1. INTRODUCTION The airborne laser

1. INTRODUCTION
The airborne laser scanners (ALS) in other word LiDAR (Light Detection and Ranging) is directly measures 3D coordinates of objects and obtained results are the dense point clouds (Vosselman, 2009). The point clouds including the points on terrain (ground), vegetation, building and etc. which belong to the terrain and off-terrain objects are recorded during the laser scanning (Hao et al., 2009). The LiDAR point clouds are mostly used in object extraction, Digital Terrain Model (DTM) generation, 3D building modelling and change detection applications (Vosselman, 2000; Rottensteiner, 2003; Brenner, 2005; Hommel, 2009; Champion et al., 2009). The LiDAR point classification is the first step of LiDAR data processing in 3D city modelling, building extraction, DEM generation applications. In this LiDAR point classification step, each LiDAR point is classified into the meaningful categories such as ground, vegetation and building based on the LiDAR data properties. The accurate classification is crucial to achieve accurate 3D city models, building extraction, DEM generation because the result of the classification is directly used in these applications (Charaniya et al., 2004).
The techniques used in LiDAR point classification require the regular distributed (gridded) data or irregular distributed raw LiDAR data. The gridded LiDAR is mostly preferred data structure because of the potential use of the image processing methods (Clode et al., 2004). The characteristic point loss especially on vegetation and buildings, and losing height accuracy (in the interpolation stage of gridding process) are the disadvantages of using the gridded LiDAR data (Antonarakis et al., 2008). To eliminate characteristic point loss and losing height accuracy, most of the proposed classification algorithms are focus on classification of the irregular distributed raw LiDAR data. In raw LiDAR data classification, each 3D irregular distributed point is assigned to a semantic object class in the classification stage using LiDAR data properties such as the multi-returns, elevations, intensity, scan angle, etc. (Niemeyer et al., 2014). Since the manual processing is costly and time-consuming, the automation of classification task is highly needed (Moussa and El-Sheimy, 2010). The recent researches in the classification of the LiDAR data are focus on developing effective classification techniques for raw data to avoid time-consuming interactive editing (Forlani et al., 2006).
The aims of this study is to propose approaches for automatic point based classification of raw LiDAR point cloud to eliminate the problems experienced in working with gridded LiDAR data. The hierarchical rules using the raw LiDAR point features were generated in Approach 1 and Approach 2 to assign LiDAR points to proper ground, vegetation and building classes.
Considering this aims, the paper is organized as follows: the next section describes the methodologies which includes the details of proposed automatic point based classification approaches. This is followed by the study area and data set. The experimental section provides the detailed information about the automatic point based classification of raw LiDAR point cloud with proposed Approach 1 and Approach 2. The concluding remarks are given in last section.

ผลลัพธ์ (ไทย) 2:

1. บทนำ
อากาศเลเซอร์สแกนเนอร์ (ALS) ในคำอื่น ๆ LiDAR (การตรวจจับแสงและตั้งแต่) เป็นมาตรการโดยตรงพิกัด 3 มิติของวัตถุและผลที่ได้รับเป็นจุดเมฆหนาแน่น (Vosselman 2009) เมฆจุดรวมทั้งจุดในภูมิประเทศ (พื้นดิน) พืชอาคารและอื่น ๆ ที่เป็นของภูมิประเทศและวัตถุปิดภูมิประเทศจะถูกบันทึกไว้ระหว่างการสแกนเลเซอร์ (Hao et al., 2009) เมฆจุด LiDAR ส่วนใหญ่จะใช้ในการสกัดวัตถุภูมิประเทศดิจิตอลรุ่น (DTM) รุ่น 3 มิติการสร้างแบบจำลองอาคารและการเปลี่ยนแปลงการใช้งานการตรวจสอบ (Vosselman 2000; Rottensteiner 2003; เบรนเนอร์ 2005; Hommel 2009;. แชมป์ et al, 2009) . การจำแนกจุด LiDAR เป็นขั้นตอนแรกของการประมวลผลข้อมูล LiDAR ในการสร้างแบบจำลอง 3 มิติเมืองอาคารสกัดการใช้งานรุ่น DEM ในขั้นตอนการจัดหมวดหมู่ LiDAR จุดนี้แต่ละจุด LiDAR แบ่งออกเป็นประเภทที่มีความหมายเช่นพื้นดินพืชและสิ่งปลูกสร้างบนพื้นฐานของข้อมูล LiDAR คุณสมบัติ การจัดหมวดหมู่ที่ถูกต้องเป็นสิ่งสำคัญเพื่อให้บรรลุความถูกต้องแบบจำลองเมือง 3 มิติการสร้างสกัดรุ่น DEM เพราะผลของการจัดประเภทที่ถูกนำมาใช้โดยตรงในการใช้งานเหล่านี้ (Charaniya et al., 2004).
เทคนิคที่ใช้ในการจำแนกจุด LiDAR ต้องประจำการกระจาย ( gridded) ข้อมูลหรือความผิดปกติของการกระจายข้อมูล LiDAR ดิบ gridded LiDAR ส่วนใหญ่จะแนะนำโครงสร้างข้อมูลเนื่องจากการใช้ศักยภาพของวิธีการประมวลผลภาพ (Clode et al., 2004) การสูญเสียจุดลักษณะเฉพาะอย่างยิ่งในพืชผักและอาคารและการสูญเสียความแม่นยำสูง (ในขั้นตอนของกระบวนการแก้ไข gridding) ที่เป็นข้อเสียของการใช้ข้อมูล LiDAR gridded นี้ (Antonarakis et al., 2008) เพื่อขจัดความสูญเสียจุดลักษณะและการสูญเสียความถูกต้องสูงที่สุดของขั้นตอนวิธีการจัดหมวดหมู่ที่นำเสนอจะมุ่งเน้นในการจำแนกประเภทของความผิดปกติของการกระจายข้อมูล LiDAR ดิบ ในการจำแนกประเภทข้อมูล LiDAR ดิบแต่ละ 3D ผิดปกติจุดกระจายมอบหมายให้เป็นวัตถุชั้นความหมายในขั้นตอนการจัดหมวดหมู่โดยใช้คุณสมบัติ LiDAR ข้อมูลเช่นหลายผลตอบแทนที่ระดับความเข้มมุมสแกน ฯลฯ (Niemeyer et al., 2014) . นับตั้งแต่การประมวลผลด้วยตนเองเป็นค่าใช้จ่ายและใช้เวลานานอัตโนมัติของงานการจัดหมวดหมู่เป็นสิ่งจำเป็นอย่างมาก (Moussa และ El-Sheimy 2010) งานวิจัยที่ผ่านมาในการจัดหมวดหมู่ของข้อมูล LiDAR ที่มีความสำคัญกับการพัฒนาเทคนิคการจัดหมวดหมู่ที่มีประสิทธิภาพสำหรับข้อมูลดิบเพื่อหลีกเลี่ยงการใช้เวลานานในการแก้ไขโต้ตอบ (Forlani et al., 2006).
จุดมุ่งหมายของการศึกษาครั้งนี้คือการเสนอวิธีการสำหรับการจำแนกจุดอัตโนมัติตาม เมฆจุด LiDAR ดิบเพื่อขจัดปัญหาที่มีประสบการณ์ในการทำงานกับข้อมูล LiDAR gridded กฎลำดับชั้นโดยใช้คุณสมบัติจุด LiDAR ดิบถูกสร้างขึ้นในแนวทางที่ 1 และวิธีที่ 2 การกำหนดจุด LiDAR การที่เหมาะสมดินพืชและอาคารเรียน.
พิจารณานี้มีจุดมุ่งหมายกระดาษที่มีการจัดระเบียบดังนี้ส่วนถัดไปอธิบายวิธีการซึ่งรวมถึง รายละเอียดของการเสนอจุดอัตโนมัติตามวิธีการจัดหมวดหมู่ นี้จะตามด้วยพื้นที่ศึกษาและชุดข้อมูล ส่วนการทดลองให้ข้อมูลรายละเอียดเกี่ยวกับการจัดหมวดหมู่ตามจุดอัตโนมัติเมฆจุด LiDAR ดิบกับเสนอวิธีที่ 1 และวิธีที่ 2 เป็นการสรุปจะได้รับในส่วนสุดท้าย

ผลลัพธ์ (ไทย) 3:

