Ceci est une ancienne révision du document !
Table des matières
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. Dans cet article 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
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
• SVM : support vector machine, apprentissage supervisé souvent associés à des algorithme d'apprentissage pour reconnaîtres des modèles d'objets.
• LMS : Least Median Square, méthode des moindres carrés, peut servir pour l'apprentissage des structures à classifier
Algortihme 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.
Algorithme de classification non supervisé
• 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
• 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 s’agit d’une méthode de classification non supervisée (traitement automatique des données). L'apprentissage des caractéristiques se font de manière automatiques et est intégrée dans l'opérateur SIFT. 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 s'agit principalement de modifier des seuil normalisant les conditions d'illumination ou corrigeant des distorsions.
• 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.