code_public/lidar_rendu
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
93317dadd05aacbdc6df9b3f36b2a48af52ed2a7
lidar_rendu/docs/GROUND_CLASSIFICATION.md
Antoine Jacquin 5f018fe2b6 Raccorder les bords de tuiles voisines et encadrer les rendus en cours 
Le MNT de chaque dalle s'étend d'une bande de 100 m remplie avec les
points sol des 8 tuiles voisines (option « Raccord des bords ») : les
rendus à grand noyau (openness, SVF, LRM) deviennent continus d'une
dalle à l'autre, les images restent recadrées sur le kilomètre exact.

Pendant une génération, la carte encadre les dalles du run : orange
pulsant en cours de rendu, rouge en échec — les coins WGS84 sont portés
par /api/status pour toutes les dalles non terminées.

La file de génération trie les dalles du nord au sud et passe à 10
workers GPU.
2026-09-19 20:44:44 +02:00

7.7 KiB
Raw Blame History

Classification du sol — options et références

Note de synthèse pour choisir/améliorer l'algorithme de détection du sol. Contexte : tiles LiDAR HD IGN (Lambert 93), zones de relief fort / rochers / forêt dense où le sol est sous-classifié et le MNT présente de grands trous.

Tile de référence : LHD_FXX_0999_6778_PTS_LAMB93_IGN69

  • 65 047 919 points, ~1 km², résolutions 0.5 m et 0.2 m.
  • Répartition classes (pré-classification fournisseur) : classe 2 (sol) 25.79 %, classe 5 (veg haute) 63.2 %, classe 3 (veg basse) 7.85 %, classe 4 (veg moyenne) 2.66 %, classe 1 0.47 %, classe 6 0.01 %. Aucun point en classe 0.
  • Trous dans le MNT existant (avant correction) : 43.5 % à 0.5 m, 44.1 % à 0.2 m (surface du tile, bornes du header).

Benchmark mesuré (PDAL, 1 km²)

Méthode Temps Points sol Surface sol* Trous*
IGN (pré-classif.) 9.4 s 25.8 % 84.6 % 15.4 %
SMRF 326.3 s 36.1 % 90.4 % 9.6 %
CSF 355.2 s 17.6 % 46.9 % 53.1 %

* « Surface sol » calculée sur l'emprise des points (bounding box du nuage), à 0.5 m. Les % de trous du MNT final (bornes du header, plus grandes) sont supérieurs : voir le tile de référence ci-dessus.

A. Filtres géométriques (stack PDAL actuelle)

  • IGN (pré-classification fournisseur, classe 2) : le plus rapide (~9 s). Fiable là où le fournisseur a confiance ; trous sous forêt dense / relief. Aucun paramètre à régler.
  • SMRF — Pingel, Clarke & McBride 2013, ISPRS J. Photogramm. Remote Sens. 77:21-30. Filtre raster (opère sur un DSM, pas sur les points), donc plus rapide que les filtres point-based ; minimise les erreurs de type I (omission de sol) → bien adapté quand le sol est rare (forêt). Meilleure couverture des trois ici (90.4 %) mais ~5.4 min/tile.
  • CSF — Zhang et al. 2016, Remote Sensing 8(6):501. Toile inversée drapée sur le nuage ; simple, précis, mais la toile ne touche plus le sol en terrain raide/vallonné → mauvaise classification. Le plus lent ici et le pire sur ce tile. À réserver aux zones urbaines.
  • PTD/PTIN (Progressive TIN Densification) — Axelsson 2000, ISPRS Congress. Gagnant de la littérature : le plus robuste sur terrain complexe + forêt (Moudrý et al. 2020, Measurement 150:107047 ; Cai et al. 2019, Remote Sensing 11(9):1037) et le plus rapide (benchmark lidR : PTD ~20 s vs CSF ~156 s vs PMF ~1800 s). NON disponible dans la version PDAL de cette image (filters.ground / TIN absents) — à ajouter pour l'utiliser (ou via lidR / une implémentation maison).

B. Hybride rapide (choisi pour implémentation)

Principe PTD / Wack & Wimmer (Wack & Wimmer 2002, ISPRS Archives XXXIV/3A:293-296 : MNT par retour le plus bas, en excluant le 1 % le plus bas par cellule pour écarter les outliers) :

  1. Base = pré-classification IGN (classe 2, ~9 s, fiable et officielle).
  2. Comblement mesuré des trous : pour chaque cellule sans point sol, prendre le retour le plus bas robuste (min du 99 % des points de la cellule) → ajoute du sol mesuré là où le fournisseur a échoué (rochers, clairières, sol forestier).
  3. Inpainting topographique des derniers vides (interpolation terrain-aware déjà implémentée dans dtm.py:_interpolate_holes).

Attendu : MNT continu (0 % de trous), robuste en forêt/relief, ~10-15 s/tile au lieu de 326-355 s. Aucune dépendance GPU, aucun entraînement.

C. Modèles IA / ML (supervisés — nécessitent des labels)

Avertissement (Qin et al. 2023, ISPRS J. Photogramm. Remote Sens. 202:246-261) : tout est supervisé ; le principal risque est la généralisation — un modèle entraîné sur une région dégrade ailleurs. Aucun filtre DL entièrement non-supervisé publié à date.

