Descripteur
|
Termes IGN > sciences naturelles > physique > traitement d'image > restauration d'image > correction d'image > correction géométrique > orthorectification
orthorectification |
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Titre : Remote sensing and GIS Type de document : Guide/Manuel Auteurs : Basudeb Bhatta, Auteur Mention d'édition : 3ème édition Editeur : Oxford, Londres, ... : Oxford University Press Année de publication : 2021 Importance : 752 p. Format : 24 x 18 cm ISBN/ISSN/EAN : 978-0-19-949664-8 Note générale : Bibliographie
additional reading material with Oxford arealLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Télédétection
[Termes IGN] acquisition d'images
[Termes IGN] airborne multispectral scanner
[Termes IGN] analyse spatiale
[Termes IGN] Global Navigation Satellite System
[Termes IGN] image hyperspectrale
[Termes IGN] image thermique
[Termes IGN] interféromètrie par radar à antenne synthétique
[Termes IGN] Lidar
[Termes IGN] modèle numérique de surface
[Termes IGN] modèle numérique de terrain
[Termes IGN] modélisation 3D
[Termes IGN] orthorectification
[Termes IGN] Passive and Active L and S band Sensor
[Termes IGN] photographie aérienne
[Termes IGN] Satellite Microwave Radiometer
[Termes IGN] scène 3D
[Termes IGN] stéréoscopie
[Termes IGN] système d'information géographique
[Termes IGN] traitement d'image
[Termes IGN] visualisation 3DIndex. décimale : 35.00 Télédétection - généralités Résumé : (Editeur) Beginning with the history and basic concepts of remote sensing and GIS, the book gives an exhaustive coverage of optical, thermal, and microwave remote sensing, global navigation satellite systems (such as GPS and IRNSS), digital photogrammetry, visual image analysis, digital image processing, spatial and attribute data model, geospatial analysis, and planning, implementation, and management of GIS. It also presents the modern trends of remote sensing and GIS with an illustrated discussion on its numerous applications. Note de contenu : 1. Concept of Remote Sensing
1.1 Introduction
1.2 Distance of Remote Sensing
1.3 Definition of Remote Sensing
1.4 Remote Sensing: Art and/or Science
1.5 Data
1.6 Remote Sensing Process
1.7 Source of Energy
1.8 Interaction with Atmosphere
1.9 Interaction with Target
1.9.1 Hemispherical Absorptance, Transmittance, and Reflectan
1.10 Interaction with the Atmosphere Again
1.11 Recording of Energy by Sensor
1.12 Transmission, Reception, and Processing
1.13 Interpretation and Analysis
1.14 Applications of Remote Sensing
1.15 Advantages of Remote Sensing
1.16 Limitations of Remote Sensing
1.17 Ideal Remote Sensing System
2. Types of Remote Sensing and Sensor Characteristics
2.1 Introduction
2.2 Types of Remote Sensing
2.3 Characteristics of Images
2.4 Orbital Characteristics of Satellite
2.5 Remote Sensing Satellites
2.6 Concept of Swath
2.7 Concept of Nadir
2.8 Sensor Resolutions
2.9 Image Referencing System
2.9.1 Path
2.9.2 Row
2.9.3 Orbital Calendar
3. History of Remote Sensing and Indian Space Program
3.1 Introduction
3.2 The Early Age
3.3 The Middle Age
3.4 The Modern Age or Space Age
3.5 Indian Space Program
4. Photographic Imaging
4.1 Introduction
4.2 Camera Systems
4.3 Types of Camera
4.4 Filter
4.5 Film
4.6 Geometry of Aerial Photography
4.7 Ideal Time and Atmosphere for Aerial Remote Sensing
5. Digital Imaging
5.1 Introduction
5.2 Digital Image
5.3 Sensor
5.4 Imaging by Scanning Technique
5.5 Hyper-spectral Imaging
5.6 Imaging By Non-scanning Technique
5.7 Thermal Remote Sensing
5.8 Other Sensors
6. Microwave Remote Sensing
6.1 Introduction
6.2 Passive Microwave Remote Sensing
6.3 Active Microwave Remote Sensing
6.4 Radar Imaging
6.5 Airborne Versus Space-Borne Radars
6.6 Radar Systems
7. Ground-truth Data and Global Positioning System
7.1 Introduction
7.2 Requirements of Ground-Truth Data
7.3 Instruments for Ground Truthing
7.4 Parameters of Ground Truthing
7.5 Factors of Spectral Measurement
7.6 Global Navigation Satellite System
8. Photogrammetry
8.1 Introduction
8.2 Development of Photogrammetry
8.3 Classification of Photogrammetry
8.4 Photogrammetric Process
8.5 Acquisition of Imagery and its Support Data
8.6 Orientation and Triangulation
8.7 Stereo Model Compilation
8.8 Stereoscopic 3D Viewing
8.9 Stereoscopic Measurement
8.10 DTM/DEM Generation
8.11 Contour Map Generation
8.12 Orthorectification
8.13 3D Feature Extraction
8.14 3D Scene Modelling
