⚡ electrical engineering

Dual Scheme Adaptive Slope-Based Filtering of Photogrammetric Point Clouds for Digital Terrain Model Generation

Cette étude propose une méthode de filtrage adaptatif à double schéma basé sur la pente qui segmente les modèles numériques de surface en domaines de végétation et de bâtiments afin d'améliorer la classification des points de sol, atteignant une précision verticale élevée (RMSE de 0,148 m) lors de levés photogrammétriques par drone complexes, tout en identifiant l'étendue des vides dans la végétation dense comme la principale limite restante.

Auteurs originaux : Muhammad Ulin Nuha, Musa Damar Hadi, Rizqi Aulia

Publié 2026-08-06

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Muhammad Ulin Nuha, Musa Damar Hadi, Rizqi Aulia

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un cartographe essayant de dessiner une carte du sol sous une forêt. Vous avez un drone qui vole au-dessus et prend des milliers de photos, les assemblant pour créer un modèle 3D du monde. Ce modèle, appelé Modèle Numérique de Surface (MNS), est incroyablement détaillé, mais il présente un problème : il montre tout, y compris les arbres, les bâtiments et les lignes électriques. Pour obtenir une véritable carte de la terre elle-même — un Modèle Numérique de Terrain (MNT) — vous devez numériquement « éplucher » tout ce qui n'est pas le sol. C'est comme essayer de trouver la forme d'un gâteau en retirant tout le glaçage, les vermicelles et les bougies sans écraser le gâteau en dessous.

Le défi est que le sol n'est pas toujours plat. Parfois, il y a des collines, et parfois les « vermicelles » (comme les arbres) sont aussi accidentés que le sol. Les anciennes méthodes essayaient d'utiliser une règle unique pour tout : « Si c'est escarpé, c'est un bâtiment ; si c'est plat, c'est le sol. » Mais c'est comme essayer de trier un sac de billes et de cailloux en regardant seulement leur taille ; vous pourriez accidentellement jeter un petit rocher ou garder un gros gravier. Ce document s'attaque à la réalité complexe des paysages tropicaux, où une végétation dense et des bâtiments modernes se côtoient sur un terrain irrégulier, rendant ces vieilles règles « taille unique » totalement inefficaces.

Le Filtre à Deux Têtes : Une Façon Intelligente de Nettoyer les Cartes de Drones

Les chercheurs, travaillant à l'Institut Teknologi Sumatera en Indonésie, ont réalisé qu'essayer d'utiliser une seule règle pour nettoyer la carte d'un drone d'un campus revenait à essayer d'utiliser une seule paire de ciseaux pour couper à la fois de la dentelle délicate et du cuir épais. On finirait par abîmer la dentelle ou par échouer à couper le cuir. Ils ont donc inventé un filtre à « Double Schéma » — un système intelligent qui agit comme un videur de boîte de nuit, vérifiant votre carte d'identité et décidant ensuite dans quelle file vous devez attendre en fonction de votre apparence.

La Configuration : Un Campus Plein d'Indices
L'équipe a fait voler un drone au-dessus d'un bloc de 121 hectares de leur campus universitaire. Cette zone était le laboratoire de test parfait : elle présentait 70 mètres de collines et de vallées, de hauts bâtiments à plusieurs étages avec des toits plats, et des forêts secondaires denses. Le drone a pris des photos sous différents angles (pas seulement de haut en bas, mais aussi inclinées) pour construire un nuage de points 3D avec une résolution de 4,15 cm par pixel. C'est assez précis pour voir les briques individuelles et les feuilles.

Le Problème : Le Piège de la « Taille Unique »
Les filtres traditionnels utilisent une approche basée sur la pente. Ils regardent si un endroit est escarpé. Si le sol est fortement incliné, le filtre suppose qu'il s'agit d'un mur de bâtiment ou d'un tronc d'arbre et le supprime. S'il est doux, il le conserve comme étant le sol. Mais dans un lieu présentant à la fois des collines abruptes et des bâtiments plats, cela ne fonctionne plus.

Si vous réglez la règle sur « supprimer tout ce qui est escarpé », vous supprimez accidentellement les vraies collines.
Si vous réglez la règle sur « garder tout ce qui est escarpé », vous laissez les bâtiments debout.

La Solution : Deux Règles Différentes pour Deux Mondes Différents
La grande idée des auteurs a été de diviser la carte en deux zones avant d'appliquer les règles. Ils ont créé deux « descripteurs » — des cartes spéciales qui décrivent la texture du sol.

La Carte de la « Rugosité » (Schéma A) : Elle observe à quel point une petite zone de sol est accidentée. Pensez-y comme si vous passiez votre main sur une surface. La canopée d'une forêt est comme un tapis hirsute ; elle est très bosselée et irrégulière. Un toit plat ou une route pavée est comme une table lisse. Le filtre utilise cette « rugosité » pour identifier la forêt. Dans ces zones accidentées, le filtre devient « permissif ». Il sait que le sol en dessous peut être escarpé, il ne supprime donc que ce qui est vraiment escarpé, préservant ainsi les véritables collines.
La Carte des « Bords » (Schéma B) : Elle recherche des lignes nettes, comme le contour d'un bâtiment. Elle utilise une technique appelée détection de contours de Canny, qui est comme un croquis au crayon à haut contraste qui ne dessine que les bordures là où les changements sont abrupts. Un toit plat est lisse à l'intérieur, mais possède un bord dur et net autour du périmètre. Le filtre utilise cela pour trouver les bâtiments. Dans ces zones lisses, le filtre devient « strict ». Il sait que s'il y a une pente raide ici, c'est presque certainement un mur, il le supprime donc immédiatement.

Le Processus : Tri et Lissage
Une fois la carte divisée en « Zone de Forêt Accidentée » et « Zone de Bâtiment Lisse », le filtre applique la règle appropriée à chaque zone.

Dans la Forêt : Il garde les collines escarpées mais supprime les arbres.
Dans la Ville : Il supprime les bâtiments mais garde le sol plat.

Après avoir supprimé les éléments « non-sol » (arbres et bâtiments), il reste des trous dans la carte. C'est comme manger le glaçage d'un gâteau et laisser des espaces vides. Pour corriger cela, l'équipe a utilisé une méthode d'« interpolation hybride ». Imaginez que vous avez un trou dans une couverture ; vous tirez les fils des bords pour combler l'espace. Ils ont utilisé deux méthodes : une qui tire des voisins les plus proches et une autre qui calcule la moyenne de la distance par rapport à tous les points environnants. Enfin, ils ont appliqué un filtre de « lissage gaussien », qui est comme passer un fer à repasser chaud sur le tissu pour rendre les coutures invisibles, garantissant que la transition entre le vrai sol et les trous comblés paraisse naturelle.

Les Résultats : Une Carte Qui Fonctionne (Plutement)
L'équipe a testé sa nouvelle carte par rapport à 12 points GPS réels mesurés sur le terrain.

La Bonne Nouvelle : La nouvelle carte était incroyablement précise. L'erreur n'était que de 0,148 mètre (environ 6 pouces). C'est presque la même précision que les photos originales du drone avant tout filtrage. Cela prouve que leur système intelligent à deux règles n'a pas accidentellement détruit les données réelles du sol.
Le Bémol : L'article admet une limite. Dans les zones de forêt les plus denses et les plus épaisses, le drone ne pouvait pas voir le sol du tout. Lorsque le filtre a supprimé les arbres, il a laissé un immense trou. La méthode de « remplissage » a dû deviner à quoi ressemblait le sol au milieu de ce trou. Le résultat était une surface un peu trop lisse et plate, comme une rampe, plutôt qu'un vrai sol de forêt accidenté.

Pourquoi Cela Importe
Les auteurs ne prétendent pas que cette méthode est la méthode absolument parfaite qui résout tous les problèmes du monde. Ils n'utilisent pas d'IA complexe ou de deep learning qui nécessite des ordinateurs massifs et des données d'entraînement. Au lieu de cela, ils ont montré qu'en observant simplement la géométrie du monde — sa rugosité et l'emplacement de ses bords — on peut créer un filtre bien plus intelligent que les anciens systèmes à « règle unique ».

