برچسبگذاری معنایی سهبعدی ابرنقاط براساس قطعهبندی گسترش ناحیه و توصیفگرهای هندسی و ساختاری

برچسبگذاری معنایی سهبعدی ابرنقاط براساس قطعهبندی گسترش ناحیه و توصیفگرهای هندسی و ساختاری حامد امینی امیرکالئی 1 حسین عارفی 2 6 دانشجوي دکتراي فتوگرامتري - دانشکده مهندسي نقشهبرداري و اطالعات مکاني - پرديس دانشکدههاي فني - دانشگاه تهران hamed.amini@ut.ac.ir 2 استاديار دانشکده مهندسي نقشهبرداري و اطالعات مکاني - پرديس دانشکدههاي فني - دانشگاه تهران hossein.arefi@ut.ac.ir )تاريخ دريافت دي 6931 تاريخ تصويب خرداد 6931( نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 چکیده امروزه پردازش خودکار ابرنقاط ازجمله موضوعات مهم و پرچالش در فتوگرامتري و سنجشازدور ميباشد. اليدار بهعنوان يک سنجنده فعال توانايي اخذ مستقیم ابرنقطه داراي مختصات سهبعدي با دقت باال را دارد. با گسترش تکنولوژي و نرمافزارهاي پردازش تصوير امکان تولید ابرنقاط با دقت باال براساس تناظريابي چگال از مناطق همپوشاني تصاوير هوايي نیز فراهم گشته است. پردازشهاي مربوط به ابرنقاط نظیر قطعهبندي و کالسهبندي عموما داراي هزينه محاسباتي بااليي بوده و زمانبر ميباشند. ازاينرو ارائه روندي کاربردي که بتواند با سرعت پردازش باال به دقت مناسبي دست يابد همواره مطلوب کارشناسان بوده است. در اين مقاله روندي با رويکردي متفاوت جهت قطعهبندي ابرنقاط مطرح شد و سپس با بهرهگیري از مفهوم شيءگرايي روندي براي کالسهبندي قطعات شناسايي شده ارائه گشت. در اين راستا ابتدا تراکم ابرنقاط کاهشيافته و سپس قطعهبندي براساس گسترش ناحیه و با استفاده از میزان انحنا و بردار نرمال صورت گرفت. با برچسبگذاري نقاط کنارگذاشته شده در مرحله کاهش تراکم براساس جستجوي دقیق اطراف نقاط قطعهبندي شده نتیجه نهايي قطعهبندي حاصل گشت. در مرحله بعد براي قطعات شناسايي شده توسیفگرهايي براساس ويژگيهاي هندسي و ساختاري عوارض مختلف معرفي و تولید شد. درنهايت نیز براي کالسهبندي قطعات شناساييشده از الگوريتم KNN استفاده شد. روند پیشنهادي در 1 ناحیه مطالعاتي پیادهسازي شده و مورد ارزيابي قرار گرفت. ارزيابي نتايج دقت متوسط 36/22% براي شناسايي سه کالس ساختمان پوشش گیاهي و سطح زمین را نشان داد که حاکي از قدرت باالي روند پیشنهادي است. واژگان کلیدی: ابرنقطه قطعهبندي توصیفگر کالسهبندي نويسنده رابط 1

1- مقدمه برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و مبحث قطعهبندي و کالسهبندي ابرنقاط از موضوعات مهم و پرچالش در فتوگرامتري و سنجش از دور ميباشد. از گذشته تا کنون دستیابي مختصات سهبعدي از روي دادههاي فتوگرامتري و سنجش از دور مطرح بوده است. در دهه اخیر با گسترش فناوري و مطرح شدن سنجنده اليدار که داراي توانايي اخذ مستقیم نقاط داراي مختصات سهبعدي از سطح زمین است تحولي شگرف در اين زمینه روي داد. اليدار يک سیستم فعال است که بدون استفاده از نور خورشید توانايي اخذ داده در شب را داشته و عواملي نظیر سايه و جابجايي ارتفاعي در نتايج آن تاثیري ندارند. اخذ داده با تراکم باال در زمان کم و با دقت مسطحاتي و ارتفاعي باال از جمله مهمترين قابلیتهاي اين سیستم است. امروزه با ايجاد قابلیت اخذ تعداد زيادي تصوير داراي همپوشاني از يک ناحیه و تناظريابي چگال مابین آنها دستیابي به ابرنقاط با دقت و صحت باال به همراه مقادير طیفي تصاوير امکانپذير گشته است. قطعهبندي درواقع روندي است که طي آن به هر نقطه از ابر نقاط برچسبي داده ميشود و بر اساس اين برچسبها مشخص ميشود که چه نقاطي به يک قطعه تعلق دارند. روشهاي قطعهبندي ابر نقاط را ميتوان در دو گروه روشهاي مبتني بر اطالعات طیفي و هندسي مورد بررسي قرار داد. روشهاي مبتني بر اطالعات طیفي از اطالعاتي نظیر شدت سیگنال ثبتشده هنگام اخذ داده توسط سنجنده و يا اطالعات رنگي مربوط به باندهاي تصويربرداري استفاده مينمايند. روشهاي مبتني بر اطالعات هندسي را ميتوان به سه گروه لبه مبنا سطحمبنا و خطاسکن مبنا تقسیم نمود. روشهاي لبهمبنا داراي دو مرحله کلي ميباشند. در مرحله اول مرز نقاط مربوط به نواحي مختلف شناسايي گشته و در مرحله دوم با بررسي و گروهبندي نقاط داخل هر محدوده مرزي نتیجه نهايي حاصل ميگردد. با بررسي تغییرات محلي ويژگيهاي سطحي مناطقي میزان تغییرات آنها از حدي بیشتر ميباشند بهعنوان مرز شناخته ميشوند. خصوصیات سطح که اغلب مورداستفاده قرار ميگیرند بردار نرمال گراديان انحناي اصلي و يا مشتقهاي مرتبه باال ميباشند ]9-6[. روشهاي سطحمبنا از خصوصیات محلي نظیر میزان شباهت استفاده نموده و نقاطي را که داراي موقعیت نزديک به هم بوده و خصوصیات مشابهاي نیز دارند را به يکديگر متصل مينمايد. اين روشها به نويز دادهها حساسیت کمتري دارند و معموال نسبت به روشهاي لبهمبنا عملکرد بهتري دارند. اين روشها معموال به دو طريق از باال به پايین و از پايین به باال عمل مينمايند. به طوريکه در روشهاي از پايین به باال از تعدادي نقطه اولیه بهره گرفته ميشود و اين نقاط با اندازهگیري معیار میزان شباهت گسترش مييابند. انتخاب نقاط اولیه بسیار حائز اهمیت است زيرا نتیجه قطعهبندي نهايي بسیار به آن وابسته ميباشد. در روشهاي باال به پايین ابتدا کل نقاط به يک گروه اختصاص داده ميشوند و سپس يک روش خرد کردن در پیشگرفته ميشود تا اگر يک ناحیه شروط را رعايت ننمود به قطعات کوچکتر تقسیم گردد ]2, 1[. در روشهايي که بر اساس خطوط اسکن ميباشند هر سطر تصوير ميتواند بهعنوان يک خط اسکن در نظر گرفته شود. در اين روشها ابتدا هر يک از خطوط اسکن قطعهبندي مجزا بهصورت موردبررسي و قرارگرفته ميشوند. سپس خطوط قطعهبندي شده در کنار يکديگر قرارگرفته و با بررسي خصوصیات به يکديگر متصل ميشوند ]1[. کالسهبندي درواقع به معناي تعیین ماهیت نقاط مربوط به يک عارضه ميباشد. روشهاي کالسهبندي عموما نیاز به تعريف تعدادي توصیفگر ميباشند که مقادير آنهاي باعث ايجاد تمايز بین عوارض ميگردد. اين توصیفگرها متناسب با ويژگيهاي 2 ساختاري 6 بافتي 9 طیفي عوارض ميباشند. بهطور و مثال ساختمانها و درختان از لحاظ ساختاري داراي ارتفاع نسبت به سطح زمین ميباشند. المان بافتي نظیر میزان واريانس مقادير ارتفاعي و المان طیفي نظیر شاخصهاي گیاهي ميتوانند سبب تمايز درختان از ساختمانها شوند. بهطورکلي ميتوان روشهاي کالسهبندي ابرنقاط را در دو گروه مورد بررسي قرار داد. گروه اول روشهايياند که تنها از ابرنقاط استفاده کرده و از ويژگيهاي هندسي و ساختاري براي شناسايي بهره ميبرند. ابرنقاط حاصله از اليدار و تناظريابي تصاوير 1 Structural 2 Textural 3 Spectral... 2

نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 يک 6 DSM ميدهد. تقريبي از سطح زمین را در اختیار کاربر قرار تاکنون روشهاي مختلفي براي ايجاد ابرنقاط مطرح گشته است 2 DTM,7[ 8[. با ايجاد از DTM بهعنوان يک توصیفگر بسیار مفید که حاوي تولید 9 ndsm اطالعات ارتفاعي عوارض غیرزمیني است امکانپذير گشته است. در ]3[ براي کالسهبندي ابرنقاط اليدار از پارامترهايي نظیر دامنه پهناي موج تعداد موجهاي نرمالشده تفاضل پالسهاي اول و آخر فاصله تا زمین تغییرات بردار نرمال و میزان باقیمانده به صفحه فیت شده براي کالسهبندي با 2 استفاده از میدان تصادفي شرطي بهره گرفته است. در ]61[ نقاط به دو گروه زمیني و غیرزمیني تقسیم شدند. براي جداسازي درختان از ساختمانها صفحات مسطح شناسايي گشتند. براي استخراج صفحات از الگوريتم گسترش ناحیه استفاده شد و در طي اين روند قطعات شناسايي شده با مساحت کم و نقاط مربوط به ديوارها حذف شده و مرزهاي صفحات منظم گشتند. در ]66[ پس از جداسازي نقاط زمیني و غیرزمیني از قطعهبندي بر اساس خطوط اسکن استفاده شد. سپس با درنظرگیري میزان مساحت و ارتفاع قطعه در کالس درخت يا ساختمان ]62[ در گرفت. قرار يک روش منطقي فازي براي کالسهبندي دادههاي اليدار به ساختمانها گیاهان و زمین مطرح شد. بهگونهاي که در ابتدا از روشي به نام convexconcave hull ndsm براي ايجاد DTM استفاده گرديد و سپس از تفاضل DSM و DTM بدست آمد. توصیفگرهاي گراديان تفاضل بازگشت آخر و اول شکل و ارتفاع براي کالسهبندي مورداستفاده قرار گرفتند. بهطوريکه از گراديان براي تفکیک پیکسلهاي مربوط به درختان و ساختمانها از پیکسلهاي مربوط به زمین از تفاضل بازگشت اول و آخر براي شناسايي گیاهان و از شکل براي شناسايي ساختمانها با در نظر گرفتن اينکه ساختمانها از خطوطي بلند و موازي تشکیل ميشوند استفاده شد. در ]69[ از زبري 1 شکل رنگ بهعالوه شاخص گیاهي بدست آمده از تفاضل بازگشت آخر و اول جهت کالسهبندي ابرنقاط بهره برده شد. گروه دوم روشهايي ميباشند که از دادههاي طیفي در کنار ابرنقاط براي شناسايي استفاده مينمايند. ازآنجاکه ابرنقاط حاوي اطالعات سهبعدي بوده و قابلیت تفسیر زيادي ندارند. همچنین دادههاي تصويري اخذشده از سنجنده هاي هوايي و ماهوارهاي از قدرت بیشتري در اين زمینه برخوردارند تلفیق دادههاي اين دو نوع سنجنده ميتواند به دستیابي نتايج با دقت و صحت باالتر کمک شايان توجهي نمايد. حال اگر ابرنقاط حاصل از سنجنده اليدار باشد هممرجعسازي با يک تصوير هوايي امکان بهرهمندي از خاصیت طیفي تصوير را فراهم مينمايد. اگر ابرنقطه حاصل از تناظريابي میان تصاوير باشد هر نقطه به تنهايي داراي مؤلفه رنگي نیز ميباشد. در ]62[ ابتدا عوارض مرتفع شناسايي شد سپس با استفاده از 1 NDVI ساختمانها و درختها را از 8 7 و همواري يکديگر تفکیک شدند. ]61[ از میزان تحدب براي جداسازي ساختمانها و درختان بهره گرفته شد و براي 3 شناسايي راهها از قابهايي با اندازه و جهتهاي متفاوت استفاده گشت که با اسکن تصوير منطقه توسط اين قابها شبکه کلي راهها استخراج شدند. ابتدا دادههاي ]61[ در اليدار و تصاوير هوايي هم مرجع گشتند. سپس دادهها جهت تولید آسان توصیفگرهاي بیشتر به رستر تبديل شدند. درنهايت پس از ايجاد توصیفگرهايي نظیر NDVI دادههاي شدت سیگنال میزان مسطح بودن و آنتروپي از الگوريتم AdaBoost براي کالسهبندي و شناسايي عوارض زمیني براي 61 استفاده گشت. در ]67[ از روش کالسهبندي شي مبنا شناسايي عوارض زمیني استفاده شده است. به طوريکه ابتدا تصوير قطعهبندي شده و سپس هر قطعه شناسايي شده به عنوان کانديد براي کالسه بندي انتخاب ميشود. از ويژگي هاي ارتفاعي طیفي بافتي میزان زبري و اطالعات هندسي و شکل براي شناسايي عوارض زمیني استفاده مي شود. در ]68[ با تلفیق تصاوير لندست و اليدار و همینطور بهرهگیري از ويژگيهايي نظیر ndsm شدت سیگنال اليدار مدل ابرنقاط در شش کالس طبقهبندي شدند. 66 ارتفاعي پوشش به طورکلي الگوريتمهاي پیکسلمبناي مختلفي نظیر شبکه و عصبي ]63 21[ مدلسازي ترکیبي گوسي ]26[ 62 کالسهبندي قانونمبنا ]22[ میدان تصادفي شرطي ]3[ 6 normalized Difference Vegetation Index 7 Convexity 8 Flatness 9 Template 11 Object based 11 Cover Height Model 12 Gaussian Mixture Modeling 1 Digital Surface Model 2 Digital Terrain Model 3 normalized Digital Surface Model 4 Conditional Random Field 5 Roughness 3

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و ]22[ 6 میدان تصادفي مارکفي ]29[ و ماشین بردار پشتیبان در راستاي کالسهبندي دادههاي اليدار و همچنین تلفیق دادههاي اليدار با تصاوير هوايي استفاده شد. همچنین جهت حذف اثر فلفل و نمکي دادههاي تصويري با قدرت تفکیک باال از کالسهبندي شيمبنا ]21 و 21[ نیز بهره گرفته شده است. در اين مقاله سعي شده که با ارائه روندي متفاوت و با رويکردي شيءگرا به کالسهبندي عوارض زمیني با استفاده از ابرنقاط پرداخته شود. درواقع تمرکز اين مقاله بر روي ارائه توصیفگرهاي ساختاري هندسي و بافتي و همینطور بررسي قدرت عملکرد اين توصیفگرها درزمینه کالسهبندي شناسايي عوارض مختلف است. منتها اين روند با رويکردي شيءگرا صورت ميگیرد. بهطوريکه ابتدا با ارائه يک روش گسترش ناحیه ابرنقاط قطعهبندي ميگردند. سپس کالس نهايي قطعات شناساييشده متناسب با ويژگيهاي ساختاري آنها تعیین ميشود. در ادامه ساختار مقاله به اين صورت است که در بخش 2 روند پیشنهادي مطرح شده است. در بخش 9 روند پیشنهادي پیادهسازي شده و مورد ارزيابي قرار ميگیرد و در نهايت در بخش 2 نتايج حاصل شده از اين مقاله ارائه شده و مورد بحث قرار ميگیرد. 2- روند پیشنهادی 6-2 مراحل روند پیشنهادي کالسهبندي عوارض با استفاده از ابرنقاط بهصورت نمودار در شکل 6 آورده شده است. شکل 6 - روند پیشنهادي کالسهبندي عوارض با استفاده از ابرنقاط در راستاي شرح کامل روند پیشنهادي ابتدا در بخش روند سپس در بخش مطرحشده 2-2 براي قطعهبندي آورده شده است. توصیفگرهاي استفاده شده معرفي شده و مراحل محاسبه آنها به صورت کامل آورده شده است. در نهايت در بخش 2-9 روش کالسهبندي قطعات شناسايي شده متناسب با توصیفگرهاي ارائه شده شده ذکر گشته است. 1-2- قطعهبندی ابر نقاط همانطور که گفته شد هدف از قطعهبندي تقسیم ابر نقاط ورودي به الگوريتمهيا قطعهبندي زيرگروههاي داراي معني است. پیکسلهاي منفرد را بر اساس معیارهايي نظیر همگن بودن میزان تمايز از همسايهها و شکل قطعات در ازآنجاييکه و مينمايند گروههايي قطعهبندي مينمايد. گاهي اين معیارها با يکديگر تداخل پیدا نميتوانند بهطور همزمان هر سه معیار را برآورده نمايند از تأکید بر دو معیار بردار نرمال و میزان انحنا براي قطعهبندي استفاده داراي حجم بااليي از نقطه ميباشند. ميشود. ابر نقاط ازاينرو عموم ا روشهاي گسترش ناحیه مرسوم به علت بررسي نقطهبهنقطه بسیار زمانبر ميباشند. در اين مقاله روندي سريع و دقیق براي قطعهبندي ابرنقاط طراحي و پیشنهاد گشته است. 2 داده شده و در بهطوريکه در ابتدا تراکم ابرنقاط کاهش مرحله بعد قطعهبندي مطابق با نقاط کم تراکم صورت ميگیرد. درنهايت ابر نقاط مطابق با نتیجه نقاط کم تراکم برچسبگذاري ميگردند. 1-1-2- کاهش تراکم ابر نقاط اين قطعهبندي ابر نقاط بهطورمعمول داراي تراکم بااليي ميباشد که عامل سبب ميشود که پردازش و استفاده از آن همواره زمانبر باشد. ازاينرو کاهش تراکم و سادهسازي ابرنقاط ميتواند جهت پردازش سريعتر بسیار کارآمد باشد. در اين راستا با ابتدا ابرنقاط مطابق يک فاصله مشخصشده شبکهبندي ميگردند. بهعبارتديگر ناحیه موردنظر متناسب يکفاصله تقسیم مشخص به مکعبهايي در فضاي ميشود. سپس هر مکعب ميشود و نقاطي ميگردند. اگر تنها بهصورت که داخل آنها قرار ميگیرند يک سهبعدي مجزا بررسي انتخاب نقطه در داخل محدوده مکعب موردنظر قرار گیرد که همان بهعنوان نقطه موردنظر انتخاب اما ميشود. اگر در داخل محدوده چند نقطه قرار گیرد... 2 Down Sampling 1 Support Vector Machine 4