8.15 Photogrammetry and LiDAR
8.16 Radargrammetry and Radar Interferometry
8.17 Limitations of Photogrammetry
9. Visual Image Interpretation
9.1 Introduction
9.2 Information Extraction by Human and Computer
9.3 Remote Sensing Data Products
9.4 Border or Marginal Information
9.5 Image Interpretation
9.6 Elements of Visual Image Interpretation
9.7 Interpretation Keys
9.8 Generation of Thematic Maps
9.9 Thermal Image Interpretation
9.10 Radar Image Interpretation
10. Digital Image Processing
10.1 Introduction
10.2 Categorization of Image Processing
10.3 Image Processing Systems
10.4 Digital Image
10.5 Media for Digital Data Recording, Storage, and Distribution
10.6 Data Formats of Digital Image
10.7 Header Information
10.8 Display of Digital Image
10.9 Pre-processing
10.10 Image Enhancement
10.11 Image Transformation
10.12 Image Classification
11. Data Integration, Analysis, and Presentation
11.1 Introduction
11.2 Multi-approach of Remote Sensing
11.3 Integration with Ground Truth and Other Ancillary Data
11.4 Integration of Transformed Data
11.5 Integration with GIS
11.6 Process of Remote Sensing Data Analysis
11.7 The Level of Detail
11.8 Limitations of Remote Sensing Data Analysis
11.9 Presentation
12. Applications of Remote Sensing
12.1 Introduction
12.2 Land Cover and Land Use
12.3 Agriculture
12.4 Forestry
12.5 Geology
12.6 Geomorphology
12.7 Urban Applications
12.8 Hydrology
12.9 Mapping
12.10 Oceans and Coastal Monitoring
12.11 Monitoring of Atmospheric Constituents
PART II Geographic Information Systems and Geospatial Analysis
13. Concept of Geographic Information Systems
13.1 Introduction
13.2 Definitions of GIS
13.3 Key Components of GIS
13.4 GIS-An Integration of Spatial and Attribute Information
13.5 GIS-Three Views of Information System
13.6 GIS and Related Terms
13.7 GIS-A Knowledge Hub
13.8 GIS-A Set of Interrelated Subsystems
13.9 GIS-An Information Infrastructure
13.10 Origin of GIS
14. Functions and Advantages of GIS
14.1 Introduction
14.2 Functions of GIS
14.3 Application Areas of GIS
14.4 Advantages of GIS
14.5 Functional Requirements of GIS
14.6 Limitations of GIS
15. Spatial Data Model
15.1 Introduction
15.2 Spatial, Thematic, and Temporal Dimensions of Geographic Data
15.3 Spatial Entity and Object
15.4 Spatial Data Model
15.5 Raster Data Model
15.6 Vector Data Model
15.7 Raster versus Vector
15.8 Object-Oriented Data Model
15.9 File Formats of Spatial Data
16. Attribute Data Management and Metadata Concept
16.1 Introduction
16.2 Concept of Database and DBMS
16.3 Advantages of DBMS
16.4 Functions of DBMS
16.5 File and Data Access
16.6 Data Models
16.7 Database Models
16.8 Data Models in GIS
16.9 Concept of SQL
16.10 Concept of Metadata
17. Process of GIS
17.1 Introduction
17.2 Data Capture
17.3 Data Sources
17.4 Data Encoding Methods
17.5 Linking of Spatial and Attribute Data
17.6 Organizing Data for Analysis
18. Geospatial Analysis
18.1 Introduction
18.2 Geospatial Data Analysis
18.3 Integration and Modelling of Spatial Data
18.4 Geospatial Data Analysis Methods
18.5 Database Query
18.6 Geospatial Measurements
18.7 Overlay Operations
18.8 Network Analysis
18.9 Surface Analysis
18.10 Geostatistics
18.11 Geovisualization
19. Planning, Implementation, and Management of GIS
19.1 Introduction
19.2 Planning of Project
19.3 Implementation of Project
19.4 Management of Project
19.5 Keys for Successful GIS
19.6 Reasons for Unsuccessful GIS
20. Modern Trends of GIS
20.1 Introduction
20.2 Local to Global Concept in GIS
20.3 Increase in Dimensions in GIS
20.4 Linear to Non-linear Techniques in GIS
20.5 Development in Relation between Geometry and Algebra in GIS
20.6 Development of Common Techniques in GIS
20.7 Integration of GIS and Remote Sensing
20.8 Integration of GIS and Multimedia
20.9 3D GIS
20.9.1 Virtual Reality in GIS
20.10 Integration of 3D GIS and Web GIS
20.11 4D GIS and Real-time GIS
20.12 Mobile GIS
20.12.1 Mobile mapping
20.13 Collaborative GIS (CGIS)
21. Change Detection and Geosimulation
21.1 Visual change detection
21.2 Thresholding
21.3 Image difference
21.4 Image regression
21.5 Image ratioing
21.6 Vegetation index differencing
21.7 Principal component differencing
21.8 Multi-temporal image stock classification
21.9 Post classification comparison
21.10 Change vector analysis
21.12 Cellular automata simulation
21.13 Multi-agent simulation
21.14 ANN learning in simulation
Appendix A - Concept of Map, Coordinate System, and Projection
