213 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/01431161.2019.1654142 date de publication en ligne : 14/08/2019 En ligne : https://doi.org/10.1080/01431161.2019.1654142 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94898 [article]

Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne / Hélène Rouillon (2020)  

Public Titre : Analyse automatique du couvert végétal pour la gestion du risque végétation en milieu ferroviaire à partir d'imagerie aérienne Type de document : Mémoire Auteurs : Hélène Rouillon, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2020 Importance : 93 p. Format : 21 x 30 cm Note générale : bibliographie Mémoire de fin d'études d'Ingénieur INSA, spécialité Topographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse d'image orientée objet [Termes descripteurs IGN] carte de la végétation [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] couvert végétal [Termes descripteurs IGN] extraction de la végétation [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] image captée par drone [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] orthophotographie [Termes descripteurs IGN] réseau ferroviaire [Termes descripteurs IGN] segmentation d'image [Termes descripteurs IGN] système d'information géographique Index. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) La végétation et les risques qu’elle peut comporter pour les infrastructures ferroviaires et leurs usagers constituent un enjeu majeur pour SNCF Réseau. Aujourd’hui, l’entreprise ferroviaire souhaite connaître et maîtriser ce risque végétation. L’objet de ce PFE est l’analyse automatique du couvert végétal en milieu ferroviaire à partir d’imagerie aérienne RGB acquise par drone, hélicoptère ou avion. Pour répondre à cette problématique, un réseau de neurones destiné à la segmentation sémantique des images est mis en œuvre. En effet, une fois bien entraînés, les réseaux de neurones, par leur capacité d’apprentissage, sont en mesure de classifier efficacement toute nouvelle image. Trois classes ont été définies en fonction des risques que pouvaient présenter la végétation : « arbres », « reste de la végétation » et « non-végétation ». Une chaîne de traitement complète des données a été proposée permettant, sur la base de ces images, une cartographie SIG de la végétation. Cette connaissance, aisément déployable sur des lignes entières, doit permettre au mainteneur de cibler les zones prioritaires et d’optimiser ses plans d’élagages. Note de contenu : Introduction 1- Etude préalable au développement de la solution 2- Le réseau de neurones SegNet pour le traitement d’images d’observation de la Terre et la base de données 3- Optimisation du traitement des données Conclusion Numéro de notice : 28529 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : Altametris - Saint-Denis (93) DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/4133/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97346

Application of digital image processing in automated analysis of insect leaf mines / Yee Man Theodora Cho (2020)  

Public Titre : Application of digital image processing in automated analysis of insect leaf mines Type de document : Thèse/HDR Auteurs : Yee Man Theodora Cho, Auteur Editeur : York [Royaume-Uni] : University of York Année de publication : 2020 Importance : 202 p. Format : 21 x 30 cm Note générale : bibliographie PhD thesis, Electronic Engineering, University of York, United Kingdom Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] Acer (genre) [Termes descripteurs IGN] analyse de groupement [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] Castanea (genre) [Termes descripteurs IGN] classification par Perceptron multicouche [Termes descripteurs IGN] détection de contours [Termes descripteurs IGN] diagnostic foliaire [Termes descripteurs IGN] image hyperspectrale [Termes descripteurs IGN] insecte nuisible [Termes descripteurs IGN] modèle de simulation [Termes descripteurs IGN] segmentation d'image [Termes descripteurs IGN] seuillage [Termes descripteurs IGN] surveillance de la végétation [Termes descripteurs IGN] taxinomie [Termes descripteurs IGN] traitement d'image Résumé : (auteur) Automated species identificationhas become a popular alternative to manual classification in the past few decades, as a result of advancement in digital image processing techniques and machine learning algorithms. This project aims to devise a new approach for the detection of leaf mines and fungal spots from digital images, and to investigate the possibility of monitoring the growth of leaf mines. Leaf-mining insects primarily belong to the orders of moths (Lepidoptera), flies (Diptera) and beetles (Coleoptera); or the suborders of sawflies (Symphyta) and wasps (Apocrita). Every spring and summer the larvae of leaf-mining insects feed on leaf tissues until maturity and vacate the mines as adults. As most species of leaf miners attack garden plants or crops, they are generally regarded as pests, despiterarely causing severe long-term detrimental effect on their host plants. Increase in human activities has led to the spread of these invasive species globally in recent years, and the demand for an effective classification system to monitor their distribution is rising consistently. Samples from three species of leaf-mining insects were included in this project: horse chestnut leaf miner (Cameraria ohridella), apple leaf miner (Lyonetia clerkella), and holly leaf miner (Phytomyza ilicis). Leaves with tar spots (Rhytisma acerinum)were also introduced as variations.The proposed method uses image processing techniques such as thresholding, conversion between colour spaces, edge detection, image segmentation,and morphological operations. This project also explores the use of machine learning algorithmsas analytical monitoring and predictive tools, using the growth of C. ohridellaleaf mines as an example. Note de contenu : 1- Introduction 2- Background 3- Digital image processing 4- Automated classification 5- Implementation 6- Data analysis 7- Conclusion Numéro de notice : 28552 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Thèse étrangère Note de thèse : PhD thesis : Electronic Engineering : University of York : 2020 En ligne : https://etheses.whiterose.ac.uk/27749/1/Cho_105036528_Thesis.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97414

Context-aware convolutional neural network for object detection in VHR remote sensing imagery / Yiping Gong in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 1 (January 2020) . - pp 34 - 44 Titre : Context-aware convolutional neural network for object detection in VHR remote sensing imagery Type de document : Article/Communication Auteurs : Yiping Gong, Auteur ; Zhifeng Xiao, Auteur ; Xiaowei Tan, Auteur Année de publication : 2020 Article en page(s) : pp 34 - 44 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse contextuelle [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] description multiniveau [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image à très haute résolution [Termes descripteurs IGN] vision par ordinateur [Termes descripteurs IGN] zone d'intérêt Résumé : (auteur) Object detection in very-high-resolution (VHR) remote sensing imagery remains a challenge. Environmental factors, such as illumination intensity and weather, reduce image quality, resulting in poor feature representation and limited detection accuracy. To enrich the feature representation and mine the underlying context information among objects, this article proposes a context-aware convolutional neural network (CA-CNN) model for object detection that includes proposal generation, context feature extraction, feature fusion, and classification. During feature extraction, we propose integrating a context-regions-of-interests (Context-RoIs) mining layer into the CNN model and extracting context features by mapping Context-RoIs mined from the foreground proposals to multilevel feature maps. Finally, the context features extracted from multilevel layers are fused into a single layer, and the proposals represented by the fused features are classified by a softmax classifier. In this article, through numerous experiments, we thoroughly explore the influence of key factors, such as Context-RoIs, different feature scales, and different spatial context window sizes. Because of the end-to-end network design approach, our proposed model simultaneously maintains high efficiency and effectiveness. We conducted all model testing on the public NWPU VHR-10 data set. The experimental results demonstrate that our proposed CA-CNN model achieves significantly improved model performance and better detection results compared with the state-of-the-art methods. Numéro de notice : A2020-038 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2930246 date de publication en ligne : 23/09/2019 En ligne : http://doi.org/10.1109/TGRS.2019.2930246 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94492 [article]

Détection et vectorisation automatiqued’objets linéaires dans des nuages de points de voirie / Etienne Barçon (2020)  

Public Titre : Détection et vectorisation automatiqued’objets linéaires dans des nuages de points de voirie Type de document : Mémoire Auteurs : Etienne Barçon, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2020 Importance : 110 p. Format : 21 x 30 cm Note générale : bibliographie Mémoire de fin d'études d'Ingénieur INSA, spécialité Topographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] corrélation croisée normalisée [Termes descripteurs IGN] détection automatique [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] détection de contours [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] polyligne [Termes descripteurs IGN] réseau routier [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] semis de points [Termes descripteurs IGN] seuillage d'image [Termes descripteurs IGN] trottoir [Termes descripteurs IGN] vectorisation Résumé : (auteur) Ce mémoire présente une méthode de détection automatique des marquages et des glissières dans un environnement autoroutier, à partir d'un nuage de points. L'approche employée utilise essentiellement des outils de traitement d'images. Le nuage de points est converti en images d’intensité et images d’altitudes par une projection verticale sur un plan. La détection des marquages au sol est effectuée par seuillage des images d’intensité. La détection des glissières s’effectue en plusieurs temps, une détection des objets linéaires en 2D puis une vectorisation 3D à partir de profils, à l’aide des images d’altitudes. Les résultats obtenus sont convaincants bien que perfectibles. La méthode mise en place est jugée généralisable à d’autres objets comme les murs et les bordures de trottoir. Note de contenu : Introduction 1- Etat de l'art 2- Développements 3- Résultats obtenus et analyse 4- Perspectives d'améliorations Conclusion Numéro de notice : 28517 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire ingénieur INSAS Organisme de stage : TT Géomètres-Experts (Paris) DOI : sans En ligne : http://eprints2.insa-strasbourg.fr/4144/ Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97292

Extraction de caractéristiques sur des images acquises en contexte mobile / Yannick Faula (2020)  

Permalink

Georeferenced measurements of building objects with their simultaneous shape detection / Edward Osada in Survey review, Vol 52 n°370 (January 2020)  

Permalink

Learning and geometric approaches for automatic extraction of objects from remote sensing images / Nicolas Girard (2020)  

Permalink

Low level feature detection in SAR images / Chenguang Liu (2020)  

Permalink

Remote sensing based building extraction / Mohammad Awrangjeb (2020)  

Permalink

Saliency and Burstiness for Feature Selection in CBIR / Kamel Guissous (2020)  

Permalink

Satellite image time series classification with pixel-set encoders and temporal self-attention / Vivien Sainte Fare Garnot (2020)    

Permalink

Context pyramidal network for stereo matching regularized by disparity gradients / Junhua Kang in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)  

Permalink

Residences information extraction from Landsat imagery using the multi-parameter decision tree method / Yujie Yang in Geocarto international, vol 34 n° 14 ([30/10/2019])  

Permalink

Combining machine learning and compact polarimetry for estimating soil moisture from C-Band SAR data / Emanuele Santi in Remote sensing, Vol 11 n° 20 (October 2019)  

Permalink