Gnration de modles numriques de terrain

par fusion de donnes lidar et image

Generating digital terrain model:
joint use of airborne lidar data and optical images

Frdric Bretar 1, Nesrine Chehata 1,2

1Institut Gographique National, 2-4 Av. Pasteur 94165 St. Mand cedex, France

Email : Frederic.Bretar@ign.fr
2Institut EGID Universit Bordeaux 3, 1 Alle Daguin 33607 Pessac

Email : Nesrine.Chehata@egid.u-bordeaux3.fr

Manuscrit reu le 30 octobre 2007

Rsum et mots cls

La reprsentation numrique de la surface topographique est une donne de base pour apprhender toute
gestion de lenvironnement et des risques naturels. En complment de limage traditionnelle riche en contenu
smantique, la tldtection active lidar fournit des donnes altimtriques de la surface terrestre une
prcision encore ingale par les techniques stroscopiques classiques. Sous la forme dun nuage de points
tri-dimensionnel, nous prsentons dans cet article une mthode pour gnrer un Modle Numrique de Terrain
partir de ces donnes lidar conjointement avec des donnes image. Nous nous intressons
particulirement au milieux ruraux peu urbaniss pour lesquels une cartographie grande chelle est un enjeu
majeur. Lalgorithme que nous proposons est bas sur un filtrage prdictif de Kalman pour lequel la
composante temporelle est remplace par une indexation spatiale. Appliqu au calcul de la pente locale et de
laltitude du terrain, il sagit de combiner linairement une mesure base sur lanalyse du nuage de points
dans un environnement local cylindrique et une prdiction base sur les calculs dj effectus. Le facteur
de combinaison linaire est calcul en fonction des incertitudes respectives sur la mesure et sur la
prdiction des tats du systme. Nous soulignons galement limportance de la prise en compte de la
pente locale pour la dtermination de la hauteur du sol.
Si les donnes lidar fournissent parfois des informations altimtriques sur le terrain en prsence de
vgtation, la densit de points au sol en prsence de vgtation dense devient trs faible. Nous introduisons
alors une adaptation du systme de voisinage local bas sur lintgration de donnes image et dintensit
lidar au sein dun prdicteur de zones de vgtation haute. Celui-ci saccrot lorsque la densit de points au
sol diminue, augmentant ainsi la probabilit de trouver des points sol. Nous prsentons pour finir des rsultats
prometteurs pour la poursuite de ce travail sur le Golfe du Morbihan.

Lidar aroport, Modles Numriques de Terrain, Indice de vgtation, Classification, Filtre de Kalman.

Abstract and key words

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

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 145

Gnration de modles numriques de terrain par fusion de donnes lidar et image

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.

146 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Gnration de modles numriques de terrain par fusion de donnes lidar et image
1. Introduction
1.1 Contexte
LInstitut Gographique National (IGN) a pour vocation de
dcrire la surface du territoire national franais et loccupation
de son sol, contribuant ainsi lamnagement du territoire, au
dveloppement durable, la protection de lenvironnement et
la prvention des risques. Cest dans ce contexte particulier,
dont le cadre va tre tabli par une directive europenne pour la
gestion des risques dinondations, quune cartographie altim-
trique de haute prcision devient une donne majeure pour la
ralisation de plans de prvention des risques.
En effet, la connaissance prcise des bassins hydrographiques et
de leurs zones ctires associes, notamment la hauteur du ter-
rain support des coulements, mais aussi les lments obstruant
le flux de ruissellement comme la vgtation ou certains l-
ments de sur-sol, est un pr-requis llaboration de cartes des
zones inondables et de cartes des risques dinondation.
Il sagit ici de la cartographie rglementaire des zones enjeux,
quils soient humains, conomiques ou environnementaux. Les
donnes altimtriques issues de la BDAlti de lIGN ont une
prcision htrogne (z = 2 m sur 70 % du territoire) et insuf-
fisante en regard de celle des modles de prdiction du risque
hydrologique. Or la cartographie des zones enjeux ncessite
une prcision bien plus importante. Elles sont gnralement
situes dans un environnement topographique vari compos
dun relief parfois irrgulier, de zones de vgtation et surtout
de zones urbaines. Lextraction dune surface terrain partir de
techniques photogrammtriques par corrlation automatique
peut tre mise en dfaut dune part, car le terrain nest pas
visible sous couvert vgtal partir dune prise de vue arienne
et, dautre part, car les zones homognes en radiomtrie et peu
textures ne sont pas adaptes la recherche de points homo-
logues et rpondent mal aux critres dune bonne corrlation
[18] [11]. Depuis plusieurs annes, la technique de la tlmtrie
lidar aroporte fournit une mesure directe de distance entre un
vecteur arien et la surface terrestre. Le calcul de la trajectogra-
phie du vecteur arien bas sur le couplage dune unit inertiel-
le et dun GPS diffrentiel permet son tour de transformer ces
mesures de distance en points 3D gorfrencs. Notons deux
proprits majeures de ces systmes : dabord, la prcision alti-
mtrique sur la mesure est particulirement leve puisquelle
est infrieure, sous certaines conditions 5 cm. En outre, lmis-
sion dun faisceau lidar au niveau du vecteur arien permet
lacquisition dun ou plusieurs points de mesure le long de lon-
de rflchie. Cette proprit est particulirement intressante en
milieu forestier ou dans les zones de vgtation urbaine, car elle
permet daccder non seulement la hauteur de la canope,
mais aussi, sous certaines conditions, laltitude du sol sous la
vgtation.
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
1.2 Gestion des donnes lidar aroportes
1.2.1 Topologie
Un chantier lidar est compos de plusieurs fichiers binaires et
est organis soit par bande dacquisition, soit par dalles compo-
ses de plusieurs parties de bandes [7]. En effet, un chantier
lidar aroport comporte plusieurs millions de points 3D, sa
taille dpendant de la superficie du chantier et de la densit de
points. Un sous-ensemble de points lidar est donc reprsent par
plusieurs fichiers, chacun codant un attribut particulier. Il sagit
par exemple de la position 3D du point dont les composantes x,
y et z sont spares par fichier, mais aussi lintensit dans le
proche infra-rouge. Aprs traitements, dautres attributs peuvent
tre ajouts comme un label de classification (sol, sur-sol, vg-
tation, btiments) ou bien des informations sur la normale
locale.
Les surfaces topographiques gnres tant en 2.5D, les requtes
topologiques de voisinage dans le nuage de points sont gres
par une structure darbre (quadtree). Dans cet article, il sagit
dun voisinage cylindrique de diamtre variable ds. Ce voisinage
est not Vs , s reprsentant le site image correspondant sur le futur
MNT (sx ,s y ) les coordonnes du site dans lespace 3D.
Vs = {l nuage de points/
(sx l x )2 + (s y l y )2
(ds /2)2 ,ds R+ } (1)
1.2.2 Parcours du nuage
Llment structurant se dplace travers le nuage de points
selon une grille gorfrence, support du MNT, dans la go-
mtrie intrinsque de limage (4/8-connexit). partir dun site
initial de variance minimale, llment structurant se dplace
dans le nuage de points selon les variances minimales du pre-
mier mode des distributions altimtriques des sites voisins.
Cette propagation favorise le calcul du MNT sur les zones ayant
une faible variabilit altimtrique correspondant des zones soit
de terrain nu, soit de vgtation non dense. Pour chaque site s
visit (sites noirs sur la figure 1), les sites voisins sont extraits
puis valus en fonction de la variance altimtrique des points
lidar appartenant Vs . La propagation dans le nuage seffectue
selon la frontire de cet ensemble (sites extruds sur la figure 1).
La variance altimtrique est calcule sur 20 % des points les
plus bas pour minimiser la dispersion engendre par les points
appartenant au sur-sol. Notons que la propagation est indpen-
dante du calcul du MNT.
Cet article a pour objet de prsenter une mthodologie pour
gnrer des Modles Numriques de Terrain (MNT) partir de
donnes lidar et de donnes image. Nous abordons dans une
premire partie la problmatique gnrale de la gnration de
MNT partir de donnes lidar travers une bibliographie des
algorithmes les plus utiliss avant de prsenter notre approche.
Celle-ci, dcrite dans la deuxime partie, est base sur un fil-
trage prdictif exprim dans le formalisme dun filtre de
147
Gnration de modles numriques de terrain par fusion de donnes lidar et image
Figure 1. Ensemble de sites MNT. Le systme se propage
(disques pleins) selon les sites de plus faible variance
parmi les sites potentiels (cercles noirs).
Kalman. La composante temporelle y est alors substitue par un
parcours ordonn du nuage de points. Nous soulignerons lim-
portance de la prise en compte des pentes locales pour lestima-
tion du terrain avant dintroduire une adaptation du systme de
voisinage local bas sur lintgration de donnes image et lidar
au sein dun prdicteur de zones de vgtation haute. Les
images optiques et les donnes lidar constituent des donnes
complmentaires aussi bien sur le plan gomtrique (2D/3D)
que sur le plan spectral. Les orthophotos sont des images
optiques rectifies 0.5 m de rsolution. Elles sont disponibles
sur tout le territoire Franais dans la base de donnes BDOR-
THO de lIGN. En outre, les orthophotos fournissent les trois
canaux spectraux du visible : rouge-vert-bleu. Le LIDAR a une
longueur donde dans le proche-infrarouge et apporte par cons-
quent une information spectrale complmentaire. Finalement,
nous prsenterons des rsultats obtenus sur un lev lidar effec-
tu sur le Golfe du Morbihan, France.
2. Problmatique
Lextraction dun MNT partir de donnes lidar (nuage de
points 3D) ainsi que la classification de ces donnes en sol et
sur-sol1 sont au cur des recherches en tldtection active lidar
depuis plusieurs annes. Ces traitements sont lis et constituent
la base de toute analyse thmatique concernant la topographie
terrestre. Trois approches se dgagent pour la gnration de
MNT partir de donnes lidar.
2.1 Les approches morphologiques
Les filtres morphologiques sont couramment employs dans le
traitement des images dlvation. Appliqus au filtrage de
points 3D, Kilian [12] propose la classification de points lidar
partir doprations morphologiques. Considrons un point lidar
1. le sur-sol est constitu de tous les lments n'appartenant pas au sol (bti-
ments, vgtation, mobilier urbain )
148 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
l, on dfinit lopration de dilatation dl sur un voisinage V p de
centre p par :
dl = max

(zl  ) (2)
l V
Lrosion el est son tour dfinie sur Vl par
el = min

(zl  ) (3)
l Vl
La composition de ces deux oprations de base mne classique-
ment aux traitements douverture (rosion puis dilatation) et de
fermeture (dilatation puis rosion). Aprs lapplication dune
ouverture, les points daltitude minimale sont dtects dans un
voisinage donn. Les autres points de ce voisinage se trouvant
dans une bande de tolrance autour de ce point minimum sont
classs sol. Cette bande de tolrance est de lordre de la prci-
sion des mesures lidar, cest--dire de 20 30 cm aux dires des
auteurs. Parce que la taille de llment structurant est critique
dans ce type de filtrage [17], les mmes auteurs proposent
dappliquer une srie douvertures en faisant crotre ou dcrotre
la taille de llment structurant. Ainsi, partir dune estimation
initiale de la hauteur du terrain (hauteur du point le plus bas au
sein de la fentre), les points daltitudes infrieures un certain
seuil (les points sol) sont ensuite affects dun poids dpendant
de la taille de llment structurant. Plus la taille de la fentre
est importante, plus le poids est lev. Le filtrage morpholo-
gique permet de calculer rapidement un MNT sur des zones
tendues, dont la qualit, donc celle de la classification, reste
dpendante de la taille de llment structurant.
Si les donnes sont bruites, certains auteurs [16] [8] envisagent
un autre type de filtrage morphologique utilisant un couple de
filtres dordre, le Dual Rank. partir de n points lidar l  conte-
nus dans un voisinage Vl de centre l et rangs par ordre crois-
sant daltitude, on dfinit loprateur de rang R qui retourne
laltitude zr de llment r par
R : R3 V p N R (4)
l,l  ,r  zr
Loprateur DR de Dual Rank est alors dfini par :
DR : R3 V p N R (5)
l,l ,r 
  
R(l,l ,r) R(l,l ,n + 1 r)
Pour r = 0, on retrouve louverture morphologique, pour r = 1,
la fermeture et pour r = 12 le filtre mdian. Une version amlio-
re de ce filtre a t dveloppe par Zhang [22]. Les points de
sur-sol sont progressivement limins en faisant crotre la taille
de llment structurant de manire exponentielle.
2.2 Densification dun rseau irrgulier de triangles
Lapproche dAxelsson [2] base sur la densification progressi-
ve du sol sous la forme dun TIN (Triangular Irregular
 Gnration de modles numriques de terrain par fusion de donnes lidar et image

Network) a lavantage majeur de modliser explicitement les
discontinuits du sol. partir dun TIN initial contenant un
nombre rduit de sommets daltitude minimale rpartis unifor-
mment sur le nuage de points, le rseau de triangles est pro-
gressivement densifi par des points (nouveaux sommets) dont
la distance au triangle le plus proche est infrieure un seuil.
Un autre seuil est introduit limitant la pente des triangles. Le
processus itratif sarrte lorsque la surface TIN est stable.
2.3 Interpolation
Les travaux de Kraus et Pfeifer [13] sont bass sur une interpo-
lation itrative proche du krigeage. Cette mthode, trs populai-
re, est reprise [3], voire modifie [14] par de nombreux auteurs.
Lalgorithme consiste faire voluer les paramtres de linter-
polateur en fonction dune pondration associe aux points
lidar. Si z = (z 1 ,. . . ,z n )T est laltitude des points lidar
( p1 ,. . . , pn ) au sein dun voisinage V p de centre p, laltitude
prdite de p est exprime en fonction des informations de cova-
riance sur V p par
z p = cT C 1 z
avec
c = (C ( pp1 ),C ( pp2 ),. . . ,C ( ppn ))T
a et b dterminent la forme de la fonction de poids. Les points
sont pondrs de manire privilgier les rsidus ngatifs,
cest--dire les points situs sous la surface. Celle-ci sera donc
attire par les points les plus bas. Lalgorithme est itr jusqu
lobtention dune surface stable.
Des approches dveloppes dans la littrature, seule la dernire
prend en compte les proprits gostatistiques de lenvironne-
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-
le du terrain. Cest dans ce cadre que nous proposons une nou-
velle approche de gnration de MNT base sur le formalisme
prdictif dun filtre de Kalman (partie 3). La varit des pay-
sages rencontrs rend difficile le succs dun unique algorithme
[19]. Ladaptation locale des paramtres au type de paysage
(urbain, massif forestier, vgtation ) est une tape nces-
saire. Lintroduction de prdicteurs de paysage est donc utilise
pour modifier le systme de voisinage local lors du parcours du
nuage de points. Dans cette tude, nous nous sommes particu-
lirement intresss la prdiction de zones de vgtation haute
pour lesquelles le taux de pntration dun faisceau lidar varie
fortement en fonction de la densit du couvert vgtal : plus
(6) cette densit est importante, plus la probabilit que le faisceau
lidar soit rflchi par le sol diminue. Lestimation du sol par-
tir des points daltitude minimale dans un voisinage peut alors
tre errone. Cette prdiction est effectue en combinant des
(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)

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 149

Gnration de modles numriques de terrain par fusion de donnes lidar et image

o yk est le vecteur de mesures au site k, Hk est une matrice de

liaison de taille m n entre les mesures et le vecteur dtat
(pour notre application, Hk est la matrice Identit) et vk de taille
m 1 un bruit blanc de matrice de covariance Rk
On rappelle dans lalgorithme 1 le droulement dun filtrage
prdictif de Kalman dans sa formulation gnrale [9]. Lindice
k correspond lindexation spatiale des sites parcourus par le
filtre.

Algorithm 1 Implementation rcursive dun filtre prdictif pour

la gnration dun MNT
Figure 2. Dfinition du voisinage Vk centr sur le site k + 1 .
Initialisation
Les sites noirs reprsentent les sites dj visits.
(x1|0 ,S1|0 )
du site k + 1 qui ont dj t visits (figure 2). Nous avons Pour Chaque k Faire
card(Vk )
8 et k + 1 / Vk .
Mesure
Lquation 11 reprsente un modle de topographie comme un
(yk ,Rk )
processus rcursif. On considre que la topographie (hauteur du
terrain et pente locale) au site k + 1 a un forte corrlation avec Calcul du gain
les valeurs aux sites de Vk . Cette corrlation est traduite par la Kk = Sk|Vk1 HkT (Hk Sk|Vk1 HkT + Rk )1
matrice de transition k qui est un oprateur moyenne. Correction
xk = xk|Vk1 + Kk (yk Hk xk|Vk1 )
xk+1|Vk = Vk xVk + wk (11) Sk = (I Kk Hk )Sk|Vk1
Prediction
o wk est un bruit blanc de matrice de covariance Qk et xk+1|Vk
xk+1|Vk = Vk xVk + wk
est un vecteur de dimension max(card(Vk ),8) dim(xk ) dfi- T
Sk+1|Vk = Vk Sk V k
+ Qk
ni par :
T
Lestimation de laltitude du sol partir des points lidar est
xVk = x1,s1 . . . x1,s8 ,. . . ,xn,s1 . . . xn,s8 (12)
      dtaille au paragraphe 3.3 et consiste en lanalyse de la distri-
X1 Xn
bution altimtrique des points lidar contenus dans un voisinage
  cylindrique de diamtre variable. En fonction de lextension de
On dfinit une matrice 11(X) de taille 1 8 o ce voisinage (qui peut tre grand en prsence de vgtation), et
Vk
X {X 1 . . . X n } (eq. 12) telle que en prsence de reliefs fortement vallonns comme le milieu
montagneux, il est ncessaire de prendre en compte linfluence
  1
  de la pente locale pour estimer le sol. La figure 3 montre la dif-
11(X) = 11Vk (si ) 11Vk (s1 ) . . . 11Vk (s8 ) X (13) frence pixellaire entre deux MNT calculs avec et sans prise en
Vk si Vk
compte de la pente locale. On remarque que les disparits peu-
o la fonction indicatrice 11Vk (si ) est dfinie par : vent atteindre 2,5 m dans les zones de plus grande pente (valeurs
 proches de 255).
1 si si Vk ,
11Vk (si ) = (14)
0 sinon.
3.2 Mesure de la pente locale
Ds lors, on crit la matrice de transition Vk sous forme dune
matrice bloc-diagonale :
On a soulign que le calcul de laltitude du sol dpendait de la
  pente locale dans le mode destimation par lments structu-
11(X) 0 ... rants. La qualit de lestimation des plans locaux est donc par-
Vk

.. ticulirement importante pour fournir une mesure du sol dote
Vk = . (15)
0

0
 dune incertitude pertinente.
..
On estime donc un plan local de la forme
. 0 11(X)
Vk n x x + n y y + n z z + d = 0 avec (n x ,n y ,n z ) [1,1] et d R
partir des points appartenant au premier mode du voisinage
Dautre part, lquation (eq.16) de mesure scrit :
cylindrique. Lestimation a lieu dans le repre barycentrique du
yk = Hk xk + vk (16) voisinage. On utilise un M-estimateur robuste dot dune norme

150 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance


a) Diffrence altimtrique code en niveaux de gris entre deux MNT
calculs avec et sans prise en compte de la pente locale une rsolution
de 0,5 m.
L p=1.2 [21]. Cet algorithme est implment sous la forme dun
systme par moindre carrs itratifs pondr o les poids sont
recalculs chaque itration en fonction des rsidus associs
chaque point.
Le calcul des plans locaux de manire indpendante sur chaque
site a montr certaines incohrences entre sites voisins entra-
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
calcules sur un nuage de points sur une grille de 1 m de rso-
lution, montrent que les coordonnes des normales sont bruites
dans les trois directions. Ces erreurs sont provoques par une
rpartition planimtrique et altimtrique des points lidar non
reprsentative de la gomtrie locale de la surface terrain.
Cependant, la dtection de telles erreurs savre difficile, un
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
errones des normales.
En reprenant les notations du paragraphe prcdent, yk et xk sont
des vecteurs de dimension 4, xVk est un vecteur de dimension 32
en utilisant un voisinage 3 3 et k est une matrice de dimen-
sion 4 32. La mesure yk est le rsultat de lestimation robuste
du plan. vk est un bruit blanc de variance 0.005. La matrice de
covariance associe la mesure de la pente est dfinie
comme lintervalle de confiance 99 % autour de chaque para-
mtre.
La relation de prdiction peut tre r-crite selon
n x (si )
 1 
n y (si )
xk+1|Vk = 11Vk (si ) 11V (si )
si Vk s V
n z (si ) k
i k
d(si )
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Gnration de modles numriques de terrain par fusion de donnes lidar et image
b) Profil du MNT le long de la diagonale.
Les points gris sont les points lidar.
Figure 3. Illustration de linfluence de la pente sur lestimation du MNT
On dfinit ensuite la matrice de covariance Sk|Vk1 associe la
prdiction de mesure comme une matrice diagonale dont les
composantes sont les maxima des variances associes chaque
composante dans un voisinage 8-connexe. On a :
Sk|Vk1 = diag[ max Ssi (n x ),max Ssi (n y ), (18)
si Vk si Vk
max Ssi (n z ),max Ssi (d)]
si Vk si Vk
La figure 4 compare les rsultats obtenus pour le calcul des nor-
males de faon indpendante, puis en utilisant le filtrage pr-
dictif dcrit ci-dessus. Dans ce cas, on remarque que la coh-
rence des directions des normales entre sites voisins est meilleu-
re et que le bruit selon les composantes est fortement attnu.
3.3 Mesure de la hauteur du terrain et de son incertitude
Sans une connaissance dtaille de la structure de la couche de
sur-sol (prsence de vgtation plus ou moins dense, prsence
de btiments ), on ne peut fournir une mesure sur la hauteur
du terrain quen supposant que les points daltitude minimale
ont une probabilit plus importante que les autres dappartenir
au terrain. Notre stratgie consiste donc analyser la distribu-
tion altimtrique des points lidar appartenant un voisinage
cylindrique centr sur le site k. Le nombre de modes quantifie
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
la rsolution altimtrique des systmes lidar enregistrant la
totalit dune impulsion lidar rflchie pas la surface terrestre
(17)
[4]. Cependant, ce pas de discrtisation contingente la sparabi-
lit des modes de la distribution dans le repre local. En pr-
sence de vgtation basse et/ou de fortes pentes, il est possible
151
Gnration de modles numriques de terrain par fusion de donnes lidar et image

(a) n x sans filtrage (b) n x avec filtrage

(c) n y sans filtrage (d) n y avec filtrage

(e) n z sans filtrage (f) n z avec filtrage

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
contienne tous les points sol du voisinage cylindrique. Aprs
une premire tape de recherche du nombre de modes de la dis-
tribution (recherche de maxima locaux spars par au moins un
lment vide de discrtisation), on extraie le premier (celui dont
le maximum a laltitude la plus faible (figure 1)) dans len-
semble Fk . Cest la distribution complte si un seul mode a t
dtect. Si les modes ne sont pas clairement discernables, lin-
certitude sur la valeur de laltitude terrain sera forte (eq. 20),
favorisant ainsi la prdiction dans la combinaison linaire pour
le calcul final du terrain. On effectue un changement de repre
dans le plan local des points lidar appartenant ce premier
mode et calcul prcdemment. Laltitude du terrain est dfinie
comme la moyenne pondre spatialement sur lextension spa-
tiale des points lidar (interpolation du type Inverse Distance
Weighting). Lincertitude sur cette mesure est dfinie comme la
variance de la distribution de Fk . On dfinit un bruit vk sur la
mesure constant de variance 2 = 0.01. Si i est linverse de la
distance euclidienne entre le centre planimtrique du site k et
les points li Fk , on dfinit2 le vecteur yk de dimension 1 par :
2. On garde les mmes notations que dans le paragraphe 3.2 pour la des-
cription du systme, en sachant que la dimension des matrices et vecteurs
dtat est maintenant de 1.