Appendix B - Concept on Mathematical TopicsNuméro de notice : 26518 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE/POSITIONNEMENT Nature : Manuel de cours DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97342 Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 26518-01 35.00 Livre Centre de documentation Télédétection Disponible Some thoughts on measuring earthquake deformation using optical imagery / Min Huang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 2 (February 2020)
Titre : Some thoughts on measuring earthquake deformation using optical imagery Type de document : Article/Communication Auteurs : Min Huang, Auteur ; Yu Zhou, Auteur ; Lejun Lu, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1052 - 1062 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] appariement d'images
[Termes IGN] artefact
[Termes IGN] corrélation d'images
[Termes IGN] déformation de la croute terrestre
[Termes IGN] image à très haute résolution
[Termes IGN] image ALOS
[Termes IGN] image optique
[Termes IGN] interféromètrie par radar à antenne synthétique
[Termes IGN] MNS SRTM
[Termes IGN] modèle numérique de surface
[Termes IGN] orthorectification
[Termes IGN] sismologieRésumé : (auteur) Optical imagery has been proven to be an effective tool for measuring earthquake deformation in continental regions since its first application in the 1999 Izmit earthquake. In this article, we compile and analyze all the earthquakes that have been investigated with optical image matching by 2019, based on which we comment on various issues regarding measuring earthquake deformation with optical imagery. New generations of very high-resolution (VHR) data are effective for earthquake studies, but orthorectification of the VHR images is the major source of error, which is often ignored. We found that the displacements derived from the WorldView images strongly correlate with the errors in the Shuttle Radar Topography Mission (SRTM) digital elevation model (DEM) that was used in orthorectification. Based on the observed correlation between displacements and topography, we propose a new DEM-based method using the Advanced Land Observing Satellite (ALOS) World 3-D DEM to reduce the orthorectification errors. Combining the published optical data of earthquake deformation, we re-analyze the coseismic slip distribution and shallow slip deficit (SSD). The SSD model states that the coseismic slip in many strike-slip earthquakes decreases in magnitude toward the surface, but this model remains arguable because the interferometric synthetic aperture radar (InSAR)-derived slip is usually not well-constrained at shallow depths due to decorrelation. Because optical matching directly measures the surface slip, we re-examine the slip distribution of 11 strike-slip earthquakes and find that the SSD model may primarily be artifacts in the InSAR measurements. It is therefore of great importance to include the optical data in earthquake studies to constrain coseismic slip inversions. Numéro de notice : A2020-096 Affiliation des auteurs : non IGN Thématique : IMAGERIE/POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2943192 date de publication en ligne : 21/10/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2943192 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94669
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 2 (February 2020) . - pp 1052 - 1062[article]
Titre : Geometric accuracy improvement of WorldView‐2 imagery using freely available DEM data Type de document : Article/Communication Auteurs : Mateo Gašparović, Auteur ; Dino Dobrinić, Auteur ; Damir Medak, Auteur Année de publication : 2019 Article en page(s) : pp 266 - 281 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] image à très haute résolution
[Termes IGN] image ALOS
[Termes IGN] image panchromatique
[Termes IGN] image Worldview
[Termes IGN] modèle numérique de surface
[Termes IGN] orientation du capteur
[Termes IGN] orthorectification
[Termes IGN] point d'appui
