فرزانه عقیقی؛ امیدمهدی عبادتی؛ حسین عقیقی
چکیده
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر ...
بیشتر
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهههای گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینهبرند و به نیروی متخصص انسانی نیاز دارند. بهمنظور کاهش این محدودیتها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایة ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبهای، معرفی کرده است. رویکرد نمودار جعبهای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل میکند. این روش بهکمک مجموعه دادة محک ISPRS که برای مجموعه دادة وهینگن، با هدف طبقهبندی سهبعدی و بازسازی سهبعدی ساختمان ایجاد شده بود، ارزیابی شد. بهمنظور ارزیابی این روش، ابتدا نقاط پرتی بهصورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمانبر و پرهزینهتری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.
فرزانه عقیقی؛ امید مهدی عبادتی؛ حسین عقیقی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 41-60
چکیده
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای ...
بیشتر
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای طبقهبندی Kاٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقهبندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدینمنظور، دادههایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، بهکار رفته است. سپس همة ویژگیهای هندسی، مقادیر شدت ثبتشده از سوی لیدار، تصاویر هوایی و نیز ویژگیهای استخراجشدة مبتنیبر مقادیر ویژه را استخراج و بهمنظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کمارتفاع، درخت و اتومبیل بهکار برده است. برای محاسبة مقادیر ویژه بهکمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیکهای طبقهبندی بهکاررفته در این تحقیق با استفاده از نقشههای رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان میدهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقهبندیهاست. همچنین، ساختار مکعبی پیشنهادی را میتوان، بهخوبی ساختارهای کروی و استوانهای، در استخراج ویژگیهای مبتنیبر مقادیر ویژه بهکار برد.