نقطهاي که به مرکز مکعب نزديکتر است بهعنوان نقطه موردنظر انتخابشده و مابقي نقاط حذف ميشوند. الزم به ذکر است که معیار انتخاب نقطه ميتواند متفاوت بوده و بهطور مثال نزديکترين نقطه به گوشه مکعب و يا مرکز ثقل نقاط انتخاب شود اما انتخاب نقطه نزديک به گوشه 6 موجود در ابرنقاط را به خوبي مکعب شکل کلي انحناهاي ح ظف نمينمايد و همچنین محاسبه مرکز ثقل نقاط داخل مکعب مذکور باعث ايجاد يک نقطه جديد در مجموعه نقاط ميشود. ازاينرو نزديکترين نقطه به مرکز مکعب انتخاب ميشود تا هم شکل ابرنقاط حفظ شود و هم نقطه جديدي اضافه نگردد. در شکل 2 نمونهاي از کاهش تراکم ابرنقاط مطابق روند ذکر شده آورده شده است. ميباشند. براي محاسبه بردار نرمال ابتدا نیاز به شناسايي نقاط همسايه مربوط به نقاط است. براي شناسايي نقاط همسايه از روش جستجو نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 k استفاده شد است. اگر فرض شود که ]27[ 1 نزديکترين همسايه M={p 1, p 2,, p k} مجموعه نقاط همسايه مربوط به يک نقطه باشد. k بهطوريکه برابر با تعداد نقاط همسايه است. مختصات نقاط از میزان میانگین آنها کم ميشود تا مختصاتي محلي حاصل گردد. ( x 1, y 1, z 1) ( x, y, z ) ( x, y, z ) ( x, y, z ) ( x m, y m, z m ) ( x, y, z ) 2 2 2 M ', )6( که M ماتريس مختصات حاصل از تفاضل از میزان میانگین مختصات نقاط ميباشد. حال میزان کوارريانس ماتريس )2( M محاسبه ميگردد. k 1 T C. M i M i, k i 1 M i که ماتريس موردنظر براي نقطه iام تعداد نقاط k همسايه نقطه و C ماتريس کوواريانس محاسبه شده است. در مرحله بعد میزان بردار ويژه ماتريس کوواريانس مربوطه محاسبه ميگردد ]28[. C, j 0,1,2, j j j )9( شکل 2 - نتیجه اعمال کاهش تراکم ابر نقاط ابرنقطه متراکم اولیه ابرنقطه پس اعمال ازکاهش تراکم و سادهسازي 2-1-2- محاسبه بردار نرمال و میزان انحنا بردار نرمال بر سطح نشاندهنده تغییرات سطح است. درواقع ميتوان گفت که از طريق موضعي محاسبه مشتق سطح ميتوان به بردار نرمال رسید. بسیاري 9 پردازشها مانند نورپردازي 2 سايه ز ني و شناسايي تغییر شکل نیازمند از 2 هممرجع نمودن بردار نرمال بر سطح به ترتیب λ و ν که بردارهاي ويژه و نشاندهنده مقادير ويژه ميباشند. بردار ويژه داراي کمترين مقدار ويژه بهعنوان بردار نرمال انتخاب ميشوند. تا به اينجا راستاي بردارهاي نرمال دقیق است اما جهت آنها داراي ابهام است. زيرا در راهحل رياضي و مطابق بردارهاي ويژه تعیین جهت امکانپذير نميباشد. اين مشکل با داشتن 1 بهسادگي و مطابق رابطه زير قابلحل است. يک زاويه ديد n ( v p ) 0, i p i )2( p i که بردار نرمال و نقطه موردنظر v p n i زاويهمنظر براي تصحیح جهت بردار نرمال مربوط به نقطه است. در شکل 9 نتیجه محاسبه بردار نرمال براي ابرنقطه آورده شده است. 5 k-nearest search 6 Viewpoint 1 Curvature 2 Lighting 3 Shading 4 Registration 5

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و شکل 9 - محاسبه بردار نرمال بردار نرمال مربوط به کل ناحیه بردار نرمال قسمت دايرهاي قرمز رنگ میزان انحنا نیز همانند بردار نرمال نشاندهنده تغییرات موضعي سطح است. منتها در اين توصیفگر بیشتر میزان سرعت و میزان تغییرات شیب مدنظر است. به عبارت ديگر نشان دهنده تغییرات شیب ماليم نبوده و تغییرات ناگهاني و زياد را نمايش ميدهد. میزان انحنا پس از بدست آوردن مقادير ويژه و با تقسیم کوچکترين مقدار ويژه بر مجموع تمام مقادير ويژه بدست ميآيد. 0, )1( 0 1 2 در شکل 2 نتیجه محاسبه میزان انحنا آورده شده است. همانطور که مشهود است میزان انحنا در مناطقي که ناهمواري بیشتري وجود دارد بزرگتر است. مقادير عددي کنار شکل 2 -الف مربوط به ارتفاع نقاط و مقادير عددي کنار شکل ميباشد. 