Du LAZ au nuage de points classifié : chaque étape de traitement expliquée

13 juill. 2026LECTURE 8 MINFlux de travail

Modèle numérique de terrain au sol nu, ombré, dérivé de LiDAR aéroporté, montrant des fortifications et des limites de champs, végétation et structures filtrées. — Un modèle numérique de terrain : la fin de la chaîne, et non le nuage classifié dont il est dérivé. Source : data.gov.uk, Open Government Licence v3.0.

Un nuage de points est un ensemble de points qui représente une scène en 3D. Avant qu'un modèle d'IA puisse étiqueter ces points, l'équipe doit vérifier le fichier LAZ livré et le préparer pour le modèle.

Ce billet suit le parcours d'un fichier LAZ jusqu'à un nuage de points classifié et vérifié.

1. Lire le fichier LAZ

Le LAZ est une forme compressée sans perte du format de nuage de points LAS. La décompression restitue les coordonnées et les attributs de points stockés [1].

Commencez par l'en-tête du fichier. Vérifiez le nombre de points. Vérifiez ensuite les limites spatiales et le format d'enregistrement des points. Lisez les points et confirmez que le décompte et l'étendue concordent.

Conservez les attributs dont les étapes suivantes auront besoin. Ils peuvent inclure l'information de retour et un identifiant de ligne de vol pour les vérifications de bandes [1], [2].

2. Vérifier le système de coordonnées

La référence horizontale situe les points sur la carte. La référence verticale définit ce que signifient leurs altitudes.

Le LiDAR aéroporté combine les mesures du scanneur et la trajectoire de l'aéronef. Une transformation erronée peut modifier les distances cartographiées ou les altitudes [3].

Vérifiez le système de référence déclaré et les unités. Comparez ensuite le nuage à un contrôle indépendant. Des métadonnées correctes ne prouvent pas que la transformation des coordonnées a fonctionné correctement.

3. Aligner les bandes de vol qui se recouvrent

Les levés aéroportés contiennent généralement des bandes de vol qui se recouvrent. Une erreur peut laisser une bande légèrement décalée par rapport à la suivante [4].

Le recouvrement rend l'erreur visible. Une même toiture peut apparaître comme deux surfaces voisines au lieu d'une seule.

L'ajustement des bandes compare les surfaces correspondantes et estime une correction. Glira et ses collègues ont testé ce type de méthode sur 103 bandes. Leur étude ne fixe pas une tolérance valable pour tous les projets [4].

Un profil de toiture, avant et après alignement des bandes. Source : Glira et al. (2015), ISPRS Annals, CC BY 3.0.

Utilisez la même toiture avant et après ajustement. Le contrôle indépendant vérifie la position absolue.

4. Retirer le bruit avec prudence

Certains retours LiDAR ne représentent pas la surface cartographiée. Ils peuvent apparaître comme des points isolés ou de petits amas près du terrain et de la végétation [5].

Signalez d'abord les points manifestement invalides. Comparez ensuite chaque candidat au terrain et aux objets avoisinants. Jiang et ses collègues ont testé cette approche du global vers le local sur quatre jeux de données aéroportés [5].

Un point bas dans une vallée peut être du terrain valide. La même altitude peut être une valeur aberrante ailleurs.

Deux vues alignées du même bloc aéroporté : les retours bruts à gauche et, à droite, le même nuage avec le sol et la végétation classifiés et les retours hauts isolés signalés. — Retours isolés au-dessus de la surface, signalés comme candidats au bruit à côté du nuage conservé.

Les objets épars méritent aussi une révision. Un conducteur peut ne contenir que quelques points. Gardez la décision de bruit réversible pour qu'un réviseur puisse restaurer les points réels.

5. Tuiler le nuage de points

Les grands levés peuvent ne pas tenir en mémoire d'un seul tenant. Le tuilage divise le levé en zones plus petites et permet les requêtes de voisinage [2].

Une bordure de tuile franche peut supprimer le contexte avoisinant. Un point proche de la bordure peut perdre des points nécessaires à une normale de surface ou à un attribut du modèle.

Utilisez un tampon autour de chaque tuile. Traitez le tampon avec la tuile, puis conservez les prédictions du cœur de la tuile. Cette règle préserve le contexte local sans dupliquer les points finaux [2], [6].

La taille des tuiles influe aussi sur le résultat. Widyaningrum et ses collègues ont constaté des effets de bloc avec de petits blocs et une perte de détail avec de grands blocs [6].

6. Préparer les entrées du modèle

La préparation des attributs transforme les enregistrements de points stockés en entrées du modèle. Un modèle peut utiliser des coordonnées brutes. Il peut aussi utiliser la hauteur au-dessus du sol ou des attributs géométriques locaux [2], [8].