1 . แนะนำสแกนเนอร์เลเซอร์ทางอากาศ LIDAR ( ALS ) ในคำอื่น ๆ ( ตรวจจับแสงและระยะทาง ) ตรงวัดพิกัดของวัตถุ 3D และได้รับผลลัพธ์ที่เป็นเมฆจุดทึบ ( vosselman , 2009 ) จุดเมฆรวมถึงจุดในภูมิประเทศ ( พื้นดิน ) , พืช , อาคาร ฯลฯ ซึ่งอยู่ในภูมิประเทศและปิดภูมิประเทศวัตถุที่บันทึกไว้ระหว่างเลเซอร์สแกน ( Hao et al . , 2009 ) จุดที่ LIDAR เมฆส่วนใหญ่จะใช้ในการแยกวัตถุแบบจำลองภูมิประเทศ ( DTM ) รุ่นดิจิตอล 3D สร้างแบบจำลองและเปลี่ยนโปรแกรมการตรวจสอบ ( vosselman , 2000 ; rottensteiner , 2003 ; เบรนเนอร์ , 2005 ; hommel , 2009 ; แชมป์ et al . , 2009 ) ใช้ LIDAR จุดจำแนกเป็นขั้นตอนแรกของ LIDAR ข้อมูลการประมวลผลในเมือง 3 มิติแบบจำลอง การแยกอาคาร เด็มรุ่นการใช้งาน ในการจำแนกขั้นตอน LIDAR จุด แต่ละจุดจะแบ่งเป็นประเภท LIDAR มีความหมาย เช่น ดิน พืช และสร้างบนพื้นฐานของ LIDAR ข้อมูลคุณสมบัติ หมวดหมู่ที่ถูกต้องเป็นสิ่งสำคัญเพื่อให้บรรลุโมเดล 3D เมืองถูกต้องแยกตึก เด็มรุ่น เนื่องจากผลของการใช้โปรแกรมเหล่านี้โดยตรง ( charaniya et al . , 2004 )เทคนิคที่ใช้ในการจำแนกจุด LIDAR ต้องปกติกระจาย ( gridded ) ข้อมูลหรือผิดปกติกระจายวัตถุดิบ LIDAR ข้อมูล ที่เป็นโครงสร้างของข้อมูล LIDAR gridded ต้องการมาก เพราะศักยภาพของภาพวิธีการแปรรูป ( โคลด et al . , 2004 ) จุดลักษณะของความสูญเสียโดยเฉพาะอย่างยิ่งในพืชผัก และอาคาร และสูญเสียความแม่นยำสูง ( ในการขั้นตอนของกระบวนการ gridding ) ข้อเสียของการใช้ข้อมูล LIDAR gridded ( antonarakis et al . , 2008 ) เพื่อลดการสูญเสียจุดและลักษณะการสูญเสียความถูกต้องสูงที่สุดของเสนอการจำแนกขั้นตอนวิธีจะมุ่งเน้นไปที่ประเภทของการผิดปกติการกระจายข้อมูล LIDAR ดิบ ในการจำแนกข้อมูล LIDAR ดิบแต่ละ 3D ปกติกระจายจุดจะมอบหมายให้ระดับวัตถุความหมายในขั้นตอนการจำแนกโดยใช้ LIDAR ข้อมูลคุณสมบัติเช่นหลายคืน , เอนไซม์ , ความเข้ม , สแกนมุม ฯลฯ ( ื et al . , 2010 ) เนื่องจากการประมวลผลด้วยมือมีราคาแพงและใช้เวลานาน ระบบอัตโนมัติของการจำแนกงานเป็นสิ่งจำเป็นอย่างมาก ( มูซา และ เอล sheimy , 2010 ) งานวิจัยล่าสุดในหมวดหมู่ของข้อมูล lidar จะมุ่งเน้นการพัฒนาเทคนิคการจำแนกที่มีประสิทธิภาพสำหรับข้อมูลเพื่อหลีกเลี่ยงการแก้ไขโต้ตอบใช้เวลานาน ( forlani et al . , 2006 )จุดมุ่งหมายของการศึกษานี้คือ การเสนอแนวทางจุดอัตโนมัติตามประเภทของเมฆจุด LIDAR ดิบกำจัดปัญหาที่มีประสบการณ์ในการทำงานกับข้อมูล LIDAR gridded . การเปรียบเทียบกฎโดยใช้จุด LIDAR ดิบคุณลักษณะถูกสร้างขึ้นในแนวทางที่ 1 และ 2 เพื่อกำหนดแนวทางที่เหมาะสมจุด LIDAR พื้นดิน พืช และเรียนที่ตึกพิจารณานี้ , กระดาษจัดดังนี้ ส่วนถัดไปอธิบายวิธีการซึ่งรวมถึงรายละเอียดของการนำเสนอโดยอัตโนมัติตามหมวดหมู่จุด แนว นี้ตามด้วยการศึกษาพื้นที่และชุดข้อมูล ส่วนการทดลองที่ให้ข้อมูลรายละเอียดเกี่ยวกับจุดอัตโนมัติตามประเภทของเมฆ LIDAR จุดดิบด้วยวิธีการที่เสนอ 1 และวิธีที่ 2 สรุปข้อคิดเห็นยกให้เป็นครั้งสุดท้ายส่วน