Académique Documents
Professionnel Documents
Culture Documents
Email : Frederic.Bretar@ign.fr
2Institut EGID Universit Bordeaux 3, 1 Alle Daguin 33607 Pessac
Email : Nesrine.Chehata@egid.u-bordeaux3.fr
Lidar aroport, Modles Numriques de Terrain, Indice de vgtation, Classification, Filtre de Kalman.
The knowledge of an accurate topography is a prerequest for monitoring natural hazards and for environmental
management (e.g. hydrologic and erosion models). Remote sensing lidar systems are active sensors which record
altimeter data of the Earths surface as 3D point clouds : from an emitted laser pulse, the receptor detects backscaterred
photons from the reflecting target. The altimeter accuracy is often higher than in the case of using stereoscopic
conventional techniques, even if the ground density of the data is often lower. Additionnaly, beyond the altimeter
information, these data contain spectral information related to the target reflectance in the infra-red domain. Depending
on the target geometry, lidar systems can acquire several echos for a single laser pulse. This property is particularly
interesting in forests or in areas of urban vegetation since it provides not only the canopy height, but also, under certain
conditions, the terrain height under the vegetation layer.
Many algorithms have been implemented to sort out the automatic classification problem of 3D point clouds providing
ground and off-ground points as well as the Digital Terrain Model (DTM). This is mainly due to the various aspects of
landscapes within a global survey which can include urban, forest or mountainous areas.
This paper presents the generation of DTMs based on the joint use of optical images and lidar data. The study is
focused on rural areas where a large scale mapping is a major issue. We propose an algorithm based on a predictive
Kalman filter for which the temporal component is replaced by a spacial indexation. The algorithm consists in analyzing
the altimeter distribution of the point cloud of a local area in the local slope frame. We insist on the role of local slopes
for determining the ground height especially in case of steep slope terrain. We assume that points of the first altimeter
mode (lowest points) belong to the terrain. The mean height of these points correspond to the measured DTM value. The
final DTM value at a specific position is obtained by a linear combination between the measured value and the predicted
value. The predicted value depends on the neighboring pixels through their respective uncertainties. The slopes are also
integrated in the predictive filter. The local slope is estimated by robust M-estimator, based on the local first altimeter
mode. The final slope for each site depends on the corresponding neighborhood uncertainties. This process makes the
slope estmation more robust. Finally, the predictive Kalman framework provides not only a robust terrain surface, but
also an uncertainty for each DTM pixel as well as a map of normal vectors.
The local window size is a critical parameter in filtering algorithms. It should be small enough to keep all ground details
but large enough to ensure the removal of off-ground objects such as trees or/and buildings. Consequently, we
introduce an adaptation of the local neighborhood based on the integration of image and lidar data within a predictor of
high vegetation areas. In this context, we decided to investigate the potential of using raw uncalibrated lidar intensity in
case of a joint indice computation, which is generally derived from image-based infrared data. Consequently, lidar
intensity and optical images are combined to generate a Hybrid Normalized Difference Vegetation Index (HNDVI). The
lidar provides the infrared band whereas the aerial image provides RGB spectral bands.
A vegetation mask is then calculated with HNDVI and lidar variance information. In fact, higher values of HNDVI are likely
to correspond to vegetated areas and vegetation is described as non-ordered point cloud with a high variance compared
to human-made structures. Based on the vegetation mask, the local neighborhood size continuously varies from a
predefined minimum distance to an automatically processed upper boundary depending on the vegetated area density.
Lidar data have been collected in 2004 by the Institut Franais de Recherche pour lExploitation de la Mer (IFREMER)
over the Morbihan Gulf, France. It has been funded by TOTAL. The entire survey is composed of 230.106 points with
intensities and has been acquired with an ALTM (Optech) system 1210. The point density is 0.7 pt/m2. The lidar
wavelength is 1064 nm. Optical images are extracted from the BDOrtho French orthophoto data basis of the Institut
Gographique National with a nominal resolution of 0.5 m, but resampled at 2.5 m for the generation of the
Hybrid-NDVI image.
