Aujourd’hui, l’analyse des nuages de points 3D acquis par LiDAR ou par photogrammétrie est devenue une tâche opérationnelle cruciale aussi bien pour la cartographie que pour la surveillance des infrastructures et de l’environnement.
De nombreuses applications nécessitent l’identification du nuage de points et de ses propriétés. Jusqu’à présent, la plupart des logiciels se sont concentrés sur la distinction entre les objets construits et les sites naturels.
La classification automatique permet de catégorier les points en différentes classes telles que les routes, les bâtiments, la végétation haute/moyenne/basse, les chemins de fer, les câbles électriques, l’eau, les divers objets artificiels, etc. Sans cette capacité, des heures de travail fastidieux seraient nécessaires pour éditer le nuage de points et identifier manuellement les points qu’il contient avec précision.
Mais malgré l’évolution des logiciels disponibles utilisant l’apprentissage machine, l’extraction automatique d’informations précises à partir des nuages de points LiDAR reste encore un défi.
Parmi les méthodes de traitement possibles, la classification des données LAS en instances d’objets catégoriels est la première et la plus importante étape du post traitement des données. Ces stratégies de classification existantes peuvent être divisées en trois groupes : la classification par points, la classification par segments et la classification par entités multiples.
La classification par points
Dans ce processus, ce sont les caractéristiques des points individuels qui sont extraites d’abord. Ensuite, un classificateur est formé à l’aide d’un certain nombre d’échantillons d’apprentissage sélectionnés. Enfin, le nuage de points est classifié par le classificateur et les caractéristiques extraites.
De plus, pour calculer les caractéristiques des points individuels, une définition de voisinage respective est nécessaire pour décrire la structure 3D locale autour de chaque point individuel.
Le paramètre de l’échelle, soit un rayon fixe, soit une valeur constante, est nécessaire. En raison de la variation des structures 3D locales et des densités de points, la valeur constante ne parvient souvent pas à décrire les configurations structurelles locales. Ainsi, de plus en plus d’études se concentrent sur la recherche d’un rayon de voisinage optimal pour chaque point individuel. Malheureusement, ces méthodes d’optimisation nécessitent des calculs répétitifs pour chacun des points et prennent donc beaucoup de temps, ce qui est le principal inconvénient de ce type de classification.
La classification par segment
En règle générale, les méthodes de classification par segment effectuent d’abord une segmentation sur le nuage de points après avoir retiré les points du sol. Ensuite, les points hors-sol sont divisés en un nombre de segments, et les caractéristiques sont extraites pour chacun d’eux. Enfin un classificateur basé sur la logique floue est utilisé, ou encore plusieurs règles de classification sont mises en œuvre pour classifier les segments.
La classification par segment repose en grande partie sur la méthode de segmentation employée.
Différentes méthodes de segmentation permettent de segmenter les nuages de points 3D en un seul type de structure géométrique. En fait, les nuages de points se composent d’une grande variété de structures géométriques, telles que des plans, des surfaces lisses et des surfaces rugueuses.
Dans une scène 3D complexe, il peut exister des objets artificiels réguliers et irréguliers ainsi que des objets naturels. Les objets réguliers fabriqués par l’homme (comme les bâtiments) sont composés de surfaces planes et de surfaces lisses, tandis que les objets irréguliers fabriqués par l’homme (comme les voitures) ainsi que les objets naturels (comme les arbres) sont composés de surfaces rugueuses.
Malgré ces limites, les méthodes basées sur les segments présentent toujours deux avantages principaux par rapport à la classification par points:
- les segments sont utiles pour calculer les caractéristiques géométriques qui facilitent l’optimisation du voisinage
- les segments donnent plusieurs nouveaux attributs qui sont utiles pour employer des règles sémantiques.
La classification fondée sur les entités multiples
La classification basée sur plusieurs entités est considérée comme une combinaison de la classification par segments et de la classification par points.
Pour résoudre le défi d’une scène 3D complexe et difficile à caractériser par des points individuels ou un seul type de segments, cette méthode utilise trois types d’entités:
- les points
- les segments planaires
- les segments de décalage moyen
Dans le processus de classification, le nuage de points LAS utilisé en entrée est d’abord divisé en points au sol et points hors-sol. Ensuite, des segments planaires sont extraits des points hors-sol, et les points dispersés sont conservés. Les segments planaires sont alors catégoriés en plusieurs classes. Les points restants sont classés par points en fonction des informations contextuelles offertes par les segments planaires classés.
Dans les zones complexes où la végétation recouvre les toits des bâtiments, des segments moyens sont extraits pour classifier alors ces zones.
Toutefois, le procédé de cette méthode est une classification hiérarchique, qui comporte de nombreuses étapes. En outre, les segments de décalage moyens et les segments planaires sont dérivés de différentes méthodes de segmentation, ce qui ajoute des étapes de classification supplémentaires. Pour simplifier le processus, une méthode de segmentation des nuages de points capable d’extraire plus d’un type de segments est nécessaire.
On peut conclure que la classification par segments des nuages de points est une alternative prometteuse à la classification par points. Il faut bien-sûr garder à l’esprit que l’analyse des objets naturels est particulièrement difficile, car leur identification est parfois ambiguë, leurs limites sont souvent imprécises et peuvent se superposer les unes aux autres.
Comme les systèmes LiDAR aéroportés utilisent des technologies de télédétection – y compris les données GNSS PPK/RTK et IMU -, ils leur permettent d’analyser davantage l’énergie laser retournée et d’enregistrer les caractéristiques utiles suivantes :
- Hauteur au-dessus du sol et intensité
- Différences d’élévations
- Écarts-types des élévations
- Écarts-types des valeurs d’intensité
- Angle de la normale de surface plane
- Pourcentage de variation de la composante principale
- Densité de points
Les scanners laser terrestres utilisent différents types de capteurs qui ne fournissent pas les informations supplémentaires nécessaires pour analyser et classifier facilement les nuages de points. Alors que le format des nuages de points LAS traditionnellement utilisé par les systèmes LiDAR aéroportés est capable de prendre en charge les nuages de points classifiés, la simple sauvegarde des nuages de points LiDAR terrestres dans le format LAS ne fournit pas les nuages de points classifiés dont les utilisateurs ont généralement besoin.