Les entrées de production doivent suivre les mêmes définitions et unités qu'à l'entraînement. Le flux de travail exige aussi une règle claire pour les valeurs manquantes.

Une requête par rayon sélectionne les points situés à une distance physique donnée. Une requête par plus proches voisins sélectionne un nombre fixe de points. Ces requêtes décrivent des zones locales différentes [2].

La normalisation des hauteurs soustrait une surface de sol estimée de l'altitude de chaque point. Des erreurs dans cette surface de sol peuvent créer des erreurs de classification [7].

7. Lancer l'inférence et conserver les scores

Le modèle reçoit les points préparés et attribue un score à chaque classe permise. Le score le plus élevé devient l'étiquette provisoire [8].

L'étiquette masque les autres scores. Près d'une limite d'objet, deux classes peuvent avoir des scores voisins. Cela indique une faible préférence du modèle, non une probabilité d'erreur [8].

Conservez les scores bruts avec chaque tuile. Consignez aussi la version du modèle et la recette d'attributs. Ces enregistrements soutiennent la révision ultérieure.

Zhu et ses collègues ont testé un réseau encodeur-décodeur sur deux jeux de données aux schémas de classes différents. Leurs résultats ne prédisent pas l'exactitude pour un levé sans rapport [8].

L'image suivante montre une tuile réelle sous forme de scores et d'étiquettes provisoires. Cherchez une limite où deux scores de classe sont proches l'un de l'autre.

Vues alignées d'un nuage de points montrant les étiquettes sémantiques provisoires au-dessus d'un champ continu de scores par point issu de la même inférence. — Étiquettes provisoires au-dessus, et champ de scores par point qui les sous-tend. Source : Lin et al. (2020), ISPRS Journal, CC BY 4.0.

La carte d'étiquettes ne montre que la classe gagnante. La vue des scores montre à quel point la décision était serrée. Les classes rares exigent des vérifications distinctes, car l'exactitude globale peut masquer un faible rappel pour une classe comptant peu de points [9].

8. Réconcilier les prédictions répétées

Les tuiles tamponnées peuvent produire des prédictions répétées pour un même point source. La réconciliation choisit une étiquette finale [8].

Le flux de travail peut conserver la prédiction du cœur ou appliquer une règle de score documentée. Zhu et ses collègues ont utilisé un vote par plus proches voisins pour fusionner les prédictions répétées et étiqueter les points omis [8].

Le post-traitement devrait résoudre une erreur nommée. Niemeyer et ses collègues ont utilisé les étiquettes voisines dans une étude urbaine. Ils ont ensuite appliqué une ouverture morphologique pour les produits de bâtiments et d'arbres [7].

Cette étude portait sur des données urbaines. Testez chaque règle de lissage par rapport à des données de référence avant de l'appliquer à l'échelle d'un projet.

9. Vérifier la géométrie et les étiquettes

Les vérifications géométriques comparent le nuage à un contrôle indépendant. Les résidus verticaux montrent les écarts d'altitude et peuvent révéler une déformation locale [3], [10].

De fortes valeurs aberrantes peuvent fausser une moyenne. Höhle et Höhle recommandent des statistiques robustes lorsque les erreurs d'altitude ne suivent pas une distribution normale [10].

Les vérifications d'étiquettes comparent les prédictions à une référence indépendante. Une matrice de confusion montre quelles classes le modèle a confondues. La précision mesure les points prédits corrects. Le rappel mesure les points de référence retrouvés [6].

L'échantillon doit représenter le projet de production. Stehman et Czaplewski distinguent le plan d'échantillonnage de la qualité des étiquettes de référence [11].

10. Exporter le nuage classifié

L'étape d'exportation écrit les étiquettes approuvées dans le schéma de livraison. Elle doit conserver la précision de coordonnées requise et les attributs source [1], [2].

Consignez chaque champ modifié. Le LAS et le LAZ peuvent conserver les coordonnées avec des attributs de points extensibles [1], [2].

Ouvrez le fichier exporté comme une nouvelle entrée. Comparez son nombre de points et ses limites à ceux du nuage approuvé.

11. Vérifier les produits finaux

Les points classifiés peuvent produire un modèle de terrain. Ils peuvent aussi produire un modèle de surface ou un masque d'objet. Les points de sol permettent l'interpolation du terrain. Un modèle de hauteur de canopée soustrait l'altitude du terrain d'une surface de canopée [10], [12].

Chaque produit a ses propres règles. Une surface exige une taille de cellule et une méthode d'interpolation. Un masque d'objet exige une règle de limite.

Les vérifications au niveau du point ne prouvent pas qu'un produit final respecte sa spécification. Zhang et ses collègues ont constaté que les creux et les choix de lissage modifiaient la hauteur d'arbre estimée [12].