3-1-2- الگوریتم گسترش ناحیه 2 -ب مربوط به میزان انحنا روش گسترش ناحیه بر اين اساس است از يک نقطه 6 استفاده ميشود. سپس با بررسي نقاط همسايه و اولیه آنالیز برخي پارامترهاي نقاط گسترش مييابند. اين روند تا جايي که تمام نقاط گروهبندي گردند ادامه مييابد. براي انتخاب نقاط اولیه از میزان انحناي سطح در هر نقطه استفاده شده است. بهطوريکه نقطهاي که کمترين میزان انحنا را داشته باشد بهعنوان نقطه اولیه انتخاب ميشود. میزان انحنا مطابق روابط موجود در بخش 2-6-2 محاسبه ميگردد. همانطور که در شکل 2 مشاهده ميشود میزان انحنا در مناطق پوشش گیاهي زياد و در مناطق مسطح شامل سقف ساختمانها راهها و يا بسیار کم است. ازآنجاييکه گسترش ناحیه بر اساس بردار نرمال صورت ميگیرد نقاط اولیه بايد از مناطقي که داراي انحناي کم ميباشند انتخاب شوند. روش گسترش ناحیه بر اساس تعیین حدآستانه براي دو پارامتر میزان انحنا و بردار نرمال کار ميکند که روند کلي آن در ادامه آورده شده است: -6-2 تعیین يک حدآستانه براي میزان انحنا. تعیین يک حد آستانه براي تفاضل بردار نرمالهاي مجاور جهت بررسي گسترش و يا عدم گسترش ناحیه است. بهطوريکه اگر ضرب داخلي دو بردار نرمال همسايه از زاويه کسینوس تعیینشده کمتر باشد نقطه به قطعه موردنظر اضافه ميشود.... n. n cos( ). p s th )1( -9 اگر براي تمام نقاط قطعهبندي صورت گرفته باشد برو به قدم 7 در غیر اين صورت نقطه با کمترين میزان انحنا بهعنوان يک نقطه اولیه جديد براي يک قطعه جديد انتخاب گردد. همسايههاي نقطه جديد با استفاده از روش k نزديکترين همسايه شناسايي گردد. اگر نقطه -2 2 Seed point شکل 2 - محاسبه میزان انحنا ابرنقاط مقادير میزان انحنا 6

شرايط موجود در مرحله 2 را رعايت کرده باشد به نقاط ناحیه جاري اضافه ميشود. در میان اين نقاط آنهايي که داراي انحنايي کمتر از يک حدآستانه هستند بهعنوان نقاط اولیه بالقوه ناحیه جاري جهت گسترش آن به کار گرفته ميشوند. نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931-1 -1-7 اگر مجموعه نقاط اولیه بالقوه خالي نباشد نقطه بعدي اين مجموعه را بهعنوان نقطه اولیه بعدي در نظر بگیر و برو به قدم 2. ناحیه فعلي را به قطعهبندي اضافه نموده و برو به قدم 9. ارائه نتايج قطعهبندي. الزم به ذکر است که استفاده از همسايههاي هر نقطه جهت محاسبه بردار نرمال سبب تغییر تدريجي اين بردار در مرز صفحات ميشود. ازاينرو بهجاي استفاده از بردار نرمال نقطه موردبررسي و مقايسه با نقطه همسايه از میانگین بردار نرمالهاي نقاط مربوط به قطعه شناساييشده براي مقايسه استفاده شده است. بهاينترتیب از اثر تغییرات تدريجي بردار نرمال در مرزها جلوگیري ميشود زيرا بردار نرمال میانگین تقريبا ثابت صفحه ميماند و تغییرات تدريجي ندارد. در شکل 1 نتیجه قطعهبندي ابرنقاط با استفاده از روند مطرحشده آورده شده است. همانطور که در شکل نیز مشخص است صفحات سقفي بهدرستي در يک گروه طبقهبندي شدهاند. تنها در نقاط موجود خطالراس سقفها به دلیل تغییرات به وجود آمده براي بردار نرمال در قطعه مربوط به سقف قرار نگرفتهاند. در مناطق پوشش گیاهي نیز به دلیل تغییرات زياد بردار نرمال يک قطعه بزرگ تشکیل نشده و بهصورت قطعات بسیار کوچک در حد چند قطعه ايجادشدهاند. که در قطعهبندي حضور نداشتند مطابق نتايج قطعهبندي برچسبگذاري ميگردند. به اين صورت که مکعبهايي با ابعاد دو برابر ابعاد مکعبهاي کاهش تراکم نقاط بر روي ابرنقاط کاهش يافته قرار داده ميشود. به طوريکه که نقطه مورد نظر در مرکز قرار گیرد. سپس در اين محدوده نقاطي که داراي بردار نرمالي باشند که زاويه مابین آن و بردار نرمال نقطه مذکور از حد آستانه مشخص شده در الگوريتم گسترش ناحیه کمتر باشد انتخاب ميشوند. اين نقاط مطابق برچسب نقطه مذکور که طي روند الگوريتم گسترش ناحیه به آن داده شده است برچسبگذاري ميگردد. در شکل 1 نتیجه برچسبگذاري مابقي نقاط مطابق نتايج قطعهبندي گسترش ناحیه ابرنقاط با تراکم کاهش يافته نشان داده شده است. شکل 1 - نتیجه برچسبگذاري مابقي نقاط مطابق اين روند تنها نقاطي که داراي بردار نرمال منحصربهفرد هستند قطعهبندي نشده و باقي ميمانند. اگر هدف نهايي قطعهبندي نقاط باشد بايد هر نقطه برچسب مجزايي بگیرد. اما درصورتيکه هدف نهايي کالسهبندي نقاط باشد بهتر است که پس از تعیین کالس قطعات کالس اين نقاط مطابق با نزديکترين نقطه تعیین گردد. در چراکه نواحي همگن نیز تعدادي نقطه بهصورت پراکنده وجود دارد که به داليل متفاوت داراي بردار نرمال متمايز ميباشند. ازاينرو براي کسب نتايج بهتر بايد در رابطه با اين نقاط پس از تعیین کالس قطعات تصمیمگیري شود. 2-2- کالسهبندی قطعات شناساییشده شکل 1 - نتیجه قطعهبندي ابرنقاط با تراکم کاهشيافته همانطور که گفته شد براي کاهش زمان محاسبات و اجراي سريعتر الگوريتم از ابرنقاط با تراکم کاهشيافته استفاده ميشود. درواقع پس از اجراي قطعهبندي ديگر نقاط تا به اينجا ابرنقاط براساس بردار نرمال و میزان انحنا به مجموعهاي از قطعات مجزا تقسیم شده است. حال به جاي استفاده از الگوريتمهاي پیکسلمبناي مرسوم از روندي شيءگرا استفاده ميشود. در کالسهبندي شيءگرا از قطعات حاصله از قطعهبندي استفاده ميشود و با توجه به خصوصیات هر قطعه به يک کالس نسبت داده ميشود. 7

