REDUCTION OF STRIPING NOISE IN OVERLAPPING LIDAR INTENSITY DATA BY RADIOMETRIC NORMALIZATION
Notice bibliographique
Résumé
Abstract. To serve seamless mapping, airborne LiDAR data are usually collected with multiple parallel strips with one or two cross strip(s). Nevertheless, the overlapping regions of LiDAR data strips are usually found with unbalanced intensity values, resulting in the appearance of stripping noise. Despite that physical intensity correction methods are recently proposed, some of the system and environmental parameters are assumed as constant or not disclosed, leading to such an intensity discrepancy. This paper presents a new normalization technique to adjust the radiometric misalignment found in the overlapping LiDAR data strips. The normalization technique is built upon a second-order polynomial function fitted on the joint histogram plot, which is generated with a set of pairwise closest data points identified within the overlapping region. The method was tested on Teledyne Optech’s Gemini dataset (at 1064 nm wavelength), where the LiDAR intensity data were first radiometrically corrected based on the radar (range) equation. Five land cover features were selected to evaluate the coefficient of variation (cv) of the intensity values before and after implementing the proposed method. Reduction of cv was found by 19% to 59% in the Gemini dataset, where the striping noise was significantly reduced in the radiometrically corrected and normalized intensity data. The Gemini dataset was also used to conduct land cover classification, and the overall accuracy yielded a notable improvement of 9% to 18%. As a result, LiDAR intensity data should be pre-processed with radiometric correction and normalization prior to any data manipulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».