L'image suivante montre le nuage source classifié à côté des produits qui en sont issus. Utilisez la même étendue géographique dans chaque panneau.

Deux panneaux alignés sur la même étendue : les points de sol colorés par altitude, et la surface de terrain continue interpolée à partir d'eux. — Points de sol et surface de terrain qui en est dérivée. Source : Cai et al. (2019), Remote Sensing, CC BY 4.0.

L'image rend visibles les transformations distinctes. Vérifiez le produit final à l'échelle et dans l'unité que l'utilisateur emploiera.

Conclusion

Le modèle n'est qu'une partie du flux de travail. Il exige des coordonnées correctes et une géométrie alignée. Il exige aussi les définitions d'entrée utilisées à l'entraînement.

Vérifiez chaque étape avant que la suivante ne commence. Vérifiez ensuite le produit final, et pas seulement les étiquettes des points. L'équipe dispose ainsi de preuves que la livraison convient à l'usage prévu.

Vecten Desktop prend en charge la classification et la révision des étiquettes qu'il produit, et il s'exécute localement sur votre propre poste de travail. Le reste de la chaîne demeure là où il se trouve déjà.

Références

[1] M. Isenburg, "LASzip: Lossless compression of LiDAR data," *Photogrammetric Engineering & Remote Sensing*, vol. 79, no. 2, pp. 209-217, 2013, doi: 10.14358/PERS.79.2.209.
[2] J. Otepka, S. Ghuffar, C. Waldhauser, R. Hochreiter et N. Pfeifer, "Georeferenced point clouds: A survey of features and point cloud management," *ISPRS International Journal of Geo-Information*, vol. 2, no. 4, pp. 1038-1065, 2013, doi: 10.3390/ijgi2041038.
[3] Y. Zhang et X. Shen, "Direct georeferencing of airborne LiDAR data in national coordinates," *ISPRS Journal of Photogrammetry and Remote Sensing*, vol. 84, pp. 43-51, 2013, doi: 10.1016/j.isprsjprs.2013.07.003.
[4] P. Glira, N. Pfeifer, C. Briese et C. Ressl, "Rigorous strip adjustment of airborne laserscanning data based on the ICP algorithm," *ISPRS Annals*, vol. II-3/W5, pp. 73-80, 2015, doi: 10.5194/isprsannals-II-3-W5-73-2015.
[5] G. Jiang, D. D. Lichti, T. Yin et W. Y. Yan, "A maximum entropy based outlier removal for airborne LiDAR point clouds," *IEEE JSTARS*, vol. 17, pp. 19130-19145, 2024, doi: 10.1109/JSTARS.2024.3478069.
[6] E. Widyaningrum, Q. Bai, M. K. Fajari et R. C. Lindenbergh, "Airborne laser scanning point cloud classification using the DGCNN deep learning method," *Remote Sensing*, vol. 13, no. 5, art. no. 859, 2021, doi: 10.3390/rs13050859.
[7] J. Niemeyer, F. Rottensteiner et U. Soergel, "Conditional random fields for LiDAR point cloud classification in complex urban areas," *ISPRS Annals*, vol. I-3, pp. 263-268, 2012, doi: 10.5194/isprsannals-I-3-263-2012.
[8] J. Zhu, L. Sui, Y. Zang, H. Zheng, W. Jiang, M. Zhong et F. Ma, "Classification of airborne laser scanning point cloud using point-based convolutional neural network," *ISPRS International Journal of Geo-Information*, vol. 10, no. 7, art. no. 444, 2021, doi: 10.3390/ijgi10070444.
[9] X. Nong, W. Bai et G. Liu, "Airborne LiDAR point cloud classification using PointNet++ network with full neighborhood features," *PLOS ONE*, vol. 18, no. 2, art. no. e0280346, 2023, doi: 10.1371/journal.pone.0280346.
[10] J. Höhle et M. Höhle, "Accuracy assessment of digital elevation models by means of robust statistical methods," *ISPRS Journal of Photogrammetry and Remote Sensing*, vol. 64, no. 4, pp. 398-406, 2009, doi: 10.1016/j.isprsjprs.2009.02.003.
[11] S. V. Stehman et R. L. Czaplewski, "Design and analysis for thematic map accuracy assessment: Fundamental principles," *Remote Sensing of Environment*, vol. 64, no. 3, pp. 331-344, 1998, doi: 10.1016/S0034-4257(98)00010-800010-8).
[12] W. Zhang, S. Cai, X. Liang, J. Shao, R. Hu, S. Yu et G. Yan, "Cloth simulation-based construction of pit-free canopy height models from airborne LiDAR," *Forest Ecosystems*, vol. 7, art. no. 1, 2020, doi: 10.1186/s40663-019-0212-0.