چکیده:
داده های اخذ شده توسط سیستم های لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتا بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم می آورند. طبقه بندی و تفکیک داده های ابر نقطه به عوارض سازنده ی محیط، نقش مهمی در روند مدلسازی سه بعدی عوارض ایفا می کند. در مقاله پیش رو، مساله ی تفکیک ابرنقاط بعنوان یک فرایند طبقه بندی نظارت شده مدنظر قرار گرفته شده است؛ روند اجرایی در روش پیشنهادی مبتنی بر سه گام بوده که در گام نخست، برای هر نقطه از ابرنقاط مجموعه ای از ویژگی ها مبتنی بر تحلیل های مجاورتی تولید می گردد. در گام دوم، ویژگی های بهینه به کمک داد ه های آموزشی و فضای پدیده استخراج شده و در نهایت، طی یک الگوریتم خوشه بندی، با استفاده از ویژگی های استخراج شده، داده های ابر نقطه به کلاس های مد نظر طبقه بندی می گردند. از این روش بمنظور طبقه بندی ابر نقاط چندبازگشتی لایدار مربوط به یک منطقه ی شهری استفاده شد که نتایج طبقه بندی، دقت کلی معادل 15/93درصد و ضریب کاپای 89/0 را نشان دادند.
High accuracy and huge density of 3D points cloud acquired by airborne Lidar makes them as a good and suitable tool in order to analyze of terrain surface. In this procedure، points 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 points cloud based on contextual analysis on LiDAR points. The proposed method consists of three main steps. In the first step، a set of contextual features are produced for each points in LiDAR data. In second step، optimum feature selection is done in the modified prototype space using a new strategy. The last step is conducted to a simple k-means clustering on the feature space spanned by optimum contextual clusters. An urban area with the residential texture has been used as the case study to evaluation of the proposed method. The results indicate proper classification accuracies. The overall accuracies and kappa coefficients was 93.15% and 0.89 respectively.