[Termes IGN] précision géométrique (imagerie)Résumé : (auteur) This paper provides geometric accuracy improvements for very highresolution WorldView-2 (WV2) Ortho Ready Standard Level-2A (ORS2A) satelliteimages in the panchromatic (PAN) band. The entire process can be divided intotwo steps: (1) sensor orientation, which was conducted on 40 ground controlpoints (GCPs) to determine which sensor model was best depending on variousnumbers of GCPs; and (2) orthorectification, whose main objective was tocompare the accuracy of the process when using different freely available globaldigital elevation models (DEMs). The research showed that a sensor model basedon rational polynomial coefficients (RPCs) with a shift or zero-order biascorrection attained the best geopositioning accuracy during the orientation stepwith the use of seven GCPs. The highest accuracy was achieved for imagesorthorectified with the ALOS World 3D-30 m DEM (AW3D30). Numéro de notice : A2019-432 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/phor.12292 date de publication en ligne : 10/10/2019 En ligne : https://doi.org/10.1111/phor.12292 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93759
in Photogrammetric record > vol 34 n° 167 (September 2019) . - pp 266 - 281[article]Localisation par l'image en milieu urbain : application à la réalité augmentée / Antoine Fond (2018)
Titre : Localisation par l'image en milieu urbain : application à la réalité augmentée Type de document : Thèse/HDR Auteurs : Antoine Fond, Auteur ; Marie-Odile Berger, Directeur de thèse Editeur : Nancy, Metz : Université de Lorraine Année de publication : 2018 Importance : 138 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour l'obtention du doctorat de l'Université de Lorraine, Ecole doctorale IAEM Lorraine, mention Informatique, 2018Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] appariement de formes
[Termes IGN] apprentissage profond
[Termes IGN] bati
[Termes IGN] détection du bâti
[Termes IGN] distance de Manhattan
[Termes IGN] estimation de pose
[Termes IGN] façade
[Termes IGN] orthorectification
[Termes IGN] plus proche voisin (algorithme)
[Termes IGN] point de fuite
[Termes IGN] réalité augmentée
[Termes IGN] recalage d'image
[Termes IGN] recalage de surfaces
[Termes IGN] réseau neuronal convolutif
[Termes IGN] segmentation d'image
[Termes IGN] segmentation sémantique
[Termes IGN] vision par ordinateur
[Termes IGN] zone urbaineIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Dans cette thèse, on aborde le problème de la localisation en milieux urbains. Inférer un positionnement précis en ville est important dans nombre d’applications comme la réalité augmentée ou la robotique mobile. Or les systèmes basés sur des capteurs inertiels (IMU) sont sujets à des dérives importantes et les données GPS peuvent souffrir d’un effet de vallée qui limite leur précision. Une solution naturelle est de s’appuyer le calcul de pose de caméra en vision par ordinateur. On remarque que les bâtiments sont les repères visuels principaux de l’humain, mais aussi des objets d’intérêt pour les applications de réalité augmentée. On cherche donc à partir d’une seule image à calculer la pose de la caméra par rapport à une base de données de bâtiments références connus. On décompose le problème en deux parties : trouver les références visibles dans l’image courante (reconnaissance de lieux) et calculer la pose de la caméra par rapport à eux. Les approches classiques de ces deux sous-problèmes sont mises en difficultés dans les environnements urbains à cause des forts effets perspectives, des répétitions fréquentes et de la similarité visuelle entre façades. Si des approches spécifiques à ces environnements ont été développés qui exploitent la grande régularité structurelle de tels milieux, elles souffrent encore d’un certain nombre de limitations autant pour la détection et la reconnaissance de façades que pour le calcul de pose par recalage de modèle. La méthode originale développée dans cette thèse s’inscrit dans ces approches spécifiques et vise à dépasser ces limitations en terme d’efficacité et de robustesse aux occultations, aux changements de points de vue et d’illumination. Pour cela, l’idée principale est de profiter des progrès récents de l’apprentissage profond par réseaux de neurones convolutionnels pour extraire de l’information de haut-niveau sur laquelle on peut baser des modèles géométriques. Notre approche est donc mixte Bottom-Up/Top-Down et se décompose en trois étapes clés. Nous proposons tout d’abord une méthode d’estimation de la rotation de la pose de caméra. Les 3 points de fuite principaux des images en milieux urbains, dits points de fuite de Manhattan sont détectés grâce à un réseau de neurones convolutionnels (CNN) qui fait à la fois une estimation de ces points de fuite, mais