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و در اين مقاله سه کالس ساختمان درخت و زمین جهت شناسايي و کالسهبندي مدنظر ميباشند. 1-2-2- استخراج توصیفگرها همانطور که گفته شد تعدادي ويژگي يا توصیفگر براي هر قطعه در نظر گرفته ميشود و سپس براساس اين توصیفگرها کالسهبندي انجام ميشود. انتخاب توصیفگر مهمترين مرحله جهت شناسايي عوارض است. چراکه در تمام الگوريتمهاي کالسهبندي نظارتشده و نظارتنشده تصمیمگیري با درنظرگیري مقادير توصیفگرها صورت ميپذيرد. توصیفگرها بايد بهگونهاي انتخاب شوند که باعث ايجاد تمايز بین عوارض موردنظر جهت شناسايي شوند. در اين مقاله انحناي متوسط مساحت نسبت تعداد نقطه به مساحت محیط میزان آشفتگي مرز قطعه میزان مسطح بودن قطعه زمیني و يا غیرزمیني بودن قطعه و میزان ارتفاع نسبت به سطح زمین توصیفگر انتخاب بهعنوان شدهاند که در ادامه نحوه محاسبه آنها آورده شده است. براي آنکه شکل قطعه بهصورت 6 استفاده ميشود. الگوريتم آلفاشکل 1-1-2-2- مثلثبندی آلفاشکل اين روش اولین بار در سال تقريبي بدست آيد از 6389 Edelsbrunner توسط و همکارانش مطرح شد ]23[. فرض بر اين است که مجموعهاي از نقاط در داده در اختیار قرار 3D و 2D شده و هدف تخمین شکل کلي ابرنقاط باشد. بهطورکلي شکل يک مجموعه نقطه مبهم بوده و تفاسیر متفاوتي از آن وجود دارد. الگوريتم مثلثبندي آلفاشکل توانايي بازسازي شکل از يک مجموعه متراکم و نامنظم نقاط را دارا ميباشد. درواقع الگوريتم آلفاشکل مرز را بر اساس تقريب خطي از شکل اصلي محاسبه مينمايد ]91[. 2 اساس اين الگوريتم مثلثبندي دلوني بوده و از مفهوم پوسته محدب استفاده مينمايد که به دو صورت وزندار و ساده قابل پیادهسازي است. با اين تفاوت که تمام پوستههاي محدب آلفاشکل هستند اما تمام آلفاشکلها داراي پوسته محدب نميباشند. در مثلثبندي روش وزندار فاصله نقاط با وزن نقاط جايگذاري ميگردد. ازآنجاکه در ابرنقاط نامنظم هیچ اطالعاتي اولیهاي وجود ندارد که بتوان توسط آن براي نقاط وزني در نظر گرفت در اين مقاله از روش ساده استفاده ميگردد. در روش ساده شکل نهايي از مثلثبندي دلوني حاصل ميشود و پارامتر آلفا بهعبارتديگر مشخصکننده میزان جزئیات است. اين میزان آلفا است که مشخص ميکند شکل بدست آمده تا چه میزان دقیق باشد. بهاين صورت که پس از تعیین آلفا دايرهاي به شعاع 1/alpha گشته و حالتهاي زير براي آن در نظر گرفته ميشود: alpha>0 اگر 1/alpha است. ايجاد باشد آن دايرهاي بسته با شعاع اگر alpha=0 باشد آن يک نیمصفحه مسطح است. اگر شعاع alpha<0-1/alpha.6.2 باشد آن متمم دايرهاي بسته با است. پس از تعیین يک مقدار براي آلفا ميتوان گراف آلفاشکل را مطابق روند زير محاسبه ميگردد: به ازاي هر نقطه گرفته ميشود. 9 در نظر p i از ابر نقطه يک تقاطع اگر دو تقاطع بر روي محیط دايرهاي به شعاع 1/alpha به طوري قرار گیرند که هیچ نقطه ديگري داخل دايره حضور نداشته باشد يک خط بین دو تقاطع در شکل 7 v i و v j ايجاد ميشود. روند قرار گیري دايره و شناسايي مرز داخلي و خارجي نشان داده شده است. شکل 7 - روند استخراج مرز آلفاشکل يک مجموعه ابرنقاط ]23[ پس از استخراج آلفاشکلي که به بهترين صورت ممکن شکل را بازسازي نموده است امکان محاسبه توصیفگرهاي محیط مساحت نسبت تعداد نقطه به مساحت و میزان آشفتگي مرز قطعه فراهم ميگردد که در ادامه دلیل استفاده از هر يک آنها ذکر گشته است.... 3 Vertex 1 Alpha shape 2 Delaunay triangulation 8

به مساحت: پس از ايجاد آلفاشکل مربوط به ابرنقاط به داخلي و توسط مثلثهاي موجود قابل محاسبه است. ازآنجا درختان برخالف سطح زمین و سقف ساختمانها حاوي تغییرات زياد جهت و اندازه بردار نرمال ميباشند در روند قطعهبندي به قطعات کوچکي تقسیم شدهاند. در نتیجه پارامتر مساحت ميتواند در روند شناسايي و تفکیک درختان از ديگر عوارض موثر واقع شود. محیط: اين پارامتر نیز براي درختان حاوي مقادير کوچکتري نسبت به ساختمانها و سطح زمین است. نسبت تعداد نقطه به مساحت: دو پارامتر محیط و مساحت بدون توجه به تراکم نقاط محاسبه ميشوند. بهعبارتديگر در مواردي که نقاطي با فاصله زياد و پراکنده دلیل تفاوت اندک بردار در يک قطعه قرار گرفتهاند داراي مساحت زيادي ميباشند. درصورتيکه چه در مورد قطعات مربوط صفحات ساختماني و چه در مورد سطح زمین نقاط به صورت پراکنده نميباشند. در نتیجه با تقسیم تعداد نقاط به مساحت قطعه شناسايي شده پارامتري مؤثر در روند کالسهبندي ايجاد ميشود. میزان آشفتگی مرز: اين