Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles

Dimension: px

Commencer à balayer dès la page:

Download "Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles"

Lucille Bonnet
il y a 7 ans
Total affichages :

1 Séparer végétation et sédiments dans des données LiDAR par une approche multiéchelles Nicolas Brodu¹, Dimitri Lague² ¹ : Institut Physique de Rennes ² : Géosciences Rennes GDR TransNat, Clermont-Ferrand, 17 mai /16

2 Contexte : Données LiDAR terrestre Otira river, Nouvelle Zélande Sédiments, Mont St Michel 2/16

3 Contexte : Données LiDAR terrestre Données réellement 3D Gros nuages de points (OK avec Cloud Compare par ex) 3/16

4 Exemples d applications Quelques usages des données LiDAR : Pour étudier l avancement des berges (cf. Jérôme Leroux) Pour suivre les surfaces fraîchement exposées des éboulis Pour établir des statistiques sur la végétation, les roches, les surfaces en présence, etc Calibration de modèles d écoulement hydrodynamiques Exemple : Accumulation de sédiments par les plantes 4/16 Plantes = quelques dizaines de cm, Accumulation = quelques cm Rapport signal (les sédiments) au bruit (les plantes) très défavorable Besoin de séparer d abord les végétaux

5 Séparation sédiments / plantes On aimerait bien passer de ça (données LiDAR brutes : x,y,z) 5/16

6 Séparation sédiments / plantes À ça : données LiDAR sans la végétation Pb : tailles et formes très variées reconnaissance automatique? 6/16

7 Séparation sédiments / plantes De façon automatisée, avec niveaux de confiance, et rapidement Reconnaissance OK! Mais avec une approche non standard 7/16

8 Principe Comparons quelques objets Sable : 2D vu de près comme de loin Cailloux : 3D de près, 2D de loin Végétaux : Mélange de près (feuilles, tiges ), buisson de loin Idée : Dimensionalité locale multi-échelle! En bleu : Un exemple de végétation. En rouge : Un exemple de sol. En gris : points non labellisés 8/16

9 Dimension fractale? Dimensionalité locale Non : défini sur plusieurs échelles, mais donne juste un seul nombre Spectre multifractal? Non : caractérise les relations entre échelles, mais pas d information dimensionnelle locale à une échelle donnée. 9/16

10 Dimension fractale? Dimensionalité locale Non : défini sur plusieurs échelles, mais donne juste un seul nombre Spectre multifractal? Non : caractérise les relations entre échelles, mais pas d information dimensionnelle locale à une échelle donnée. Une ACP par échelle! Sur une boule de voisinage, diamètre = l échelle considérée Rapports entre valeurs propres = quantifie la forme locale du nuage de point 9/16

11 Multi-échelle Pas d échelle unique vraiment discriminante pour toutes les classes! Considérer toutes les échelles en même temps. 10/16

12 Plan de séparabilité maximale Problème 2 paramètres par échelle nombreuses échelles = grande dimension Réduction nécessaire : meilleure classification, visualisation en bonus 11/16

13 Plan de séparabilité maximale Problème 2 paramètres par échelle nombreuses échelles = grande dimension Réduction nécessaire : meilleure classification, visualisation en bonus Sol Végétation Groupes bien identifiés! Alors que sur chaque échelle, non. 13/16

14 Plan de séparabilité maximale Problème 2 paramètres par échelle nombreuses échelles = grande dimension Réduction nécessaire : meilleure classification, visualisation en bonus Frontière de décision non linéaire et éditable Sol Végétation Probas en bonus Principe Comme une ACP mais maximisant la séparabilité et non la variance SVM linéaire pour chaque direction 2 directions de séparabilité maximale = plan Puis apprentissage semi-supervisé Définition d un classificateur automatisée, modifiable à la souris par l expérimentateur! 14/16

15 Résultat multi-classes, multi-échelles Bleu : eau, Rouge : galets, Vert : végétation, Gris : rochers 15/16

16 Conclusion Approche 100 % géométrique Fiable, contrairement à l intensité réfléchie et au signal RGB Peu sensible aux ombres, densité variable, artefacts Approche non standard Signature de dimensionnalité locale multi-échelle nouvelle Peut être complémentée si nécessaire (verticalité, etc ) Usage d outils d Apprentissage Machine SVM, apprentissage semi-supervisé bien connus et maîtrisés Plan de séparabilité moins bien connu mais très efficace Utilisable par un non-spécialiste Entièrement automatisé, contrôle graphique possible pour raffiner Élargi le champ d application des données LiDAR! Fin!

17 Perspectives

Documents pareils

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /