A Phase-Congruency-Based Scene Abstraction Approach for 2D-3D Registration of Aerial Optical and LiDAR Images
Notice bibliographique
Résumé
Registration of aerial images to enrich 3-D light detection and ranging (LiDAR) points with radiometric information can enhance the capability of object detection, scene classification, and semantic segmentation. However, airborne LiDAR data may not always come with on-board optical images collected during the same flight mission. Indirect georeferencing can be adopted, if ancillary imagery data are found available. Nevertheless, automatic recognition of control primitives in LiDAR and imagery datasets becomes challenging, especially when they are collected on different dates. This article proposes a generic registration mechanism based on using the phase congruency (PC) model and scene abstraction to overcome the stated challenges. The approach relies on the use of a PC measure to compute the image moments that determine the study scene's edges. Potential candidate points can be identified based on thresholding the image moments' values. A shape context descriptor is adopted to automatically pair symmetric candidate points to produce a final set of control points. Coordinate transformation parameters between the two datasets were estimated using a least squares adjustment for four registration models: first- (affine), second-, third-order polynomials, and direct linear transform models. Datasets covering different urban landscapes were used to examine the proposed workflow. The root-mean-square error of the registration is between one and two pixels. The proposed workflow is found to be computationally efficient especially with small-sized datasets, and generic enough to be applied in registering various imagery data and LiDAR point clouds.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».