پارامتر براي جداسازي صفحات سقف ساختمانها از ديگر عوارض چراکه صفحات ساختماني عموما است. مؤثر داراي محیط منظمي ميباشند درصورتيکه مرز قطعات مربوط به سطح زمین و يا قطعاتي مربوط به درختان انبوه عموما داراي آشفتگي ميباشند. در شکل 8 يک قطعه مربوط به سقف ساختمان و يک قطعه مربوط به سطح زمین نشان داده شده است. )ج( شکل 8 - بررسي میزان آشفتگي مرزها نتیجه قطعهبندي مرز بدون آشفتگي يک صفحه سقفي )ج( آشفتگي زياد مرز سطح زمین حال بايد توصیفگري تعیین شود که بتوان ويژگي را براي هر قطعه شناساييشده استخراج نمايد. در ازاينرو اين مقاله با اعمال ضرايب آلفاي متفاوت و محاسبه نسبت مساحت با دو آلفاي مذکور پارامتري براي تعیین میزان آشفتگي تعريف گشته است. چراکه در صورت منظم بودن شکل قطعه تغییر آلفا باعث ايجاد تغییر محسوسي در میزان مساحت نميگردد. درصورتيکه شکل هندسي قطعه مناسب نباشد اين کار باعث تغییر مساحت زيادي ميگردد.در شکل 3 تأثیر تغییر میزان آلفا براي دو قطعه نشان دادهشده در شکل 8 آورده شده است. شکل 3 - تأثیر تغییر مقدار آلفا در میزان مساحت استخراج شده پیش از افزايش مقدار آلفا پس از افزايش میزان آلفا اما گاهي داخل صفحات ساختماني نیز به دلیل وجود صفحات ديگر در داخل آنها حفره ايجاد ميشوند. براي شناسايي اين موارد بارديگر میزان آلفا افزايش مييابد و نسبت مساحت قطعه در دو مرحله محاسبه ميشود. اينبار میزان آلفا بينهايت در نظر گرفته ميشود تا محدبترين مرز قطعه بدست آيد. چراکه قطعات داراي مرز نامنظم در مرتبه دوم همانند مرتبه اول تفاوت محسوسي در میزان مساحت آنها ايجاد ميشود اما اين اتفاق براي صفحات ساختماني رخ نميدهد و حتي در صورت وجود حفره مرز آنها پس از تغییر میزان آلفا در مرحله اول ثابت ميگردد. در شکل زير اثر تغییر میزان آلفا در هر مرحله براي دو قطعه زمیني و ساختماني که داراي حفره ميباشند آورده شده است. نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 9

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و )ج( ساختمانها که با درصد بسیار بااليي مسطح ميباشند. ديگر عوارض نظیر درختان و سطح زمین داراي ناهمواريهاي مختلفي هستند و ناهموار ميباشند. براي برازش صفحه به مجموعه نقاط از الگوريتم 6 MSAC استفاده ميشود. اين الگوريتم بهبود يافته است ]96[. روند کلي اين الگوريتم الگوريتم 2 RANSAC در ادامه آورده شده است. 6. يک زيرمجموعه اتفاقي از دادههاي اصلي با 9 بودن آن انتخاب ميگردد. فرض معتبر 2. يک مدل به دادههاي انتخابشده برازش داده ميشود. 9. تمام نقاط در مقابل مدل جديد مورد ارزيابي قرار 2 به ميگیرند. نقاطي که بر اساس توابع اتالف خوبي به مدل به مدل فیت شوند به عنوان قسمتي از مجموعه توافق 1 در نظر گرفته ميشوند. 2. اگر تعداد نقاط معتبر به کل تعداد نقاط مجموعه از حد تعريف فراتر رفت پارامترهاي مدل را با تمام نقاط معتبر مجددا تخمین زده و الگوريتم را پايان مييابد. 1. در غیر اين صورت مراحل قبلي تا جايي که به جواب برسد و يا به حداکثر تکرار مشخصشده برسد ادامه مييابد. در الگوريتم MSAC تابع اتالف جهت تعیین محتملترين فرضیه بهصورت زير تعريف ميگردد ]29[:... 2 e e c Loss ( e), 2 c otherwise )7( )د( شکل 61 - تأثیر تغییر مقدارآلفا در میزان مساحت استخراج شده پیش از افزايش مقدار آلفا مرحله اول افزايش میزان آلفا )ج( مرحله دوم افزايش میزان آلفا همانطور که در شکل نیز مشاهده ميشود به دلیل پوشش کامل حفره در مرحله دوم )شکل 61 -ج( در مرحله سوم )شکل 61 -د( برخالف قطعه مربوط به سطح زمین تغییري در مساحت قطعه ساختماني ايجاد نميگردد. -2-1-2-2 الگوریتم MSAC براي تعیین میزان مسطح بودن ابرنقاط يک قطعه مشخص به مجموعه نقاط يک صفحه برازش داده ميشود. سپس نقاطي که فاصلهاي کمتر از يک حدآستانه از صفحه دارند استخراج ميگردند. با محاسبه نسبت نقاطي که در يک صفحه قرار دارند به کل نقاط معیاري براي میزان مسطح بودن قطعه مورد نظر بدست ميآيد. اهمیت اين معیار از آنجا ميباشد که عموما صفحات سقفي که c حدآستانه مربوطه است. -3-1-2-2 الگوریتم SMRF استخراج عوارض غیرزمیني کمک شايان توجهي به روند براي شناسايي مينمايد. در اين مقاله از الگوريتم 1 SMRF جداسازي نقاط زمیني از نقاط غیرزمیني استفاده شده است ]99[. اين الگوريتم براي اجرا نیاز به تعیین حدآستانه براي شیب حداکثر ارتفاع موردقبول و مقیاس تغییر ارتفاع است ]99[. درنهايت اين الگوريتم درصورتيکه ابرنقاط نامنظم بهعنوان ورودي دريافت نمايد ماتريسي با مقادير 1 و 6 در 1 M-estimator sample consensus 2 Random sample consensus 3 Hypothetical inlier 4 Loss function 5 Consensus set 6 Simple Morphological Filter 10

