Une méthodologie versatile et efficace de fusion de données aéroportées hétérogènes issues de capteurs LiDAR et d'imagerie optique acquises sous des conditions non-contraintes

A versatile and efficient data fusion methodology for heterogeneous airborne LiDAR and optical imagery data acquired under unconstrained conditions

• Auteur / Autrice : Thanh Huy Nguyen
• Direction : Jean-Marc Le Caillec, Sylvie Daniel
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 04/12/2020
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire en cotutelle avec Université Laval (Québec, Canada)
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Lab-STICC_IMTA_CID_PRASYS - Département lmage et Traitement Information - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Jury : Président / Présidente : Jean-Paul Haton
• Jury : Examinateurs / Examinatrices : Jean-Marc Le Caillec, Sylvie Daniel, Jocelyn Chanussot, Denis Laurendeau, Frédéric Maussang
• Jury : Rapporteur / Rapporteuse : Jocelyn Chanussot, Denis Laurendeau

Mots clés

Mots clés contrôlés

Bases d'informations généralisées

Imagerie tridimensionnelle haute résolution

Villes

Imagerie satellitaire

Lidar

Mots clés libres

LiDAR

Imagerie optique

Recalage de données

Extraction de bâtiments

Super résolution

Scènes urbaines

LiDAR

Optical imagery

Data registration

Building extraction

Super-resolution

Urban scenes

Résumé

La fusion de données issues du LiDAR aéroporté et de l'imagerie optique aérienne ou satellite permet de représenter des scènes observées en 3-D avec une meilleure précision et une meilleure complétude. Une telle fusion a montré de forts avantages pour l'extraction de bâtiments à grande échelle ainsi que pour d’autres applications en télédétection, permettant à surmonter les défis inhérents à chaque source de données. Cependant, les méthodes de fusion existantes n'ont pas été conçues pour traiter des jeux de données acquis à partir de plateformes différentes, dans différentes configurations, à des moments différents, ayant des résolutions spatiales et des niveaux de détail différents. Ces conditions d’acquisition sont appelées les conditions non-contraintes. De plus, de nombreuses méthodes d'extraction de bâtiments proposées au fil des ans ont obtenu des résultats relativement significatifs mais en définissant des formes a priori pour les bâtiments, en imposant des contraintes géométriques, ou en se limitant à des zones spécifiques. De telles hypothèses ne sont plus envisageables lorsqu’il s’agit des jeux de données à grande échelle. Ce travail de recherche est consacré au développement d'une méthode versatile de recalage grossier à fin entre des jeux de données collectées dans un contexte d'acquisition non-contraint. De plus,une méthode efficace d'extraction de bâtiments a été proposée, offrant un niveau de précision élevé tout en étant une méthode non-supervisée dédiée aux applications à grande échelle. Des résultats pertinents ont été obtenus lors des évaluations rigoureuses des méthodes proposées, à savoir une précision hautement souhaitable par rapport aux méthodes existantes.

The fusion of airborne LiDAR and aerial/satellite optical imagery datasets allows representing observed scenes in 3-D with a better precision and completeness. Such a fusion has shown strong advantages for large-scale building extraction as well as other remote sensing applications, enabling to overcome the challenges from each data source. However, existing fusion methods do not cope with datasets collected from different platforms with different acquisition configurations, at different moments, and having different spatial resolutions and levels of detail. Such acquisition conditions are referred to as the unconstrained conditions. In addition, building extraction methods reported over the years have achieved relatively significant results by assuming building shapes, enforcing geometrical constraints, or limiting on specific urban areas. Such as sumptions are no longer applicable when dealing with large-scale datasets. This research workis devoted to the development of a versatile coarse-to-fine registration method between datasets acquired in such an unconstrained context. In addition, an efficient building extraction method has been proposed, providing a high accuracy level while being an unsupervised method dedicated to large-scale applications. Relevant results have been achieved upon rigorous assessments of the proposed methods, namely highly desirable accuracy compared to existing methods.