Conclusive results show the potentiality of a full combination of lidar data and RGB optical images for improving the
generation of fine DTMs on rural environments. The filtering process is more robust, DTM are less picked due to
vegetation filtering. However, in case of dense vegetation, the window size can be large and the average terrain height
may be underestimated. As future work, further area predictors can be developed to adapt the proposed methodology
to various landscapes and relieves.
Airborne Lidar, Digital Terrain Models, Vegetation Indice, Classification, Kalman filter.
1.2.1 Topologie
dl = max
(zl ) (2)
l V
el = min
(zl ) (3)
l Vl
Network) a lavantage majeur de modliser explicitement les a et b dterminent la forme de la fonction de poids. Les points
discontinuits du sol. partir dun TIN initial contenant un sont pondrs de manire privilgier les rsidus ngatifs,
nombre rduit de sommets daltitude minimale rpartis unifor- cest--dire les points situs sous la surface. Celle-ci sera donc
mment sur le nuage de points, le rseau de triangles est pro- attire par les points les plus bas. Lalgorithme est itr jusqu
gressivement densifi par des points (nouveaux sommets) dont lobtention dune surface stable.
la distance au triangle le plus proche est infrieure un seuil. Des approches dveloppes dans la littrature, seule la dernire
Un autre seuil est introduit limitant la pente des triangles. Le prend en compte les proprits gostatistiques de lenvironne-
processus itratif sarrte lorsque la surface TIN est stable. ment local. Cependant, le mcanisme itratif nassure pas expli-
citement une cohrence entre sites (pixels) voisins, ce qui est
une information a priori capitale pour guider lestimation loca-
2.3 Interpolation le du terrain. Cest dans ce cadre que nous proposons une nou-
velle approche de gnration de MNT base sur le formalisme
Les travaux de Kraus et Pfeifer [13] sont bass sur une interpo- prdictif dun filtre de Kalman (partie 3). La varit des pay-
lation itrative proche du krigeage. Cette mthode, trs populai- sages rencontrs rend difficile le succs dun unique algorithme
re, est reprise [3], voire modifie [14] par de nombreux auteurs. [19]. Ladaptation locale des paramtres au type de paysage
Lalgorithme consiste faire voluer les paramtres de linter- (urbain, massif forestier, vgtation ) est une tape nces-
polateur en fonction dune pondration associe aux points saire. Lintroduction de prdicteurs de paysage est donc utilise
lidar. Si z = (z 1 ,. . . ,z n )T est laltitude des points lidar pour modifier le systme de voisinage local lors du parcours du
( p1 ,. . . , pn ) au sein dun voisinage V p de centre p, laltitude nuage de points. Dans cette tude, nous nous sommes particu-
prdite de p est exprime en fonction des informations de cova- lirement intresss la prdiction de zones de vgtation haute
riance sur V p par pour lesquelles le taux de pntration dun faisceau lidar varie
fortement en fonction de la densit du couvert vgtal : plus
z p = cT C 1 z (6) cette densit est importante, plus la probabilit que le faisceau
lidar soit rflchi par le sol diminue. Lestimation du sol par-
avec tir des points daltitude minimale dans un voisinage peut alors
tre errone. Cette prdiction est effectue en combinant des
c = (C ( pp1 ),C ( pp2 ),. . . ,C ( ppn ))T (7) donnes image arienne RVB et lintensit des donnes lidar.
C( p p ) C ( p1 p2 ) ... C ( p1 pn )
1 1
C ( p2 p2 ) C ( p2 pn )
C =
..
.
..
.
(8) 3. Gnration de MNT
C( pn pn ) par filtrage prdictif
La fonction de covariance C est modlise par une fonction
exponentielle dfinie par :
3.1 Le filtre prdictif de Kalman
2 2
i + C (0) = 0i + C (0) si i = k
C ( pi pk ) = (9) Le filtre de Kalman traditionnel permet de mettre en relation la
d 2 ( pi , pk )
C (0)e f si i =
/ k prdiction dun tat au temps t sachant les tats passs avec la
mesure effective de cet tat au temps t via leurs incertitudes res-
o C (0) est la covariance distance nulle, d( pi , pk ) la distance pectives. La valeur finale de ltat au temps t est une combinai-
planimtrique entre les points pi et pk , f un facteur contrlant la son linaire de la prdiction et de la mesure. Ici, le temps est
pente de C . La variance des points sur V p est la somme de C (0) remplac par la position spatiale dun systme de voisinage
et de la variance i2 sur la mesure du point pi . La prcision ini- cylindrique (galement dnomm lment structurant) Vs .
tiale 0 est suppose la mme pour tous les points de V p . On Notre systme est reprsent au site k par le vecteur dtat
T
associe finalement une variance chaque point dpendant de xk = x1,k . . . xn,k de dimension n 1, n N et une matrice
ses rsidus i par rapport la surface calcule. On dfinit alors de covariance Sk de dimension n n. Le formalisme rcursif de
i par Kalman dcrit le systme par deux quations. Dune part une
quation dtat dcrivant la transition dun site k, tant donn
1 si i g, g R son environnement local Vk , vers le site k + 1 , reprsent par
i = 1
si g < i g+w,w R(a,b) R2 (10) une matrice de transition k de dimension n m. Si est une
1+(a(i g) b
)
relation dordre le long de la trajectoire du systme,
0 si g + w < i Vk = {si /si k}i est lensemble des sites voisins (8-connexes)
a) Diffrence altimtrique code en niveaux de gris entre deux MNT b) Profil du MNT le long de la diagonale.
calculs avec et sans prise en compte de la pente locale une rsolution Les points gris sont les points lidar.
de 0,5 m.
L p=1.2 [21]. Cet algorithme est implment sous la forme dun On dfinit ensuite la matrice de covariance Sk|Vk1 associe la
systme par moindre carrs itratifs pondr o les poids sont prdiction de mesure comme une matrice diagonale dont les
recalculs chaque itration en fonction des rsidus associs composantes sont les maxima des variances associes chaque
chaque point. composante dans un voisinage 8-connexe. On a :
Le calcul des plans locaux de manire indpendante sur chaque
site a montr certaines incohrences entre sites voisins entra- Sk|Vk1 = diag[ max Ssi (n x ),max Ssi (n y ), (18)
si Vk si Vk
nant des erreurs dans le MNT final. Les figures 4(a), 4(c), 4(e),
reprsentant les composantes (n x ,n y ,n z ) des normales locales max Ssi (n z ),max Ssi (d)]
si Vk si Vk
calcules sur un nuage de points sur une grille de 1 m de rso-
lution, montrent que les coordonnes des normales sont bruites La figure 4 compare les rsultats obtenus pour le calcul des nor-
dans les trois directions. Ces erreurs sont provoques par une males de faon indpendante, puis en utilisant le filtrage pr-
rpartition planimtrique et altimtrique des points lidar non dictif dcrit ci-dessus. Dans ce cas, on remarque que la coh-
reprsentative de la gomtrie locale de la surface terrain. rence des directions des normales entre sites voisins est meilleu-
Cependant, la dtection de telles erreurs savre difficile, un re et que le bruit selon les composantes est fortement attnu.
seuillage sur la somme des rsidus ntant pas satisfaisant. Nous
avons donc implment un filtre de Kalman pour lestimation
des plans locaux afin de matriser les variations brusques et 3.3 Mesure de la hauteur du terrain et de son incertitude
errones des normales.
En reprenant les notations du paragraphe prcdent, yk et xk sont Sans une connaissance dtaille de la structure de la couche de
des vecteurs de dimension 4, xVk est un vecteur de dimension 32 sur-sol (prsence de vgtation plus ou moins dense, prsence
en utilisant un voisinage 3 3 et k est une matrice de dimen- de btiments ), on ne peut fournir une mesure sur la hauteur
sion 4 32. La mesure yk est le rsultat de lestimation robuste du terrain quen supposant que les points daltitude minimale
du plan. vk est un bruit blanc de variance 0.005. La matrice de ont une probabilit plus importante que les autres dappartenir
covariance associe la mesure de la pente est dfinie au terrain. Notre stratgie consiste donc analyser la distribu-
comme lintervalle de confiance 99 % autour de chaque para- tion altimtrique des points lidar appartenant un voisinage
mtre. cylindrique centr sur le site k. Le nombre de modes quantifie
La relation de prdiction peut tre r-crite selon le nombre de couches altimtriques du sur-sol : plus il est lev,
plus le sur-sol est complexe. Cette distribution est gnre avec
un pas altimtrique par dfaut de 0.3 m. Cette valeur correspond
n x (si )
1 la rsolution altimtrique des systmes lidar enregistrant la
n y (si ) totalit dune impulsion lidar rflchie pas la surface terrestre
xk+1|Vk = 11Vk (si ) 11V (si ) (17)
si Vk s V
n z (si ) k [4]. Cependant, ce pas de discrtisation contingente la sparabi-
i k
Figure 4. Normales locales calcules sur une grille de 0.5 m de rsolution codes en niveaux de gris. (a), (b), (c) correspondent aux
trois composantes des normales calcules indpendamment sur chaque site. (d), (e), (f) correspondent aux trois composantes des
normales locales calcules partir dun filtre de Kalman.
daugmenter ce seuil pour tre certain que le premier mode mode et calcul prcdemment. Laltitude du terrain est dfinie
contienne tous les points sol du voisinage cylindrique. Aprs comme la moyenne pondre spatialement sur lextension spa-
une premire tape de recherche du nombre de modes de la dis- tiale des points lidar (interpolation du type Inverse Distance
tribution (recherche de maxima locaux spars par au moins un Weighting). Lincertitude sur cette mesure est dfinie comme la
lment vide de discrtisation), on extraie le premier (celui dont variance de la distribution de Fk . On dfinit un bruit vk sur la
le maximum a laltitude la plus faible (figure 1)) dans len- mesure constant de variance 2 = 0.01. Si i est linverse de la
semble Fk . Cest la distribution complte si un seul mode a t distance euclidienne entre le centre planimtrique du site k et
dtect. Si les modes ne sont pas clairement discernables, lin- les points li Fk , on dfinit2 le vecteur yk de dimension 1 par :
certitude sur la valeur de laltitude terrain sera forte (eq. 20),
favorisant ainsi la prdiction dans la combinaison linaire pour
2. On garde les mmes notations que dans le paragraphe 3.2 pour la des-
le calcul final du terrain. On effectue un changement de repre
cription du systme, en sachant que la dimension des matrices et vecteurs
dans le plan local des points lidar appartenant ce premier dtat est maintenant de 1.
1
yk = i zli + vk (19)
j
j i
Rk = variance(zli ) (20)
li Fk
4.1 Prdiction de zones de vgtation galement en fonction du mode de dtection des pics du premier
et dernier cho au niveau du signal de retour de londe [20]. Les
On a vu dans le paragraphe prcdent que lanalyse de la distri- valeurs dintensits ont besoin dtre calibres [1], et corriges
bution altimtrique tait base sur lextraction du premier mode. par modlisation de la rflectance sur une surface de rfrence
Ce mode a une probabilit plus importante que les autres de [5] [10].
contenir les points sol, mais ce nest pas toujours le cas lorsque Plusieurs auteurs ont montr limportance et lapport de la cali-
par exemple le couvert forestier est trop dense. Ainsi, nous vou- bration de la rflectance lidar. Cette calibration ncessite toute-
drions adapter la taille du voisinage cylindrique la prsence de fois des missions aroportes ddies. Les jeux de donnes dont
vgtation afin de sapprocher dune distribution altimtrique on dispose ne permettant pas de raliser cette calibration, on a
multimodale lorsque cela est possible. En effet, en augmentant dcid dtudier le potentiel de la rflectance des donnes lidar
le diamtre du voisinage, on augmente la probabilit de pn- sans calibration dans un premier temps.
tration de la canope par les impulsions lidar. Cette tude consiste utiliser, de faon conjointe, la rflectance
Notre stratgie consiste donc prdire la prsence de zones de du lidar dans les longueurs dondes infrarouge avec les intensi-
vgtation sur les diffrents sites visits par la gnration dun ts dans le canal rouge des images optiques. Pour cela, une
masque. Il doit englober aussi bien les arbres isols, la vgta- image dintensit lidar est gnre partir des points 3D, avec
tion dense que les zones de fort. Le prdicteur que lon propo- une rsolution dpendant de la densit des points. Les intensits
se est bas sur une utilisation conjointe des donnes lidar et des lidar sont recalcules sur une grille rgulire, dune rsolution
donnes images optiques. La vgtation prsente une signature de 2.5 m. Cette valeur garantit un minimum de points lidar dans
spectrale caractristique permettant de la discriminer par rap- le voisinage 3D. Le voisinage utilis est un voisinage cylin-
port aux autres composantes du sur-sol (btiments, construc- drique. Lintensit lidar dun pixel image est la moyenne des
tions, ). La figure 5 reprsente les courbes de rflectance intensits des points 3D lidar inclus dans le voisinage 3D. Les
spectrale dune vgtation verte. Cette signature prsente une donnes dont on dispose ont une densit de 0.7 pt/m2 ce qui
moyenne rflectance dans le vert due la prsence de chloro- renvoie 14 points 3D lidar pour un voisinage.
phylle, une absorption des longueurs dondes dans le rouge par Les donnes lidar prsentent une rsolution spatiale infrieure
la chlorophylle et de fortes rflectances dans le proche infra- celle dune image optique cause de la faible densit de points.
rouge (700-1 350nm). Ce comportement antagoniste dans les Limage optique sera par consquent sous-chantillonne la
longueurs dondes rouge et infrarouge est lorigine de diff- rsolution de limage dintensits lidar.
rents indices de vgtations tel que le GVI, NDVI. Les valeurs dintensits lidar brutes prsentent une faible dyna-
Les donnes lidar sont souvent acquises simultanment aux mique et des valeurs radiomtriques faibles. Afin de combiner
images optiques 3 canaux Rouge, Vert, Bleu. Cependant le canal limage lidar avec les radiomtries optiques, les intensits lidar
infrarouge optique nest pas toujours disponible dans les cam- sont tales sur 256 niveaux de gris qui correspondent un
pagnes lidar. On propose dtudier lapport de lintensit des codage sur 8-bits de lorthophotographie.
donnes lidar en tant quinformation de rflectance dans les lon- On introduit un nouvel indice de vgtation hybride, not
gueurs donde infrarouge. HNDVI et qui est dfini par :
Lintensit des donnes lidar dpend de plusieurs paramtres,
Ilidar R
tels que laltitude de vol, lamplitude du signal, langle dinci- HNDVI = (21)
Ilidar + R
dence, la trace au sol et la rflectance des surfaces [6]. Elle varie
distribution altimtrique de Vs et ii) des points lidar appartenant Les paramtres de lquation 28 sont fixs de telle faon que ds
M. soit fortement augment pour s > 0.5 . En pratique, on choisit
Plus lcart-type local s est lev, plus dmin
s doit tre leve. une dpendance en 2s pour la fonction exponentielle et = 3
Cette relation nest pas linaire. Statistiquement, les zones pour deux principales raisons :
rurales prsentent beaucoup de faibles cart-types compris entre i. Pour s < 0.5 , la pente est plus faible quune simple expo-
0.01 m et 2 m. On a choisi, par consquent, de faire varier dmin s nentielle. Ceci assure des valeurs stables pour ds , qui ne fluc-
de faon logarithmique (cf. quation 25) en fonction de s pour tuent pas en zones de faible vgtation.
mieux reflter les variations dans les faibles carts-types. ii. Pour s >= 0.5, la pente est plus forte quune simple expo-
nentielle. Ceci permet daugmenter fortement la valeur de ds en
dmin
s min + log (1 + s ) R
= dabs (25) cas de vgtation dense.
Figure 9. Haut : Profils (GM-7-5) de points lidar classs Figure 11. Haut : Profils (GM-6-5) de points lidar classs
(vert sur-sol, rouge sol). Les MNT en gris sont calculs (vert sur-sol, rouge sol). Les MNT en gris sont calculs
avec des ds constants, 10 m et 30 m. Le MNT final est avec des ds constants, 10 m et 30 m. Le MNT final est
reprsent en noir. Bas : Tailles des voisinages adaptatifs reprsent en noir. Bas : Tailles des voisinages adaptatifs
correspondant aux profils. correspondant aux profils.
7. Conclusion
Nous avons prsent dans cet article une mthodologie compl-
te pour la gnration de Modles Numriques de Terrain par-
tir de donnes lidar 3D, de donnes dintensit lidar et dinfor-
mations image RVB. Nous nous sommes particulirement int-
resss au traitement des paysages ruraux prsentant des zones
de vgtation. Nous avons galement introduit un indice hybri-
de pour dtecter ces zones de vgtation et ainsi adapter un
algorithme de gnration de MNT. Cet algorithme est bas sur
un double filtrage prdictif de Kalman, le premier oprant sur
les pentes locales et le second sur laltitude du terrain. Nous
avons montr qualitativement que les rsultats de notre
approche taient en accord avec les donnes lidar initiales. Il
reste nanmoins valider de manire absolue ces surfaces ter-
rain. Finalement lutilisation conjointe de donnes lidar et
Figure 10. Haut : Profils (GM-7-5) de points lidar classs image semble prometteuse. Le dveloppement de prdicteurs de
(vert sur-sol, rouge sol). Les MNT en gris sont calculs zones urbaines est maintenant souhaitable afin de gnraliser
avec des ds constants, 10 m et 30 m. Le MNT final est notre approche tout type de paysage.
reprsent en noir. Bas : Tailles des voisinages adaptatifs
correspondant aux profils.
(a) MNT lidar avec d s =10 m. (a) MNT lidar avec d s =10 m.
(b) MNT lidar avec d s =30 m. (b) MNT lidar avec d s =30 m.
(c) MNT lidar avec voisinages adaptatifs (c) MNT lidar avec voisinages adaptatifs
Figure 12. Rsultats du calcul MNT sur la zone GM-7-5. Figure 13. Rsultats du calcul MNT sur la zone GM-6-5.
Frdric Bretar est responsable de l'Action de Recherche LASER au sein du Diplme de l'cole Nationale Suprieure de Physique de Strasbourg en 2001,
laboratoire Mthodes d'Analyses et de Traitement d'Image pour la Stro-resti- elle a obtenu le DEA PIC, Spcialit traitement d'images l'universit
tution (MATIS) de l'Institut Gographique National depuis 2006. Il est ingnieur Strasbourg I, en 2001. Elle a ralis sa thse l'IGN au laboratoire MATIS en col-
de l'cole Nationale des Sciences Gographiques et est titulaire d'un DEA de laboration avec le CNES et l'universit de Paris 5 sur la reconstruction de sur-
Mthodes Physiques en Tldtection (2000). Il a obtenu un doctorat de faces 3D partir d'images satellitaires THR. Sa thse a t soutenue en Juin
l'Ecole Nationale Suprieure des Tlcommunications de Paris en 2006. Comme 2005. Depuis Septembre 2006, elle est matre de confrences en Informatique
chercheur invit, il a travaill au Norwegian Defense Research Establishment l'institut EGID Bordeaux 3 (Environnement, Go-Ingnierie, Dveloppement) et
entre 2000 et 2002 sur des problmatiques lies au Radar. Aujourd'hui, son responsable des modules gomatique et tldtection. Ses domaines de com-
domaine de recherche concerne les traitements de donnes lidar (nuage de ptence sont le traitement d'images, la tldtection, la photogrammtrie et la
points et ondes compltes) et la fusion avec des donnes image, puis leurs reconstruction 3D.
applications dans le domaine de la tldtection forestire et de la gophysique.
Depuis 2008, il est Chair du WG-III/2 Processing of Point Clouds de
l'International Society of Photogrammetry and Remote Sensing.