Outils pour utilisateurs

Outils du site


foulon

Termes générals

DEM / DTM : Digital Terrain Models (MNT en français, Modèle numérique de terrains), il s’agit d’un modèle 3D d’un environnement ne permettant pas de faire la différence entre le sol, les bâtiments et la végétation

DSM : digital surface model (MNE en français, Modèle numérique d’élévation), il s’agit aussi d’un modèle 3D comme les MNT mais ici on peut différencier le sol par rapport aux bâtiments et à la végétation.

Nadir : en avant et en arrière (au sens de direction des mesures)

GPS : Global Positioning System

INS : Inertial Navigation System

CCD high resolution : résolution des caméras de type CMOS

GSD : ground sample distance

PCA : Principal Components Analysis, technique de simplification de données utilisé en statistique lorsqu’il y a plusieurs variables. Le but de cette méthode est de réduire significativement le nombre de variables à analyser.

GIS: geographic information system

UAV: unmanned aerial vehicle

NIR : near infrared, proche infrarouge

True colour: couleur du spectre visible

STOP : Solid True Orthophotos

ROA : Remotely Operated Aircraft

Orthoimage / orthophoto : il s’agit d’images ayant une métrique, c’est à dire qu’elles sont rectifiées et normalisées de telle sorte qu’on puisse distinguer des distances (en m le plus souvent) sur une image

DoG : Differrence of gaussian, différence de gaussienne, algorithme d'amélioration d'image, la différence de gaussiennes peut être utilisée pour augmenter la visibilité des contours ou autres détails présents sur l'image traitée. Le DoG est un traitement appliqué à une image en niveaux de gris et consistant en la soustraction d'une version floutée de l'image d'origine à une autre version moins floutée de cette même image. Les images floutées sont obtenues par la convolution de l'image originale en niveaux de gris avec des noyaux gaussiens de variances très proches. Le DoG réhausse les détails de hautes fréquences. Mais le bruit aléatoire ayant aussi une haute fréquence spatiale il est lui aussi réhaussé, ce qui constitue un artefact indésirable.

HoG :Histogram of gradient, histogramme de gradient.

LoG :Laplacian of Gaussian, laplacien gaussien

SWOT Analysis : “Strengths, Weakness, Opportunities and Threats” Analysis, analyse visant à identifier les forces, les faiblesses, les opportunité et les risques d'un projet. Une matrice SWOT est utilisé pour représenter cette analyse

Algorithmes

Pre-traitement / traitement utilisé dans la détection d'objets

MIGC3 : Multi Image Geometrically Constraint Cross-Correlation, algorithme permettant l’appariement des pixels de différentes images. Il permet un appariement d’objet sur différentes images même partiellement cachés

S2MF : Self-tuning Standard deviation Median Filter, il s’agit d’un filtre permettant de traiter des images ayant des conditions d’illuminations différentes en normalisant l'éclairage

Algortihmes de détection d'objets

Spin Image : technique de reconnaissance d’objet 3D. Elle se base sur l’appariement des surfaces des objets 3D et a la particularité de ne pas dépendre de l’orientation de l’objet.

Chaîne de Markov : est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Très utilisé dans les processus de reconnaissance de forme.

Algorithmes de classification

SVM : support vector machine, apprentissage supervisé souvent associés à des algorithme d'apprentissage pour reconnaîtres des modèles d'objets. Cet apprentissage se base sur des histogrammes.

LMS : Least Median Square, méthode des moindres carrés, peut servir pour l'apprentissage des structures à classifier

OBIA: object based image analysis, il s’agit d’une analyse permettant d’évaluer une image et de classifier et d’extraire avec une certaines précision les objets présents sur cette dernière.Classification non supervisée et inductive (apprentissage par l'expérience).Il utilise l'analyse SWOT comme base

SIFT : Scale Invariant Feature Transform, est un algorithme utilisé dans le domaine de la vision par ordinateur pour détecter et identifier les éléments similaires entre différentes images numériques. Il permet de détecter des éléments similaires entre plusieurs images et donc de faire une classification non supervisée (traitement automatique des données). L'apprentissage des caractéristiques se font de manières automatiques. Il existe aussi une amélioration de l'opérateur SIFT, le A2-SIFT (auto-adaptative SIFT) qui fait varier certains seuil pour augmenter le taux de reconnaissance positif. Il est un détecteur de points d’intérêts invariant aux changements d’échelle et aux rotations

SURF : Speeded Up Robust Featuresest, dérivant du SIFT, il est un détecteur de points d’intérêts invariant aux changements d’échelle et aux rotations. Il offre un temps de traitement plus rapide que le SIFT. Il reprend les points forts des meilleurs détecteurs et descripteurs l’ayant précédé, en utilisant des mesures à base de matrices hessiennes rapides pour le détecteur et un descripteur basé sur les distributions.

Partitionnement de données (clustering data) : classification non supervisés dont le principe est un algorithme qui prend en entrée des données et qui les réparties en plusieurs classes. Ce traitement se fait de manière automatique (non supervisé).

MRF : Markov Random Field, champ aléatoire de Markov, il s'agit d'un outil d'analyse spatiale permettant de classifier des objets selon des modèles. Dans ces modèles les relations d'interdépendances sont décrites par un graphe non orienté, en tenant compte de la caractéristique markovienne exprimant que la dépendance spatiale ne provient que des voisins immédiats. Cette classification est non supervisée.

Réseau de neurone : système capable d'apprendre et de mettre en œuvre le principe de l'induction, c’est-à-dire l'apprentissage par l'expérience. Par confrontation avec des situations ponctuelles, ils infèrent un système de décision intégré dont le caractère générique est fonction du nombre de cas d'apprentissages rencontrés et de leur complexité par rapport à la complexité du problème à résoudre.

foulon.txt · Dernière modification: 2013/05/13 08:33 par 193.54.120.175