aussi une segmentation de l’image relativement à eux. Une second étape de raffinement utilise ces informations et les segments de l’image dans une formulation bayésienne pour estimer efficacement et plus précisément ces points. L’estimation de la rotation de la caméra permet de rectifier les images et ainsi s’affranchir des effets de perspectives pour la recherche de la translation. Dans une seconde contribution, nous visons ainsi à détecter les façades dans ces images rectifiées et à les reconnaître parmi une base de bâtiments connus afin d’estimer une translation grossière. Dans un souci d’efficacité, on a proposé une série d’indices basés sur des caractéristiques spécifiques aux façades (répétitions, symétrie, sémantique) qui permettent de sélectionner rapidement des candidats façades potentiels. Ensuite, ceux-ci sont classifiés en façade ou non selon un nouveau descripteur CNN contextuel. Enfin la mise en correspondance des façades détectées avec les références est opérée par un recherche au plus proche voisin relativement à une métrique apprise sur ces descripteurs [...] Note de contenu : Introduction
1 - Etat de l'art
2 - Estimation des points de fuite de Manhattan
3 - Proposition de façades pour la détection et la reconnaissance de bâtiments
4 - Segmentation et recalage de façade conjoint
ConclusionNuméro de notice : 21592 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de doctorat : Informatique : Université de Lorraine : 2018 Organisme de stage : IFSTTAR nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2018LORR0028 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90630
Titre : Parallax-tolerant aerial image georegistration and efficient camera pose refinement—without piecewise homographies Type de document : Article/Communication Auteurs : Hadi AliAkbarpour, Auteur ; Kannappan Palaniappan, Auteur ; Guna Seetharaman, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 4618 - 4637 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s)
[Termes IGN] bruit (théorie du signal)
[Termes IGN] chambre de prise de vue numérique
[Termes IGN] compensation par faisceaux
[Termes IGN] décomposition d'image
[Termes IGN] géoréférencement
[Termes IGN] image aérienne
[Termes IGN] métadonnées
[Termes IGN] orthorectification
[Termes IGN] reconstruction 3D
[Termes IGN] structure-from-motionRésumé : (Auteur) We describe a fast and efficient camera pose refinement and Structure from Motion (SfM) method for sequential aerial imagery with applications to georegistration and 3-D reconstruction. Inputs to the system are 2-D images combined with initial noisy camera metadata measurements, available from on-board sensors (e.g., camera, global positioning system, and inertial measurement unit). Georegistration is required to stabilize the ground-plane motion to separate camera-induced motion from object motion to support vehicle tracking in aerial imagery. In the proposed approach, we recover accurate camera pose and (sparse) 3-D structure using bundle adjustment for sequential imagery (BA4S) and then stabilize the video from the moving platform by analytically solving for the image-plane-to-ground-plane homography transformation. Using this approach, we avoid relying upon image-to-image registration, which requires estimating feature correspondences (i.e., matching) followed by warping between images (in a 2-D space) that is an error prone process for complex scenes with parallax, appearance, and illumination changes. Both our SfM (BA4S) and our analytical ground-plane georegistration method avoid the use of iterative consensus combinatorial methods like RANdom SAmple Consensus which is a core part of many published approaches. BA4S is very efficient for long sequential imagery and is more than 130 times faster than VisualSfM, 35 times faster than MavMap, and about 274 times faster than Pix4D. Various experimental results demonstrate the efficiency and robustness of the proposed pipeline for the refinement of camera parameters in sequential aerial imagery and georegistration. Numéro de notice : A2017-501 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2017.2695172 En ligne : http://dx.doi.org/10.1109/TGRS.2017.2695172 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86444
in IEEE Transactions on geoscience and remote sensing > vol 55 n° 8 (August 2017) . - pp 4618 - 4637[article]PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
