روشی نوین به منظور طبقه بندی داده های چند بازگشتی لایدار با استفاده از اطلاعات هندسی مجاورتی و فضای پدیده

نوع مقاله: مقاله پژوهشی

نویسندگان

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

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

مراجع

1- مجردی، برات، 1388. استخراج ویژگی به منظور طبقهبندی تصاویر ابرطیفی، رساله دکتری، دانشکده ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی.

2- Ghanma, M., 2006. Integration of photogrammetry and LiDAR. PhD thesis, Department of Geomatics Engineering, University of Calgary, April 2006.

3-Axelsson, P. 2000. DEM generation from laser scanner data using adaptive TIN models. IAPRS, XXXIII B4/1, Istanbul, Turkey.

4- Alharthy, A. and Bethel, J. 2004, Detailed building reconstruction from airborne laser data using a moving surface method. International Archives of the Photogrammetry and Remote Sensing, Vol. XXXV-B3, pp. 213-218.

5- Zimble, D.A., Evans, D.L., Carlson, G.C., Parker, R.C., Grado, S.C., and Gerard, P.D., 2003. Characterizing vertical forest structure using small-footprint airborne LiDAR. Remote Sensing of Environment, 87(2–3)–171-182, 87 (3-2).

6- Filin, S., Pfeifer, N., 2006. Segmentation of airborne laser scanning data using a slope adaptive neighborhood. ISPRS Journal of Photogrammetry & Remote Sensing 60 (2006) 71-80.

7- Richards, J.A., and Jia, X., 2006. Remote Sensing Digital Image Analysis: An Introduction. Fourth Edition, Springer Publication (Germany).

8- Kilian, J., Haala, N., and English, M.. 1996, Capture and evaluation of airborne laser scanner data, International Archives of Photogrammetry and Remote Sensing, Vol. XXXI, Part B3, Vienna, pp. 383-388.

9- Kraus, K. and Pfeifer, N., 1998. Determination of terrain models in wooded areas with aerial laser scanner data. ISPRS Journal of Photogrammetry and Remote Sensing,193-203, 53(4).

10- Vosselman, G., 2000. Slope based altering of laser altimetry data. International Archives of Photogrammetry and Remote Sensing, Vol.,33 Part B3/2, Amsterdam, the Netherlands, pp. 935-942.

11- Sithole, G. and Vosselman, G., 2004. Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing, 59(1)101-2 August, 85.

12- Shan, J. and Sampath, A., 2005. Urban DEM generation from raw lidar data: A labelling algorithm and its performance. Photogrammetric Engineering and Remote Sensing, 71(2), 217-226.

13- Zhang, K. and Whitman, D., 2005. Comparison of three algorithms for filtering airborne LiDAR data. Photogrammetric Engineering and Remote Sensing, 71(3), 313-324.

14- Haala, N. and Brenner, C., 1999. Virtual city models from laser altimeter and 2D map data. Photogrammetric Engineering and Remote Sensing, 65(7), 787-795.

15- Vosselman, G. and Dijkman, S3. 2001, D building model reconstruction from point clouds and ground plans. International Archives of Photogrammetry and Remote Sensing, Vol. 34(3W4), pp. 37-43.

16- Overby, J., Bodum, L., Kjems, E., and Iisoe, P.M., 2004. Automatic 3D building reconstruction from airborne laser scanning and cadastral data using Hough transform. International Archives of Photogrammetry and Remote Sensing, Vol. 35, Part. B3, pp/296-301.

17- Hofmann, A.D., Maas, H.-G., and Streilein, A., 2002. Knowledge-based building detection based on laser scanner data and topographic map information. Available at http://www.isprs.org/ commission3/ proceedings02/ papers/paper025.pdf.

18- Schwalbe, E., Maas, H.-G., and Seidel, F., 2005. 3D building model generation from airborne laser scanner data using 2D GIS data and orthogonal point cloud projections. International Archives of Photogrammetry and Remote Sensing, Vol. 36, Part 3/W19, 209-214.

فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر»

دوره 25، شماره 98
تابستان 1395
صفحه 15-23

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار