CLASSIFICATION OF LiDAR DATA WITH P

CLASSIFICATION OF LiDAR DATA WITH POINT BASED CLASSIFICATION METHODS

N. Yastikli and Z. Cetin
YTU, Civil Engineering Faculty, Department of Geomatics Engineering, 34210 Davutpasa, Istanbul, Turkey -
(ynaci, zerisir)@yildiz.edu.tr
Commission III, WG III/2
KEY WORDS: LiDAR, Point Cloud, Classification, Point Based, Vegetation, Building, Ground

ABSTRACT:
LiDAR is one of the most effective systems for 3 dimensional (3D) data collection in wide areas. Nowadays, airborne LiDAR data is used frequently in various applications such as object extraction, 3D modelling, change detection and revision of maps with increasing point density and accuracy. The classification of the LiDAR points is the first step of LiDAR data processing chain and should be handled in proper way since the 3D city modelling, building extraction, DEM generation, etc. applications directly use the classified point clouds. The different classification methods can be seen in recent researches and most of researches work with the gridded LiDAR point cloud. In grid based data processing of the LiDAR data, the characteristic point loss in the LiDAR point cloud especially vegetation and buildings or losing height accuracy during the interpolation stage are inevitable. In this case, the possible solution is the use of the raw point cloud data for classification to avoid data and accuracy loss in gridding process. In this study, the point based classification possibilities of the LiDAR point cloud is investigated to obtain more accurate classes. The automatic point based approaches, which are based on hierarchical rules, have been proposed to achieve ground, building and vegetation classes using the raw LiDAR point cloud data. In proposed approaches, every single LiDAR point is analyzed according to their features such as height, multi-return, etc. then automatically assigned to the class which they belong to. The use of un-gridded point cloud in proposed point based classification process helped the determination of more realistic rule sets. The detailed parameter analyses have been performed to obtain the most appropriate parameters in the rule sets to achieve accurate classes. The hierarchical rule sets were created for proposed Approach 1 (using selected spatial-based and echo-based features) and Approach 2 (using only selected spatial-based features) and have been tested in the study area in Zekeriyaköy, Istanbul which includes the partly open areas, forest

ผลลัพธ์ (ไทย) 1:

การจำแนกประเภทของ LiDAR ข้อมูล ด้วยจุดตามวิธีการจัดประเภท N. Yastikli และ Z. Cetin YTU คณะวิศวกรรมโยธา กรม Geomatics วิศวกรรม 34210 Davutpasa อิสตันบูล ตุรกี- (ynaci, zerisir)@yildiz.edu.tr ค่าคอมมิชชั่น III, WG III/2 คำสำคัญ: LiDAR ประเภท Cloud จุด จุดคะแนน พรรณไม้ อาคาร พื้นดิน บทคัดย่อ: LiDAR เป็นหนึ่งในระบบที่มีประสิทธิภาพสูงสุดสำหรับคอลเลกชัน 3 มิติ (3D) ข้อมูลในพื้นที่กว้าง ในปัจจุบัน อากาศ LiDAR ข้อมูลจะถูกใช้บ่อยในการใช้งานต่าง ๆ เช่นดูดวัตถุ 3D สร้างแบบจำลอง เปลี่ยนได้ตรวจจับและแผนที่ด้วยการเพิ่มความหนาแน่นของจุดและแม่นยำ การจัดประเภทของจุด LiDAR เป็นขั้นตอนแรกของห่วงโซ่การประมวลผลข้อมูล LiDAR และควรจัดการในทางเหมาะสมตั้งแต่การสร้างโมเดล 3D เมือง อาคารสกัด สร้าง DEM ฯลฯ โดยตรงใช้เมฆจุดจัด วิธีการจำแนกแตกต่างกันสามารถมองเห็นในงานวิจัยล่าสุด และส่วนใหญ่ของงานวิจัยที่ทำงานกับ cloud จุด LiDAR แทบ ในการประมวลผลข้อมูลจากตารางข้อมูล LiDAR สูญเสียลักษณะจุดใน cloud จุด LiDAR โดยเฉพาะพืช และอาคาร หรือสูญเสียความแม่นยำสูงในระหว่างการแก้ไข ขั้นหลีกเลี่ยงไม่ได้ ในกรณีนี้ การแก้ปัญหาที่เป็นไปได้คือ การใช้ข้อมูลดิบจุดเมฆสำหรับการหลีกเลี่ยงการสูญเสียข้อมูลและความถูกต้องในกระบวนการ gridding ประเภท ในการศึกษานี้ จุดขึ้นเพื่อจัดประเภทของ LiDAR เมฆจุดจะตรวจสอบการเรียนถูกต้องมากขึ้น วิธีการอัตโนมัติจุดคะแนน ซึ่งเป็นไปตามกฎการลำดับชั้น ได้รับการเสนอเพื่อให้เกิดพื้นดิน เรียนอาคารและพืชที่ใช้ LiDAR ดิบชี้มูลคลาวด์ ในวิธีการนำเสนอ ทุกจุด LiDAR เดียวเป็นวิเคราะห์ตามคุณสมบัติเช่นความสูง กลับหลาย ฯลฯ แล้ว โดยอัตโนมัติกำหนดที่ระดับซึ่งพวกเขาอยู่ การใช้ cloud จุดแทบ un ในเสนอจุดตามการจัดประเภทกระบวนการช่วยกำหนดของชุดกฎที่สมจริงมากขึ้น วิเคราะห์รายละเอียดพารามิเตอร์มีการรับพารามิเตอร์เหมาะสมที่สุดในการตั้งค่ากฎเพื่อให้บรรลุระดับชั้นถูกต้อง การตั้งค่ากฎลำดับชั้นถูกสร้างขึ้นสำหรับการเสนอแนวทางที่ 1 (ใช้คุณสมบัติ ตาม echo และเชิงพื้นที่ตามที่เลือก) และวิธีที่ 2 (ใช้เฉพาะเชิงพื้นที่ตามคุณสมบัติที่เลือก) และได้รับการทดสอบในพื้นที่ศึกษาใน Zekeriyaköy อิสตันบูลซึ่งมีพื้นที่เปิดบางส่วน ป่า

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทของข้อมูลที่มี LiDAR ตามจุดจำแนกเชื้อ

N. Yastikli และ Z Cetin
ytu โยธาคณะวิศวกรรมศาสตร์ภาควิชาวิศวกรรม Geomatics, 34210 Davutpasa, อิสตันบูล, ตุรกี -
(ynaci, zerisir) @ yildiz.edu.tr
คณะกรรมการ III, WG III / 2
คำสำคัญ: LiDAR, เมฆจุดการจำแนก , ตามจุดพืชอาคารพื้น

บทคัดย่อ:
LiDAR เป็นหนึ่งในระบบที่มีประสิทธิภาพมากที่สุดสำหรับมิติ (3D) การเก็บรวบรวมข้อมูล 3 ในพื้นที่กว้าง ปัจจุบันข้อมูล LiDAR อากาศมักจะถูกใช้ในการใช้งานต่างๆเช่นการสกัดวัตถุแบบจำลอง 3 มิติ, การตรวจสอบการเปลี่ยนแปลงและการแก้ไขของแผนที่ที่มีความหนาแน่นของจุดที่เพิ่มขึ้นและความถูกต้อง การจำแนกประเภทของจุด LiDAR เป็นขั้นตอนแรกของ LiDAR ห่วงโซ่การประมวลผลข้อมูลและควรได้รับการจัดการในวิธีการที่เหมาะสมตั้งแต่การสร้างแบบจำลอง 3 มิติเมืองอาคารสกัดรุ่น DEM ฯลฯ การใช้งานโดยตรงใช้เมฆจุดประกาศ วิธีการจัดหมวดหมู่ที่แตกต่างกันสามารถเห็นได้ในงานวิจัยเมื่อเร็ว ๆ นี้และส่วนใหญ่ของงานวิจัยที่ทำงานร่วมกับระบบคลาวด์จุด LiDAR gridded ในตารางตามการประมวลผลข้อมูลของข้อมูล LiDAR การสูญเสียจุดในลักษณะเมฆจุด LiDAR โดยเฉพาะอย่างยิ่งพืชและสิ่งปลูกสร้างหรือการสูญเสียความแม่นยำสูงในระหว่างขั้นตอนการแก้ไขอย่างหลีกเลี่ยงไม่ ในกรณีนี้การแก้ปัญหาที่เป็นไปได้คือการใช้ข้อมูลเมฆจุดดิบสำหรับการจัดหมวดหมู่เพื่อหลีกเลี่ยงการสูญเสียข้อมูลและความถูกต้องในกระบวนการ gridding ในการศึกษานี้ชี้ตามความเป็นไปได้จำแนกประเภทของเมฆจุด LiDAR มีการตรวจสอบเพื่อให้ได้เรียนถูกต้องมากขึ้น วิธีการจุดอัตโนมัติตามซึ่งจะขึ้นอยู่กับกฎลำดับชั้นได้รับการเสนอเพื่อให้บรรลุพื้นอาคารเรียนและพืชผักโดยใช้ LiDAR ข้อมูลดิบเมฆจุด ในวิธีการที่นำเสนอทุกจุด LiDAR เดียวคือการวิเคราะห์ตามคุณสมบัติของพวกเขาเช่นความสูงหลายผลตอบแทนเป็นต้นจากนั้นได้รับมอบหมายในชั้นเรียนโดยอัตโนมัติซึ่งพวกเขาอยู่ การใช้งานของ UN-gridded เมฆจุดในจุดกระบวนการจัดหมวดหมู่ตามที่เสนอช่วยให้การกำหนดชุดของกฎที่สมจริงมากขึ้น การวิเคราะห์พารามิเตอร์รายละเอียดได้รับการดำเนินการขอรับค่าพารามิเตอร์ที่เหมาะสมที่สุดในการปกครองชุดเพื่อให้เกิดการเรียนที่ถูกต้อง ชุดกฎลำดับชั้นที่สร้างขึ้นสำหรับการเสนอวิธีการ 1 (โดยใช้การเลือกคุณลักษณะเชิงพื้นที่ตามและ Echo-based) และวิธีการที่ 2 (ใช้เลือกเท่านั้นคุณสมบัติเชิงพื้นที่-based) และได้รับการทดสอบในพื้นที่ศึกษาในZekeriyaköy, อิสตันบูลซึ่งรวมถึงบางส่วน เปิดพื้นที่ป่า