152 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Gnration de modles numriques de terrain par fusion de donnes lidar et image
1 
yk =  i zli + vk (19)
j
j i
Rk = variance(zli ) (20)
li Fk
On dfinit, de manire analogue la prdiction des pentes
locales, la prdiction de laltitude du terrain comme la moyen-
ne des altitudes du sol dans un voisinage 8-connexe autour du
site k + 1 , en suivant les rgles de parcours des sites.
Lincertitude sur cette prdiction est gale au maximum des
incertitudes du terrain sur un voisinage 8-connexe.
4. Fusion lidar/Image
4.1 Prdiction de zones de vgtation
On a vu dans le paragraphe prcdent que lanalyse de la distri-
bution altimtrique tait base sur lextraction du premier mode.
Ce mode a une probabilit plus importante que les autres de
contenir les points sol, mais ce nest pas toujours le cas lorsque
par exemple le couvert forestier est trop dense. Ainsi, nous vou-
drions adapter la taille du voisinage cylindrique la prsence de
vgtation afin de sapprocher dune distribution altimtrique
multimodale lorsque cela est possible. En effet, en augmentant
le diamtre du voisinage, on augmente la probabilit de pn-
tration de la canope par les impulsions lidar.
Notre stratgie consiste donc prdire la prsence de zones de
vgtation sur les diffrents sites visits par la gnration dun
masque. Il doit englober aussi bien les arbres isols, la vgta-
tion dense que les zones de fort. Le prdicteur que lon propo-
se est bas sur une utilisation conjointe des donnes lidar et des
donnes images optiques. La vgtation prsente une signature
spectrale caractristique permettant de la discriminer par rap-
port aux autres composantes du sur-sol (btiments, construc-
tions, ). La figure 5 reprsente les courbes de rflectance
spectrale dune vgtation verte. Cette signature prsente une
moyenne rflectance dans le vert due la prsence de chloro-
phylle, une absorption des longueurs dondes dans le rouge par
la chlorophylle et de fortes rflectances dans le proche infra-
rouge (700-1 350nm). Ce comportement antagoniste dans les
longueurs dondes rouge et infrarouge est lorigine de diff-
rents indices de vgtations tel que le GVI, NDVI.
Les donnes lidar sont souvent acquises simultanment aux
images optiques 3 canaux Rouge, Vert, Bleu. Cependant le canal
infrarouge optique nest pas toujours disponible dans les cam-
pagnes lidar. On propose dtudier lapport de lintensit des
donnes lidar en tant quinformation de rflectance dans les lon-
gueurs donde infrarouge.
Lintensit des donnes lidar dpend de plusieurs paramtres,
tels que laltitude de vol, lamplitude du signal, langle dinci-
dence, la trace au sol et la rflectance des surfaces [6]. Elle varie
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Figure 5. Courbes de rflectance spectrale
dune vgtation verte et du sol.
galement en fonction du mode de dtection des pics du premier
et dernier cho au niveau du signal de retour de londe [20]. Les
valeurs dintensits ont besoin dtre calibres [1], et corriges
par modlisation de la rflectance sur une surface de rfrence
[5] [10].
Plusieurs auteurs ont montr limportance et lapport de la cali-
bration de la rflectance lidar. Cette calibration ncessite toute-
fois des missions aroportes ddies. Les jeux de donnes dont
on dispose ne permettant pas de raliser cette calibration, on a
dcid dtudier le potentiel de la rflectance des donnes lidar
sans calibration dans un premier temps.
Cette tude consiste utiliser, de faon conjointe, la rflectance
du lidar dans les longueurs dondes infrarouge avec les intensi-
ts dans le canal rouge des images optiques. Pour cela, une
image dintensit lidar est gnre partir des points 3D, avec
une rsolution dpendant de la densit des points. Les intensits
lidar sont recalcules sur une grille rgulire, dune rsolution
de 2.5 m. Cette valeur garantit un minimum de points lidar dans
le voisinage 3D. Le voisinage utilis est un voisinage cylin-
drique. Lintensit lidar dun pixel image est la moyenne des
intensits des points 3D lidar inclus dans le voisinage 3D. Les
donnes dont on dispose ont une densit de 0.7 pt/m2 ce qui
renvoie 14 points 3D lidar pour un voisinage.
Les donnes lidar prsentent une rsolution spatiale infrieure
celle dune image optique cause de la faible densit de points.
Limage optique sera par consquent sous-chantillonne la
rsolution de limage dintensits lidar.
Les valeurs dintensits lidar brutes prsentent une faible dyna-
mique et des valeurs radiomtriques faibles. Afin de combiner
limage lidar avec les radiomtries optiques, les intensits lidar
sont tales sur 256 niveaux de gris qui correspondent un
codage sur 8-bits de lorthophotographie.
On introduit un nouvel indice de vgtation hybride, not
HNDVI et qui est dfini par :
Ilidar R
HNDVI = (21)
Ilidar + R
153
Gnration de modles numriques de terrain par fusion de donnes lidar et image

o R correspond lintensit du canal rouge des images

optiques et Ilidar lintensit lidar (dans les longueurs donde
infrarouge). Le HNDVI varie entre 1 et 1, les fortes valeurs
correspondent une prsence potentielle de vgtation. Un
seuillage de limage de HNDVI permet dextraire les zones de
vgtation.
Afin dinterprter limage de HNDVI, on relve les principales
diffrences, pour la bande spectrale proche infrarouge, de la
rflectance optique par rapport la rflectance lidar. La vgta-
tion a une trs forte rflectance dans le proche infrarouge qui
permet de la discriminer des sols nus dans cette bande spectra-
le. Or, dans le cas du lidar, la rflectance mesure dpend de la
nature de la surface mais galement de la distance parcourue.
Par exemple, dans les zones de vgtation, le faisceau lidar va
pntrer dans la vgtation et renvoyer de multiples chos avec
une amplitude du signal qui sera attnue au fur et mesure que (a) Orthoimage (2,5 m de resolution)
lon se rapproche du sol. Par consquent, les rflectances lidar
mesures pour la vgtation dense seront faibles, sauf dans les
cas o le faisceau narrive pas traverser la vgtation. Dans ce
dernier cas, le capteur enregistre le premier cho dont lampli-
tude nest pas attnue. En pratique, la rflectance lidar des
champs/sols nus sera souvent suprieure ou gale celle de la
vgtation ce qui est contraire la rflectance optique dans le
proche infrarouge.
Daprs [15], les valeurs de NDVI correspondant la vgtation
varient entre 0.05 et 0.66. En tenant compte de notre raisonne-
ment ci-dessus, ces valeurs de seuil appliques au HNDVI vont
regrouper aussi bien les zones de vgtation (hautes et basses),
les champs que les sols nus. Un masque de vgtation haute est
ensuite calcul en croisant le NDVI hybride avec un masque de
variance (s) sur les points lidar. On dfinit ce masque M par
lensemble des sites s vrifiant :
  (b) masque de vegetation (pixels blancs) projetees sur
 lorthophoto.
M = s/ HNDVI(s) [0.05,0.66] (s)  1 m (22)
Figure 6. Gnration dun masque de vgtation
La rsolution du masque de vgtation est la mme que celle de
en combinant les donnes lidar et les images optiques.
lorthophotographie sous-chantillonne et celle du MNT. La
figure 6(b) montre un exemple de masque de vgtation.
menter tant que le voisinage Vs ne contient pas suffisamment de
points appartenant au sol.
dmin
s est un paramtre critique et doit tre dfini de faon assu-
4.2 Adaptation du systme de voisinage rer un nombre de points lidar minimal dans le voisinage Vs . On
contraint alors ds comme suit :
Cette section prsente un algorithme pour ladaptation de la taille
de llment structurant ds, utilis dans le processus de gnration min < ds
dabs min

ds
dmax
s (23)
du MNT. Sur les zones dgages ne contenant que du sol nu, ds
doit tre faible afin de ne pas moyenner les micro-reliefs. Par o dabs
min est la taille de fentre minimale sur toute limage et est
contre, ds doit tre suffisamment grand pour que quelques points indpendante du site s. Soit r la rsolution du MNT final et la
sol soient inclus dans le voisinage (prsence de btiments et de densit moyenne de points sur toute la zone, on dfinit dabs
min par :
vgtation) et ainsi rendre plus pertinente la mesure du sol (incer-

titude minimale). Un des enjeux est donc de dtecter la vgtation
10
haute et dense dune zone rurale, sachant que dans ces zones, trs min = max(2
dabs ,2r) (24)

peu de points appartiennent rellement au sol.
La fentre adaptative ds est calcule sur les points lidar apparte- Pour chaque site s, le calcul de dmin
s va dpendre : i) de lcart-
nant au masque de vgtation M. ds [dsmin ,dsmax ] doit aug- type local s des points lidar appartenant au premier mode de la

154 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Gnration de modles numriques de terrain par fusion de donnes lidar et image

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.

= 6 a t choisi exprimentalement par rapport aux diff-

rentes zones tests. Pour assurer la rgularit des valeurs de dmin
5. Les donnes :
s
sur des sites adjacents, un filtre gaussien est appliqu sur lima-
ge des dmin
s , en veillant respecter la condition (23).
dmin
s dpend galement du pourcentage s de pixels de vgta-
tion dans le voisinage Vs . Pour un site s, on dfinit s comme
le Golfe du Morbihan
suit : Les donnes lidar ont t acquises en 2004 par lInstitut
Franais de Recherche pour lExploitation de la Mer (IFRE-
Surface de vgtation de Vs
s = [0,1] (26) MER) sur le Golfe du Morbihan, en France. La mission a t
dmin
s dmin
s
commande par lentreprise TOTAL. Les donnes ont les carac-
Ce paramtre permet de grer aussi bien les petites surfaces de tristiques suivantes :
vgtation que des grandes tendues de fort. partir dune 230 millions de points composs du premier et dernier cho,
valeur initiale calcule par lquation 25, dmin
s est augmente 184 dalles de 2.02 2.02 km2 avec 20 m de recouvrement
tant que tous les pixels du voisinage Vs appartiennent M. latral et longitudinal,
Systme lidar ALTM (Optech),
Tant que s = 1 ; dmin
s = dmin
s + 2r + 1 ; (27) La longueur donde utilise est 1064 nm,
Densit moyenne des points : 0.7 pt/m2.
Ensuite, dmax
s est fixe proportionnellement dmins . En effet, une Les images optiques ont t extraites partir de la BDOR-
petite valeur de dmin
s doit correspondre une petite surface de THOde lInstitut Gographique National (IGN) avec une
vgtation et par consquent ds doit varier dans un petit inter- rsolution originale de 0.5 m, mais sous-chantillonne 2.5 m
valle. Inversement, une forte valeur de dmin
s correspond proba- pour la gnration de limage de NDVI hybride.
blement une grande tendue de fort. Afin dassurer statisti-
quement lappartenance des points au sol, ds doit varier dans un
large intervalle de valeurs. Pour cette tude, dmax = 3dmin
s .
s
Finalement, on dfinit le comportement de ds entre dmin s et dmax
s 6. Rsultats
en fonction de s . Les variations de ds ne sont pas linaires :
llment structurant doit grandir fortement quand le ratio de et discussions
vgtation s est lev puisque la probabilit que des points
lidar atteignent le sol diminue en prsence de vgtation. Dans Cette partie prsente les rsultats de lalgorithme ainsi que lim-
le cas o le ratio est faible, on peut considrer que les points pact de lutilisation conjointe des donnes lidar avec les images
daltitude minimale appartiennent rellement au sol. ds est donc optiques RVB pour la gnration de MNT fin en zones de vg-
dfini comme une fonction exponentielle de s . tation. Le shma de la figure 7 synthtise notre approche.
Les figures 12(a) et 13(a) montrent des MNTs calculs avec une
ds (s ) = Ae s + B
2
(28) valeur constante ds = 10 m et ds = 15 m sans prendre en comp-
te le masque de vgtation haute. Les reliefs caractristiques
Avec
sont visibles (dlimitation des champs, les routes) mais, en

ds (0) = dmin
s
comparant avec lorthophotographie 6(a), on peut voir que des
zones de forts ont t incluses dans le sol ce qui fausse le MNT
ds (1) = dmax
s
ces endroits. Cette erreur est galement visible sur les profils
On a des figures 9 haut et 10 haut o les courbes grises reprsentent
le MNT calcul sur des fentres constantes.
dmax dmin En augmentant la taille de llment structurant ds 30 m (voir
A= s s
et B = dmin A figures 12(b) et 13(b)), la plupart des zones de vgtation sont
e 1 s

traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance 155

Gnration de modles numriques de terrain par fusion de donnes lidar et image

nage (relis la prsence de vgtation) alors que les fortes

valeurs correspondent des faibles voisinages sur des terrains
plats et des champs. Cette image reflte galement la structure
en bandes des donnes lidar et le recouvrement des bandes. En
effet, en cas de fortes densits de points dans les zones de recou-
vrement, la taille du voisinage reste faible et apparat en clair sur
limage de niveaux de gris inverss. Ceci sexplique par la
dfinition de dabs
min en fonction de la densit de points (cf. qua-
tion 24).
Dans cette tude, on ne propose aucune mthode de calibration
de ces donnes avec les donnes optiques. La dynamique des
intensits lidar a t modifie entre 0 et 255 pour tre en coh-
rence avec les radiomtries dans le canal Rouge des images.
Notre objectif pour la suite des travaux, est de comparer les
radiomtries du canal infrarouge optique avec les rflectances
lidar afin de fournir une interprtation physique prcise des don-
nes lidar et de les calibrer avec les images optiques.
Le masque de vgtation est obtenu par un seuillage grossier
des image de HNDVI (cf. quation 22). Les surfaces de vgta-
tion peuvent tre sous-estime (cf. figure 6(b)). Cela se traduit
par des trous au niveau des rgions de vgtation. Cependant, la
contrainte de recouvrement ainsi que la rgularit des tailles de
voisinages adjacents (grce au lissage gaussien des distances)
assurent que les rgions de vgtation prsentant des trous
seront entirement traites, et leurs voisinages ds recalculs. Par
consquent, le masque grossier est suffisant comme prdicteur
de vgtation.
Figure 7. Mthodologie gnrale pour la gnration dun
MNT par couplage lidar/image.

bien filtres mais le terrain est trs liss et les micro-reliefs ne

sont plus visibles.
Les figures 12(c) et 13(c) montrent deux MNTs calculs avec
ladaptation de la taille de voisinage en utilisant les donnes 3D
lidar, lintensit des points lidar et les images optiques RVB. La
surface obtenue est beaucoup plus rgulire, les artefacts dus
la prsence de vgtation sont supprims puisquon a une
meilleure classification sol/sur-sol. Le MNT montre galement
des mso-reliefs intressants comme des valles peu profondes
couvertes par la vgtation.
On montre sur les figures 9 et 10 trois profils sur les points lidar
sur une distance de 2 km. Le terrain final est illustr en noir. Les
seconds profils montrent les tailles de voisinage correspon-
dantes. Les valeurs de ds varient ente 5 m et 130 m. Les courbes
de ds voluent en fonction de la complexit du sur-sol. Les plus
grandes valeurs sont obtenues en cas de vgtation dense avec
une absence de points lidar au sol. Cependant, en cas de grands
voisinages, la moyenne des points au sol peut tre surestime
par rapport laltitude du terrain.
La validation de notre algorithme reste visuelle puisquon ne
dispose pas de mesures terrain.
La figure 8 montre limage de distances ds calcule partir du
masque de HNDVI (voir section 4.2). Les distances sont codes Figure 8. Image des extensions des voisinages ds cods en
sur 8-bits et reprsentes en chelle de niveaux de gris inverse. niveaux de gris, des plus faibles (blanc) aux plus grands
Les faibles valeurs correspondent des grandes tailles de voisi- (noir).

156 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Gnration de modles numriques de terrain par fusion de donnes lidar et image
Figure 9. Haut : Profils (GM-7-5) de points lidar classs
(vert sur-sol, rouge sol). Les MNT en gris sont calculs
avec des ds constants, 10 m et 30 m. Le MNT final est
reprsent en noir. Bas : Tailles des voisinages adaptatifs
correspondant aux profils.
Figure 10. Haut : Profils (GM-7-5) de points lidar classs
(vert sur-sol, rouge sol). Les MNT en gris sont calculs
avec des ds constants, 10 m et 30 m. Le MNT final est
reprsent en noir. Bas : Tailles des voisinages adaptatifs
correspondant aux profils.
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
Figure 11. Haut : Profils (GM-6-5) de points lidar classs
(vert sur-sol, rouge sol). Les MNT en gris sont calculs
avec des ds constants, 10 m et 30 m. Le MNT final est
reprsent en noir. Bas : Tailles des voisinages adaptatifs
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
image semble prometteuse. Le dveloppement de prdicteurs de
zones urbaines est maintenant souhaitable afin de gnraliser
notre approche tout type de paysage.
157
Gnration de modles numriques de terrain par fusion de donnes lidar et image

(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.

