نوع مقاله : مقاله پژوهشی

نویسندگان

• علیرضا صفدری نژاد ¹
• مهدی مختارزاده ²
• محمدجواد ولدان زوج ³

¹ دانشجوی دکترای مهندسی نقشه برداری، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

² استادیار گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

³ استاد گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

داده‌های اخذ شده توسط سیستم‌های لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتاً بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم می‌آورند. طبقه‌بندی و تفکیک داده‌های ابر نقطه به عوارض سازنده‌ی ‌محیط، نقش مهمی در روند مدلسازی سه‌بعدی عوارض ایفا می‌کند. در مقاله پیش رو، مسأله‌ی تفکیک ابرنقاط بعنوان یک فرایند طبقه‌بندی نظارت‌شده مدنظر قرار گرفته شده است؛ روند اجرایی در روش پیشنهادی مبتنی بر سه گام بوده که در گام نخست، برای هر نقطه‌از ابرنقاط مجموعه‌ای از ویژگی‌ها مبتنی بر تحلیل‌های مجاورتی تولید می‌گردد. در گام دوم، ویژگی‌های بهینه به کمک داد‌ه‌های آموزشی و فضای پدیده استخراج شده و در نهایت، طی یک الگوریتم خوشه‌بندی، با استفاده از ویژگی‌های استخراج شده، داده‌های ابر نقطه به کلاس‌های مد نظر طبقه‌بندی می‌گردند. از این روش بمنظور طبقه‌بندی ابر نقاط چندبازگشتی لایدار مربوط به یک منطقه‌ی شهری استفاده شد که نتایج طبقه‌بندی، دقت کلی معادل 15/93درصد و ضریب کاپای 89/0 را نشان دادند.

کلیدواژه‌ها

• لیزر اسکنر هوایی
• خوشه بندی
• تحلیل مجاورت
• انتخاب ویژگی
• فضای پدیده
• فضای ویژگی

20.1001.1.25883860.1395.25.98.2.6

عنوان مقاله [English]

A Novel Method for Classification of Multi Return LiDAR Data using Geometrical-Contextual Information and Prototype Space

نویسندگان [English]

• Alireza Safdarinezhad ¹
• Mahdi Mokhtarzadeh ²
• Mohammadjavad Valadanzouj ³

¹ Ph.D candidate, K. N. Toosi University of Technology

² Assistant professor, K. N. Toosi University of Technology

³ Professor, K. N. Toosi University of Technology

چکیده [English]

Abstract
       3D point clouds obtained by Airborne Laser Scanner Systems provide a varied and unique geometric information of the physical terrain surfaces due to advantages such as relatively high geometric accuracy and high spatial density of the points. Classification and separation of cloud point data to environmental constructive terrains plays an important role in the process of 3D modeling of terrains. In this procedure, point cloud clustering is a fundamental step in the procedure of information extraction form LiDAR's data. In this paper, a novel method is proposed for supervised classification of LiDAR cloud of points based on contextual analysis of LiDAR points. The proposed method consists of three main steps. In the first step, a set of features based on contextual analyses are produced for each point in LiDAR data. In the second step, the optimum feature selection is done in the modified prototype space using a new strategy. The last step is conducted by a simple k-means clustering in the feature space spanned by optimum contextual clusters. An urban area with the residential texture has been used as the case study to evaluate the proposed method. The results indicate proper classification accuracies. The overall accuracies and kappa coefficients were 93.15% and 0.89 respectively.

کلیدواژه‌ها [English]

• Airborne Laser Scanners (ALS)
• Clustering
• Contextual analysis
• feature selection
• Prototype Space
• Feature Space