Ils ont découvert que pour les zones avec un terrain mixte (collines, arbres et bâtiments), il faut une approche flexible. On ne peut pas traiter une colline escarpée de la même manière qu'un mur de bâtiment. En divisant le problème en deux zones et en utilisant le bon outil pour chacune, ils ont réussi à créer une carte propre et précise de la terre nue sans avoir besoin de scanners laser coûteux ou de supercalculateurs. La principale conclusion est que, bien que nous ne puissions pas voir à travers une canopée de jungle épaisse avec une caméra, nous pouvons être beaucoup plus intelligents sur la façon dont nous devinons ce qui se trouve en dessous, tant que nous admettons que nos suppositions sont justement cela : des suppositions.

Résumé technique : Filtrage adaptatif à double schéma basé sur la pente pour les nuages de points photogrammétriques

Énoncé du problème
La génération de Modèles Numériques de Terrain (MNT) à partir de la photogrammétrie par drone (UAV) est fréquemment entravée par les limites des algorithmes conventionnels de filtrage de sol, en particulier le filtrage basé sur la pente (SBF - Slope-Based Filtering). Le SBF standard repose sur un seuil de pente global unique pour distinguer le terrain des éléments non-terrestres. Cette approche est insuffisante dans les environnements hétérogènes contenant à la fois une végétation dense et des bâtiments rapprochés. Dans de tels contextes, un seuil unique ne peut simultanément préserver le relief réel des terrains escarpés (ex. : pentes de 70 mètres) et éliminer les éléments non-terrestres abrupts comme les murs de bâtiments ou les canopées végétales. De plus, bien que les classificateurs appris (apprentissage profond) offrent une grande précision, ils nécessitent des données d'entraînement étiquetées étendues et des ressources de calcul souvent indisponibles dans les contextes de cartographie opérationnelle. En outre, les nuages de points photogrammétriques sous des canopées tropicales fermées manquent souvent de retours de sol sous la canopée, ce qui signifie que les algorithmes de filtrage ne peuvent pas récupérer un terrain qui n'a jamais été observé, une limitation distincte des applications LiDAR.

Méthodologie
L'étude propose un flux de travail de « Filtrage adaptatif à double schéma basé sur la pente » qui opère entièrement dans le domaine raster à l'aide d'un Modèle Numérique de Surface (MNS) dérivé de la photogrammétrie par drone. La méthode évite le besoin de données spectrales ancillaires ou d'informations de multi-retours. Le flux de travail se compose de cinq étapes principales :

Génération de descripteurs : Deux descripteurs distincts sont dérivés du MNS :
- Rugosité de surface (Descripteur du Schéma A) : Calculée comme l'écart-type local de l'élévation dans une fenêtre de 9 pixels (~0,75 m). Cela identifie les zones géométriquement rugueuses, principalement les canopées végétales et les murs de bâtiments.
- Densité de contours (Descripteur du Schéma B) : Générée en appliquant une détection de contours de Canny au MNS normalisé, suivie d'un filtre de moyenne de 7 pixels. Cela identifie les périmètres des bâtiments (discontinuités verticales fortes) tout en ignorant les surfaces planes internes.
Zonage par règles : Un raster de zonage assigne chaque pixel à l'un des deux schémas de traitement en fonction des descripteurs :
- Schéma A (Terrain variable) : Assigné aux pixels où la rugosité dépasse un seuil. Ce domaine est destiné aux terrains accidentés et végétalisés.
- Schéma B (Terrain plat) : Assigné à tous les autres pixels, y compris les sols ouverts et l'intérieur des bâtiments. Ce domaine est destiné aux surfaces planes où les éléments abrupts sont probablement des structures non-terrestres.
Seuillage dépendant du schéma : La pente est calculée pour chaque pixel et comparée à un seuil spécifique à son schéma assigné :
- Seuil du Schéma A ( $\theta_A$ ) : Fixé à 25°. Ce seuil permissif empêche la suppression du relief réel des terrains escarpés trouvés dans les zones végétalisées.
- Seuil du Schéma B ( $\theta_B$ ) : Fixé à 15°. Ce seuil strict garantit que les éléments abrupts dans les zones plates (ex. : murs de bâtiments) sont correctement classés comme non-terrestres.
Raffinement morphologique : Le masque binaire résultant subit une dilatation pour assurer la couverture complète des bordures d'objets et un remplissage de trous pour convertir les contours de bâtiments en empreintes solides.
Remplissage des vides et lissage : Les pixels classés comme non-terrestres sont définis comme "no-data". Une approche d'interpolation hybride remplit ces vides : l'interpolation par pondération inverse de la distance (IDW) est utilisée d'abord pour les grands écarts, suivie de l'interpolation par plus proche voisin pour les écarts résiduels. Un filtre gaussien est appliqué pour lisser les transitions entre les surfaces observées et interpolées.

