Classification de données LiDAR bi-spectral topo-bathymétriques par une approche multi-échelle : Application en milieu fluvial
Résumé
The monitoring of a natural/semi-natural space often requires the automatic identification of the various objects present such as vegetation, soil, water, buildings, etc. In the fluvial context, the detection of bathymetric classes (surface and mainly water bottom) is essential for many applications , such as the management of rivers or streams. In order to obtain them, the topo-bathymetric LiDAR is an interesting tool because it makes it possible to construct two 3D point clouds at a very high spatial resolution of the scenes scanned from two specific wavelengths: 1064 nm and 532 nm. The topographic aspect, by the wavelength 1064 nm, allows to recover the spatial structure of the different objects. The bathymetric aspect comes from the wavelength 532 nm entering the water and sometimes allowing access to the bottom of the river. Thus, classifying the different topo-bathymetric objects from these two points clouds is an essential issue. In this article, we extend the multi-scale approach to characterize spatial structures, which has already demonstrated its performance for point cloud analysis, with new descriptors taking into consideration the bi-spectral aspect. The classification is carried out using a technique of Random Forest which offers the possibility to analyze the most contributive descriptors in the classification and thus to better understand the impact of the bispectral data.
Le suivi d'un espace naturel/semi-naturel requiert souvent d'identifier automatiquement les différents objets présents tels que la végétation, le sol, l'eau, les bâtiments, etc. Dans le contexte fluvial, la détection des classes bathymétriques (surface et fond de l'eau principalement) est essentielle pour de nombreuses applications, comme la gestion des rivières ou cours d'eaux par exemple. Afin de les obtenir, le LiDAR topo-bathymétrique est un outil intéressant car il permet de construire deux nuages de points 3D à une très grande résolution spatiale des scènes scannées à partir de deux longueurs d'onde spécifiques : 1064 nm et 532 nm. L'aspect topographique, porté par la longueur d'onde à 1064 nm, permet de récupérer la structure spatiale des différents objets. Le côté bathymétrique provient de la longueur d'onde 532 nm pénétrant dans l'eau et permettant parfois d'accéder jusqu'au fond de rivière. Ainsi, classer les différents objets topo-bathymétriques à partir de ces deux nuages de points est un enjeu essentiel. Dans cet article, nous étendons l'approche multi-échelle permettant de caractériser les structures spatiales, qui a déjà démontré ses performances pour l'analyse de nuages de points, avec de nouveaux descripteurs prenant notamment en considération l'aspect bi-spectral. La classification est réalisée au moyen d'une technique de forêts aléatoires qui offre la possibilité d'analyser les descripteurs les plus informatifs dans la classification, et donc de mieux comprendre l'impact de la donnée bi-spectrale.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...