158 traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance

 Gnration de modles numriques de terrain par fusion de donnes lidar et image
Rfrences
[1] E. AHOKAS, S. KAASALAINEN, J. HYYPPA and J.
SUOMALAINEN, Calibration of the Optech ALTM 3100 laser scan-
ner intensity data using brightness targets, In Proc. of the ISPRS
Commission I Symposium, IAPRS, Marne-la-Vallee, France, jul 2006.
[2] P. AXELSSON, Dem generation from laser scanner data using adap-
tative tin models, In International Archives of Photogrammetry and
Remote Sensing, volume XXXIII part B4/1, pages 110-117, 2000.
[3] C. BRIESE, N. PFEIFER and P. DORNIGER, Applications of the
robust interpolation for a dtm determination. In R.Kalliany and F.
Leberl, editors, Proc. of the ISPRS Commission III Symposium on
Photogrammetric and Computer Vision, volume XXXIV of The
International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences, pages 55-61, Graz, Austria, Sep 2002.
Institute for Computer Graphics and Vision, Graz University of
Technology.
[4] A. CHAUVE, C. MALLET, F. BRETAR, S. DURRIEU, M.
PIERROT-DESEILLIGNY and W. PUECH, Processing full-wave-
form lidar data : modeling raw signals, In Proc. of the ISPRS
Workshop III/3 'LaserScanning 2007', Espoo, Finland, sep 2007.
ISPRS.
[5] F. COREN and P. STERZAI, Radiometric correction in laser scan-
ning, International Journal of Remote Sensing, 27(15) :3097-3104,
August 2006.
[6] F. COREN, D. VISINTINI, PREARO G. and P. STERZAI,
Integrating lidar intensity measures and hyperspectral data for extra-
cting of cultural heritage, In Proc. of Workshop Italy-Canada for 3D
Digital Imaging and Modeling : applications of heritage, industry,
medicine and land., 2005.
[7] N. DAVID, C. MALLET and F. BRETAR, Library concept and
design for lidar data processing, In Geographic Object Based Image
Analysis, 2008.
[8] W. ECKSTEIN and O. MUNKELT, Extracting objects from digital
terrain models, In Proc. Int. Society for Optical Engineering : Remote
Sensing and Reconstruction for Three-Dimensional Objects and
Scenes, volume 2572, pages 43-51, 1995.
[9] G. EVENSEN, Data assimilation, The ensemble Kalman Filter.
Springer, oct 2006.
[10] B. HOE and N. PFEIFER, Correction of laser scanning intensity data :
Data and model-driven approaches, ISPRS Journal of
Photogrammetry and Remote Sensing, (in press), 2007.
Frdric Bretar
Frdric Bretar est responsable de l'Action de Recherche LASER au sein du
laboratoire Mthodes d'Analyses et de Traitement d'Image pour la Stro-resti-
tution (MATIS) de l'Institut Gographique National depuis 2006. Il est ingnieur
de l'cole Nationale des Sciences Gographiques et est titulaire d'un DEA de
Mthodes Physiques en Tldtection (2000). Il a obtenu un doctorat de
l'Ecole Nationale Suprieure des Tlcommunications de Paris en 2006. Comme
chercheur invit, il a travaill au Norwegian Defense Research Establishment
entre 2000 et 2002 sur des problmatiques lies au Radar. Aujourd'hui, son
domaine de recherche concerne les traitements de donnes lidar (nuage de
points et ondes compltes) et la fusion avec des donnes image, puis leurs
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.
traitement du signal 2009_volume 26_numro spcial 2 Tldtection pour la surveillance
[11] M. KASSER and Y. EGELS, Digital Photogrammetry, Hermes -
Lavoisier, 2002.
[12] J. KILIAN, N. HAALA and M. ENGLICH, Capture and evaluation of
airborne laser scanner data, In International Archives of Photogrammetry
and Remote Sensing, volume XXXI, pages 383-388, 1996.
[13] K. KRAUS and N. PFEIFER, Determination of terrain models in
wooded areas with airborne laser scanner data, ISPRS Journal of
Photogrammetry and Remote Sensing, 53 :193-203, 1998.
[14] H.S. LEE and N.H. YOUNAN, Dtm extraction of lidar returns via
adapta-tive processing, IEEE Transactions on Geoscience and
Remote Sensing, 41(9) :2063-2069, sep 2003.
[15] T. LILLESAND and R. KIEFER, Remote Sensing and Image inter-
pretation, JohnWiley & Sons, 1994.
[16] P. LOHMAN, A. KOCH and M. SCHAEFFER, Approaches to the fil-
tering of laser scanner data. In T. Schenk and G. Vosselman, editors,
Proc. of the XIXth ISPRS Congress, volume XXXIII of The
International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences, pages 540-547, Amsterdam, The
Netherlands, Jul 2000. ISPRS.
[17] B. PETZOLD, P. REISS and W. STOSSEL, Laser scanning-surveying
and mapping agencies are using a new technique for the derivation of
digital terrain models, ISPRS Journal of Photogrammetry and
Remote Sensing, 54 :95-104, 1999.
[18] M. PIERROT-DESEILLIGNY and N. PAPARODITIS, A multireso-
lution and optimization-based image matching approach : An appli-
cation to surface reconstruction from spot5-hrs stereo imagery. In
Proc. of the ISPRS Conference Topographic Mapping From Space
(With Special Emphasis on Small Satellites), Ankara, Turkey, feb
2006. ISPRS.
[19] G. SITHOLE and G. VOSSELMAN, Experimental comparison of fil-
ter algorithms for bare-earth extraction from airborne laser scanning
point clouds, ISPRS Journal of Photogrammetry and Remote Sensing,
59(1-2) :85-101, 2004.
[20] W. WAGNER, A. ULLRICH, T. MELZER, C. BRIESE and K.
KRAUS, From singlepulse to full-waveform airborne laser scanners :
potential and practical challenges, In The International Archives of
the Photogrammetry and Remote Sensing, volume Vol. XXXV, part
B3, pages 201-206, Istanbul, Turkey, Jul 2004. ISPRS.
[21] G. XU and Z. ZHANG, Epipolar Geometry in stereo, motion and
object recognition, Kluwer Academic Publishers, 1996.
[22] K. ZHANG, S-C. CHEN, D. WHITMAN, M. SHYU, J. YAN and C.
ZHANG. A progressive morphological filter for removing nonground
measurements from airborne lidar data, IEEE Transactions on
Geoscience and Remote Sensing, 41(4) :872-882, apr 2003.
Nesrine Chehata
Diplme de l'cole Nationale Suprieure de Physique de Strasbourg en 2001,
elle a obtenu le DEA PIC, Spcialit traitement d'images l'universit
Strasbourg I, en 2001. Elle a ralis sa thse l'IGN au laboratoire MATIS en col-
laboration avec le CNES et l'universit de Paris 5 sur la reconstruction de sur-
faces 3D partir d'images satellitaires THR. Sa thse a t soutenue en Juin
2005. Depuis Septembre 2006, elle est matre de confrences en Informatique
l'institut EGID Bordeaux 3 (Environnement, Go-Ingnierie, Dveloppement) et
responsable des modules gomatique et tldtection. Ses domaines de com-
ptence sont le traitement d'images, la tldtection, la photogrammtrie et la
reconstruction 3D.
159