Contributions clés
La principale contribution de l'article est de démontrer que l'adaptativité faisant défaut au SBF conventionnel peut être restaurée en rendant le domaine de traitement adaptatif plutôt que le seuil lui-même. En utilisant une étape de zonage à deux descripteurs (rugosité et densité de contours) dérivés uniquement du MNS, la méthode applique des règles géométriques distinctes à des types de surfaces distincts sans nécessiter de données d'entraînement d'apprentissage automatique. L'approche offre :

Transparence : Tous les paramètres (tailles de fenêtre, seuils de pente) sont physiquement interprétables et inspectables.
Efficacité computationnelle : La méthode opère sur des données raster en utilisant des opérateurs de traitement d'image standards, évitant le coût de calcul élevé du traitement de nuages de points ou de l'apprentissage profond.
Logique géométrique : Elle distingue avec succès la végétation (rugueuse) des bâtiments (intérieurs lisses avec des bords rugueux) en utilisant uniquement des descripurs géométriques.

Résultats
La méthode a été évaluée sur un bloc de 121 hectares du campus de l'ITERA à Lampung, en Indonésie, caractérisé par une végétation secondaire dense, des bâtiments à plusieurs étages et un relief de 70 mètres. Les données d'entrée proviennent d'une campagne de levés obliques par drone avec une résolution spatiale au sol de 4,15 cm et une densité de points de 145 points/m².

Précision verticale : La comparaison avec 12 points de contrôle GNSS indépendants a produit une erreur quadratique moyenne (RMSE) verticale de 0,148 m et une erreur linéaire à 90 % de confiance (LE90) de 0,244 m.
Impact du filtrage : Le MNT filtré a montré une augmentation de seulement 0,004 m de la RMSE par rapport au MNS d'entrée. Les auteurs notent que cette augmentation est inférieure au seuil de bruit de validation (précision GNSS et échantillonnage de la grille), indiquant que le processus de filtrage n'a causé aucune dégradation mesurable de la fidélité de l'élévation sur le terrain observé.
Évaluation visuelle : Le MNT résultant a réussi à supprimer les bâtiments et la végétation, préservant la forme topographique globale. Cependant, l'inspection visuelle a révélé que les larges zones végétalisées résultaient en des surfaces « trop lissées ». Comme la canopée a été entièrement supprimée, ne laissant aucun observation sous la canopée, l'interpolation a dû s'appuyer sur les valeurs périmétriques, entraînant des remplissages plans qui manquent de détails topographiques locaux.

Signification et limites
Les auteurs positionnent ce travail non pas comme une alternative supérieure aux filtres appris ou à la simulation de tissu (cloth simulation), mais comme une solution pratique et reproductible pour la cartographie opérationnelle où les données d'entraînement sont indisponibles. L'étude souligne que la principale limitation de la génération de MNT photogrammétriques dans les zones végétalisées n'est pas l'algorithme de classification, mais le goulot d'étranglement de la reconstruction : si le nuage photogrammétrique manque de retours de sol sous une canopée fermée, aucun filtre ne peut récupérer le terrain, et la qualité du MNT final est dictée par la méthode d'interpolation plutôt que par le filtre.

L'article conclut que, bien que l'approche à double schéma résolve efficacement le compromis entre la préservation du relief du terrain et l'élimination des structures dans les environnements mixtes, la précision du produit final dans les vides végétalisés reste non mesurée par les points de contrôle standards (qui sont placés sur des terrains ouverts). Les auteurs soulignent que les métriques de précision rapportées caractérisent uniquement les terrains ouverts et ne doivent pas être extrapolées aux intérieurs végétalisés où le modèle est le plus faible. Des travaux futurs sont recommandés pour se concentrer sur la préservation des indices sous-canopée dans le domaine du nuage de points et pour mener une validation stratifiée utilisant des références scannées par laser pour les zones végétalisées.

Le Filtre à Deux Têtes : Une Façon Intelligente de Nettoyer les Cartes de Drones

Articles similaires