Basés sur les points (3D) :

Modèle Année Archi Précision Vitesse (~/km², GPU)
KPConv / RandLA-Net (Qin, OpenGF) 2021 KPConv / RandLA-Net 97.8 % OA, RMSE DTM 0.20 m, IoU sol 95 % 0.5-2.5 min
PFCN (Jin, IEEE JSTARS 13:3958) 2020 point-FCN Te 1.73 %, Kappa 93.9 % ~1/3 du coût PointNet++
Terrain-Net (Li, Remote Sensing 14(22):5798) 2022 KPConv + self-attention OA 98 %, mIoU 0.933 param-free au transfert
MSVC (Štroner, Remote Sensing 17(4):615) 2025 DNN voxel 9x9x9 bat CSF en F-score —

Rasterisés (sortent directement le MNT — le plus proche du besoin) :

Modèle Année Archi Résultat
Precursor (Rizaldy, ISPRS Annals IV-2:231) 2018 2D FCN Te 5.22 %, 78x plus rapide
DeepTerRa / ALS2DTM (Lê, IEEE JSTARS 15:2778) 2022 GAN pix2pix (U-Net) RMSE MNT < 1 m, filtre + interp en 1 passe
DSM2DTM (Bittner, ISPRS Annals X-1/W1-2023:925) 2023 U-Net (EfficientNet) masque non-sol + hauteur sol/pixel

Jeu de données d'entraînement : OpenGF (Qin et al., CVPRW 2021, arXiv:2101.09641 — 47.7 km², 542 M pts) ; ALS2DTM (Lê et al. 2022, arXiv:2206.03778 — 52 km², 1.66 Md pts, urbain/forêt/montagne).

Coûts / obstacles pour notre cas : (1) labels → à générer en pseudo-labels (sortie SMRF/PTD haute qualité sur un échantillon représentatif de nos tiles) ou pré-entraînement OpenGF/ALS2DTM ; (2) généralisation sur le terrain divers de LiDAR HD (plaine/forêt/montagne/urbain) ; (3) infra : checkpoint + chemin d'inférence GPU dans l'image Docker.

Meilleur fit si on part sur l'IA : un U-Net rasterisé (style DSM2DTM) — rasteriser le nuage en grilles multi-canaux (altitude, pente, courbure, densité, stats de retours), sortir masque sol + hauteur sol. 2D = très rapide et trivial à déployer sur GPU, fusionne filtrage + interpolation. Le KPConv/RandLA-Net est plus précis en 3D pur mais plus lourd à déployer.

Synthèse / décision

  • « Rapide » contrainte dure + faible maintenance → hybride (B) (~10-40 s/tile, zéro entraînement, zéro GPU). ← choix retenu, IMPLÉMENTÉ
    • Base = pré-classification IGN (rapide, ~10 s). auto la préfère dès que ≥ 20 % des points sont classés sol (seuil abaissé de 30 % à 20 %, car le MNT est ensuite complété — voir ci-dessous).
    • Le MNT n'est complété que pour les petits trous (< 1 m, fillnodata) : les grands trous (forêt dense, relief raide où le sol est sous-classé) restent en nodata (noir dans les rendus). Volontairement pas de plancher au retour le plus bas : sous canopée dense ce retour est la végétation, qui imprimerait les arbres dans le MNT.
  • Qualité max dans les cas durs (raide + dense), ~1-2 min/tile + GPU + entraînement acceptés → U-Net rasterisé (C). (non implémenté)
  • Meilleur filtre géométrique disponible dans PDAL → SMRF (A) (meilleure couverture 90.4 % mais 5.4 min/tile). Sélectionnable via --ground-classification smrf.
  • « Gagnant » absolu de la littérature (rapide + robuste) → PTD/PTIN (A) : à intégrer (pas dans la stack PDAL actuelle).

Références

  • Axelsson (2000), PTIN/PTD, ISPRS Congress.
  • Pingel, Clarke & McBride (2013), SMRF, ISPRS J. P&RS 77:21-30.
  • Zhang et al. (2016), CSF, Remote Sensing 8(6):501.
  • Wack & Wimmer (2002), DMT par retour le plus bas, ISPRS Archives XXXIV/3A.
  • Moudrý et al. (2020), comparaison CSF/PTIN/PMF/SMRF, Measurement 150:107047.
  • Cai et al. (2019), CS+PTD, Remote Sensing 11(9):1037.
  • Qin et al. (2021), OpenGF, CVPR Workshops (arXiv:2101.09641).
  • Qin et al. (2023), dataset + evaluation + survey, ISPRS J. P&RS 202:246-261.
  • Lê et al. (2022), DeepTerRa/ALS2DTM, IEEE JSTARS 15:2778 (arXiv:2206.03778).
  • Bittner et al. (2023), DSM2DTM, ISPRS Annals X-1/W1-2023:925.
  • lidR book (comparaison PTD/CSF/PMF) : https://r-lidar.github.io/lidRbook/gnd.html