سنجش از دور و Gis ایران، جلد ۹، شماره ۲، صفحات ۴۱-۰
عنوان فارسی طبقه‌بندی ابرنقاط لیدار به‌کمک میدان تصادفی مارکوف و تکنیک‌های یادگیری ماشین
چکیده فارسی مقاله امروزه در زمینه مدیریت شهری، رباتیک، تولید بازی‌های رایانه‌ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه‌بعدی‌سازی استفاده 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)، شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه‌بندی مجموعه داده لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین‌منظور، داده‌هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به‌کار رفته است. سپس همه ویژگی‌های هندسی، مقادیر شدت ثبت‌شده از سوی لیدار، تصاویر هوایی و نیز ویژگی‌های استخراج‌شده 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 محاسبه 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.
کلیدواژه‌های فارسی مقاله طبقه‌بندی، یادگیری ماشین، ابرنقاط لیدار، میدان تصادفی مارکوف، عوارض شهری،
عنوان انگلیسی Classification of LiDAR Points Cloud Using Markov Random Field and Machine Learning Techniques
چکیده انگلیسی مقاله Light Detection and Ranging (LiDAR) point cloud dataset and 3 dimensional (3-D) models have been extensively used for urban feature extraction, urban management, forestry management, managing urban green space, tourism management, robotics, and video and computer games' production. One of the main steps toward reaching accurate 3-D models is clustering and classification of LiDAR point clouds data. The main purpose of this research is to find out, particular machine learning techniques, which are promising for best learning and classification of LiDAR point cloud data in an urban area. Therefore, the performances of K-nearest neighbor (KNN), Decision Trees (D3), Artificial Neural Networks (ANN), Naive Bayes (NB), Support Vector Machine (SVM), and Markov Random Field (MRF) classifiers were evaluated on the LiDAR and aerial image dataset of Vaihingen, Germany, in the context of the "ISPRS Test Project on Urban Classification and 3D Building Reconstruction." In regard to the literature review, MRF model has not been used to classify LiDAR point cloud data in Iran. In this research, we utilized all the geometrical features, intensity values of LiDAR and aerial images as well as extracted eigenvalues based features to distinguish five urban object classes, including impervious surfaces, buildings, low vegetation, trees and cars. In order to compute eigenvalues using local point distribution, this paper introduces a new cubic structure, which has been not found in previous studies. The final results of 3D classification techniques in this research were 2D maps that evaluated by the benchmark ISPRS tests maps. The evaluation shows that the performance of MRF model with an overall accuracy of 88.08% and the kappa value of 0.83 is higher than other techniques to classify the employed LiDAR point clouds.
کلیدواژه‌های انگلیسی مقاله طبقه‌بندی, یادگیری ماشین, ابرنقاط لیدار, میدان تصادفی مارکوف, عوارض شهری
نویسندگان مقاله فرزانه عقیقی |


امیدمهدی عبادتی | omid mahdi


حسین عقیقی |


نشانی اینترنتی http://gisj.sbu.ac.ir/article/download/21081/6795
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/911/article-911-564102.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات