Descripteur
Documents disponibles dans cette catégorie (130)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Fusion of RADARSAT-2 and multispectral optical remote sensing data for LULC extraction in a tropical agricultural area / Mohamed Barakat A. Gibril in Geocarto international, vol 32 n° 7 (July 2017)
[article]
Titre : Fusion of RADARSAT-2 and multispectral optical remote sensing data for LULC extraction in a tropical agricultural area Type de document : Article/Communication Auteurs : Mohamed Barakat A. Gibril, Auteur ; Suzana Bakar, Auteur ; Kouame Yao, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 735 - 748 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] classification pixellaire
[Termes IGN] fusion d'images
[Termes IGN] image Landsat-8
[Termes IGN] image optique
[Termes IGN] image radar
[Termes IGN] image Radarsat
[Termes IGN] Malaisie
[Termes IGN] occupation du sol
[Termes IGN] précision de la classification
[Termes IGN] surface cultivée
[Termes IGN] utilisation du sol
[Termes IGN] zone intertropicaleRésumé : (Auteur) In this study, we investigated the performance of different fusion and classification techniques for land cover mapping in Hilir Perak, Peninsula Malaysia using RADAR and Landsat-8 images in a predominantly agricultural area. The fusion methods used are Brovey Transform, Wavelet Transform, Ehlers and Layer Stacking and their results classified into seven different land cover classes which include (1) pixel-based classifiers (spectral angle mapper (SAM), maximum likelihood (ML), support vector machine (SVM)) and (2) Object-based (rule-based and standard nearest neighbour (NN)) classifiers. The result shows that pixel-based classification achieved maximum accuracy of the optical data classification using SVM in Landsat-8 with 74.96% accuracy compared to SAM and ML. For multisource data classification, the highest overall accuracy recorded for layer stacking (SVM) was 79.78%, Ehlers fusion (SVM) with 45.57%, Brovey fusion (SVM) with 63.70% and Wavelet fusion (SVM) 61.16%. And for object-based classifiers, the overall classification accuracy is 95.35% for rule-based and 76.33% for NN classifier, respectively. Based on the analysis of their performances, object-based and the rule-based classifiers produced the best classification accuracy from the fused images. Numéro de notice : A2017-453 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2016.1170893 Date de publication en ligne : 15/04/2016 En ligne : http://dx.doi.org/10.1080/10106049.2016.1170893 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86373
in Geocarto international > vol 32 n° 7 (July 2017) . - pp 735 - 748[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 059-2017071 RAB Revue Centre de documentation En réserve L003 Disponible Attribute profiles on derived features for urban land cover classification / Bharath Bhushan Damodaran in Photogrammetric Engineering & Remote Sensing, PERS, vol 83 n° 3 (March 2017)
[article]
Titre : Attribute profiles on derived features for urban land cover classification Type de document : Article/Communication Auteurs : Bharath Bhushan Damodaran, Auteur ; Joachim Höhle, Auteur ; Sébastien Lefèvre, Auteur Année de publication : 2017 Article en page(s) : pp 183 - 193 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] attribut
[Termes IGN] classification dirigée
[Termes IGN] données auxiliaires
[Termes IGN] hauteur ellipsoïdale
[Termes IGN] image aérienne
[Termes IGN] image multibande
[Termes IGN] indice de végétation
[Termes IGN] occupation du sol
[Termes IGN] précision de la classification
[Termes IGN] zone urbaineRésumé : (Auteur) This research deals with the automatic generation of 2D land cover maps of urban areas using very high resolution multispectral aerial imagery. The appropriate selection of classifier and attributes is important to achieve high thematic accuracies. In this paper, new attributes are generated to increase the discriminative power of auxiliary information provided by remote sensing images. The generated attributes are derived from the vegetation index and elevation information using morphological attribute profiles. The extended experimental evaluation and comparison of attribute profile-based mapping solutions is conducted to derive the optimal combinations of attributes required for classification and to understand the genericity of attributes on a range of classifiers, i.e., various combinations of attributes and classifiers. Experimental results with two high resolution images show that the proposed attributes derived on auxiliary information outperform the existing attribute profiles computed on original image and its principal components. Numéro de notice : A2017-087 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.14358/PERS.83.3.183 En ligne : https://doi.org/10.14358/PERS.83.3.183 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84422
in Photogrammetric Engineering & Remote Sensing, PERS > vol 83 n° 3 (March 2017) . - pp 183 - 193[article]Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers / Clément Dechesne (2017)
Titre : Segmentation sémantique de données de télédétection multimodale : application aux peuplements forestiers Titre original : Semantic segmentation of multimodal remote sensing data : case study of forest stands Type de document : Article/Communication Auteurs : Clément Dechesne , Auteur ; Clément Mallet , Auteur ; Arnaud Le Bris , Auteur ; Valérie Gouet-Brunet , Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2017 Conférence : ORASIS 2017, 16e journées francophones des jeunes chercheurs en vision par ordinateur 12/06/2017 16/06/2017 Colleville-sur-Mer France open access proceedings Importance : 8 p. Note générale : Bibliographie Langues : Français (fre) Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] arbre (flore)
[Termes IGN] attribut géomètrique
[Termes IGN] attribut sémantique
[Termes IGN] base de données localisées IGN
[Termes IGN] classification dirigée
[Termes IGN] délimitation
[Termes IGN] données lidar
[Termes IGN] espèce végétale
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] méthode de réduction d'énergie
[Termes IGN] peuplement forestier
[Termes IGN] précision de la classification
[Termes IGN] segmentation sémantiqueRésumé : (Auteur) La délimitation des peuplements forestiers est une connaissance fondamentale pour la gestion des forêts, pour les politiques publiques, pour l’aménagement du territoire, etc. Cette tâche est encore principalement réalisée manuellement par photo-interprétation d’images géospatiales à (très) haute résolution spatiale (THR). La délimitation des peuplements a été peu abordée dans la littérature, et s’est principalement intéressée, dans des environnements forestiers, à l’extraction individuelle des arbres, qui reste imprécise, et la classification des espèces d’arbres, qui présente des résultats peu satisfaisants. Dans cet article, une méthode fondée sur la fusion des données lidar aéroportées et des images multispectrales THR est proposée pour la délimitation automatique des peuplements forestiers. Les images multispectrales donnent des informations sur les espèces d’arbres, tandis que les nuages de points lidar 3D fournissent des informations géométriques (sur la hauteur principalement). Des attributs multimodaux sont calculés, à la fois au niveau du pixel et de l’objet : les objets sont obtenus à partir d’une sur-segmentation. Une classification supervisée est ensuite effectuée au niveau de l’objet afin de discriminer grossièrement les espèces d’arbres existantes dans chaque zone d’intérêt. Les résultats de la classification sont ensuite traités pour obtenir des zones homogènes avec des frontières lisses par minimisation d’énergie. La formulation de l’énergie comporte deux parties ; une liée à la classification, et une autre dans laquelle des contraintes supplémentaires liées aux attributs précédemment calculés, sont ajoutées. Le modèle énergétique est efficace avec un gain de précision jusqu’à 15% par rapport à la classification au niveau de l’objet. Les résultats de la segmentation utilisant ce modèle ont une précision allant de 96% à 99% par rapport à la Base de Données Forêt de l’IGN. Numéro de notice : C2017-015 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésNat DOI : sans En ligne : https://hal.archives-ouvertes.fr/hal-01866680 Format de la ressource électronique : vers HAL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=87048 Documents numériques
en open access
C2017-015-Segmentation sémantique - version auteurAdobe Acrobat PDF A two-step decision fusion strategy: application to hyperspectral and multispectral images for urban classification / Walid Ouerghemmi (2017)
contenu dans ISPRS Hannover Workshop: HRIGI 17 – CMRT 17 – ISA 17 – EuroCOW 17 / Christian Heipke (2017)
Titre : A two-step decision fusion strategy: application to hyperspectral and multispectral images for urban classification Type de document : Article/Communication Auteurs : Walid Ouerghemmi , Auteur ; Arnaud Le Bris , Auteur ; Nesrine Chehata , Auteur ; Clément Mallet , Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2017 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 42-1/W1 Projets : HYEP / Weber, Christiane Conférence : ISPRS 2017, Workshops HRIGI – CMRT – ISA – EuroCOW 06/06/2017 09/06/2017 Hanovre Allemagne ISPRS OA Annals Importance : pp 167 - 174 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification orientée objet
[Termes IGN] fusion d'images
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] incertitude géométrique
[Termes IGN] précision de la classificationRésumé : (auteur) Very high spatial resolution multispectral images and lower spatial resolution hyperspectral images are complementary sources for urban object classification. The first enables a fine delineation of objects, while the second can better discriminate classes and consider richer land cover semantics. This paper presents a decision fusion scheme taking advantage of both sources classification maps, to produce a better classification map. The proposed method aims at dealing with both semantic and spatial uncertainties and consists in two steps. First, class membership maps are merged at pixel level. Several fusion rules are considered and compared in this study. Secondly, classification is obtained from a global regularization of a graphical model, involving a fit-to-data term related to class membership measures and an image based contrast sensitive regularization term. Results are presented on three datasets. The classification accuracy is improved up to 5 %, with comparison to the best single source classification accuracy. Numéro de notice : C2017-022 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLII-1-W1-167-2017 Date de publication en ligne : 10/06/2017 En ligne : https://doi.org/10.5194/isprs-archives-XLII-1-W1-167-2017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89282 Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas / Charlotte Pelletier in Remote sensing of environment, vol 187 (15 December 2016)
[article]
Titre : Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas Type de document : Article/Communication Auteurs : Charlotte Pelletier, Auteur ; Silvia Valero, Auteur ; Jordi Inglada, Auteur ; Nicolas Champion , Auteur ; Gérard Dedieu, Auteur Année de publication : 2016 Article en page(s) : pp 156 - 168 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] caractérisation
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] France (administrative)
[Termes IGN] image Landsat-8
[Termes IGN] image Sentinel
[Termes IGN] image SPOT 4
[Termes IGN] méthode robuste
[Termes IGN] précision de la classification
[Termes IGN] série temporelleRésumé : (Auteur) New remote sensing sensors will acquire High spectral, spatial and temporal Resolution Satellite Image Time Series (HR-SITS). These new data are of great interest to map land cover thanks to the combination of the three high resolutions that will allow a depiction of scene dynamics. However, their efficient exploitation involves new challenges, especially for adapting traditional classification schemes to data complexity. More specifically, it requires: (1) to determine which classifier algorithms can handle the amount and the variability of data; (2) to evaluate the stability of classifier parameters; (3) to select the best feature set used as input data in order to find the good trade-off between classification accuracy and computational time; and (4) to establish the classifier accuracy over large areas. This work aims at studying these different issues, and more especially at demonstrating the ability of state-of-the-art classifiers, such as Random Forests (RF) or Support Vector Machines (SVM), to classify HR-SITS. For this purpose, several studies are carried out by using SPOT-4 and Landsat-8 HR-SITS in the south of France. Firstly, the choice of the classifier is discussed by comparing RF and SVM algorithms on HR-SITS. Both classifiers show their ability to tackle the classification problem with an Overall Accuracy (OA) of 83.3 % for RF and 77.1 % for SVM. But RF have some advantages such as a small training time, and an easy parameterization. Secondly, the stability of RF parameters is appraised. RF parameters appear to cause little influence on the classification accuracy, about 1% OA difference between the worst and the best parameter configuration. Thirdly, different input data – composed of spectral bands with or without spectral and/or temporal features – are proposed in order to enhance the characterization of land cover. The addition of features improves the classification accuracy, but the gain in OA is weak compared with the increase in the computational cost. Eventually, the classifier accuracy is assessed on a larger area where the landscape variabilities affect the classification performances. Numéro de notice : A2016--109 Affiliation des auteurs : IGN+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.rse.2016.10.010 Date de publication en ligne : 15/10/2016 En ligne : http://doi.org/10.1016/j.rse.2016.10.010 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=84726
in Remote sensing of environment > vol 187 (15 December 2016) . - pp 156 - 168[article]Hyperspectral feature extraction using total variation component analysis / Behnood Rasti in IEEE Transactions on geoscience and remote sensing, vol 54 n° 12 (December 2016)PermalinkDistributed texture-based land cover classification algorithm using hidden Markov model for multispectral data / S. Jenicka in Survey review, vol 48 n° 351 (October 2016)PermalinkAn assessment of algorithmic parameters affecting image classification accuracy by random forests / Dee Shi in Photogrammetric Engineering & Remote Sensing, PERS, vol 82 n° 6 (June 2016)PermalinkCartographie des végétations herbacées des marais littoraux à partir de données topographiques LiDAR / Sébastien Rapinel in Revue Française de Photogrammétrie et de Télédétection, n° 210 (Avril 2015)PermalinkPanorama sur les méthodes de classification des images satellites et techniques d'amélioration de la précision de la classification / O. El Kharki in Revue Française de Photogrammétrie et de Télédétection, n° 210 (Avril 2015)PermalinkGabor feature-based collaborative representation for hyperspectral imagery classification / Sen Jia in IEEE Transactions on geoscience and remote sensing, vol 53 n° 2 (February 2015)PermalinkImproved land cover mapping using aerial photographs and satellite images / Katalin Varga in Open geosciences, vol 7 n° 1 (January 2015)PermalinkHyperspectral data dimensionality reduction and the impact of multi-seasonal Hyperion EO-1 imagery on classification accuracies of tropical forest species / Manjit Saini in Photogrammetric Engineering & Remote Sensing, PERS, vol 80 n° 8 (August 2014)PermalinkKernel sparse multitask learning for hyperspectral image classification with empirical mode decomposition and morphological wavelet-based features / Z. He in IEEE Transactions on geoscience and remote sensing, vol 52 n° 8 Tome 2 (August 2014)PermalinkUL-Isomap based nonlinear dimensionality reduction for hyperspectral imagery classification / Weiwei Sun in ISPRS Journal of photogrammetry and remote sensing, vol 89 (March 2014)Permalink