اختیار کاربر قرار ميدهد. در اين ماتريس مقدار 6 نشاندهنده عوارض غیرزمیني و مقدار 1 نشاندهنده سطح زمین ميباشند. اما براي آنکه میزان ارتفاع عوارض غیرزمیني تعیین گردد. پس از جداسازي نقاط زمیني و غیرزمیني نزديکترين نقاط به هر نقطه غیرزمیني در میان نقاط زمیني با استفاده از الگوريتم k نزديکترين همسايه استخراج ميگردد. سپس میزان اختالف ارتفاع نقطه غیرزمیني از نزديکترين نقطه زمیني همسايه آن بهعنوان ارتفاع نقطه غیرزمیني در نظر گرفته ميشود. براي هر قطعه شناساييشده میانگین مقادير مربوط به برچسبگذاري SMRF و همینطور مقادير ارتفاعي بدست آمده محاسبه ميگردد. در شکل 66 نتیجه استخراج عوارض غیرزمیني با استفاده از الگوريتم SMRF به همراه میزان ارتفاع آن نقاط مطابق روند مطرح شده آورده شده است. شکل 66 - استخراج عوارض غیرزمیني برچسبگذاري محاسبه میزان ارتفاع نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 3- پیادهسازی و ارزیابی نتایج نتايج پیادهسازي هر يک از مراحل روند پیشنهادي در ادامه ارائه ميگردد. 1-3- منطقه و دادههای مطالعاتی جهت پیادهسازي روند پیشنهادي براي قطعهبندي و کالسهبندي ابرنقاط 7 ناحیه مطالعاتي تهیه گشته است. درواقع با متنوع در نظر گرفتن پوششهاي متنوع و ابرنقاط با تراکمهاي متفاوت سعي گشته است تا عملکرد الگوريتم پیشنهادي بهتر سنجیده شود. همچنین عالوه بر ابرنقاط اليدار از ابر نقاط حاصل از تناظريابي نیز براي پیادهسازي الگوريتم پیشنهادي استفاده شده است. دو ناحیه مطالعاتي 6 و 2 مربوط به دادههاي اليدار بوده و داراي تراکم نقاط 2 نقطه در هر مترمربع ميباشند. نواحي 9 و 2 مربوط به ابرنقاط حاصل از تناظريابي چگال تصاوير اخذشده از دوربین ultracam با تراکم تقريبي 21 نقطه در هر متر ميباشد. نواحي 1 و 1 مربوط به دادههاي اليدار داراي تراکم 11 نقطه در هر متر ميباشد. در شکل 69 نواحي مطالعاتي نشان داده شدهاند. 2-2-2- الگوریتم کالسهبندی پس از محاسبه توصیفگرهاي مطرح شده براي هر يک از قطعات شناساييشده بايد کالسهبندي قطعات صورت گیرد. براي آنکه قدرت عملکرد روند شيءگراي پیشنهادشده و همینطور توصیفگرهاي مطرحشده بهتر مشخص شود از الگوريتم کالسهبندي KNN بهعنوان به الگوريتم ساده و سريع بهره گرفته شده است. به اين ترتیب که تعدادي از قطعات شناساييشده از هر کالس انتخاب گشته و بهعنوان داده آموزشي در نظر گرفته ميشود. سپس با استفاده از مقادير آموزشي و اعمال الگوريتم KNN نتايج کالسهبندي ابرنقاط بدست ميآيد )شکل 62(. )ج( )د( شکل 62 - کالسهبندي شيءگرا ابرنقاط )ه( )و( شکل 69 - دادههاي مطالعاتي ناحیه 6 ناحیه 2 )ج( ناحیه 9 )د( ناحیه 2 )ه( ناحیه 1 )و( ناحیه 1 11

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و 2-3- قطعهبندی ابرنقاط همانطور که در بخش 6-2 نیز ذکر شده است ابتدا تراکم نقاط کاهش ميباشد و الگوريتم گسترش ناحیه ارائه شده اجرا ميگردد. ابعاد مکعب براي کاهش تراکم ناحیه 6 و 2 متر 2 در نظر گرفته شد. اين مقدار براي 9 تا 1 به دلیل تراکم نقاط بیشتر آنها 6 متر در نظر گرفته شد. کامال واضح است که ابعاد مکعب فرضي براي کاهش تراکم نقاط وابسته به میزان تراکم ابرنقاط ميباشد. با در نظر گرفتن 1 همسايه براي هر نقطه حدآستانه 61 درجه براي بردار نرمال و 1/61 براي میزان انحنا قطعهبندي صورت پذيرفت. سپس روند برچسبگذاري مابقي نقاط متناسب با روند پیشنهاد شده در بخش 2 تمامي نقاط قطعهبندي گشتند. در شکل 62 نتايج قطعهبندي نواحي مطالعاتي آورده شده است. پیکسلها يا نقاط قطعات با مشخصات هندسي توصیفگرهاي جهت کالسهبندي به کار گرفته شدند. براي کالسهبندي از الگوريتم KNN استفاده شد. به اين صورت که تعداد محدودي داده آموزشي جهت کالسهبندي قطعات در سه کالس ساختمان پوشش گیاهي و سطح زمین انتخاب شد و جهت انجام شناسايي بهعنوان ورودي به الگوريتم KNN داده شد. به دلیل آنکه هدف اين مقاله بررسي عملکرد روند مطرحشده است از الگوريتمهاي هوشمندي چون ماشین بردار پشتیبان شبکه عصبي 6 2 و... استفاده نشده است. نتايج شناسايي جنگل تصادفي سه کال ساختمان )قرمز( سطح زمین )آبي( و پوشش گیاهي )سبز( مطابق روند پیشنهاد شده در شکل 61 آورده شده است.... )ج( )د( )ج( )د( )ه( )و( شکل 62 - نتايج قطعهبندي مطابق روند پیشنهادي ناحیه 6 ناحیه 2 )ج( ناحیه 9 )د( ناحیه 2 )ه( ناحیه 1 )و( ناحیه 1 3-3- کالسهبندی قطعات شناساییشده بخش پس از قطعهبندي ابرنقاط توصیفگرهاي مطرحشده در 2-2 تولید گشتند. سپس قطعات با مقاديري که توصیفگرهاي بهعنوان ورودي الگوريتم کالسهبندي در نظر گرفته شدند. بهعبارتديگر بهجاي کالسهبندي رايج )ه( )و( شکل 6 - نتايچ کالسهبندي مطابق روند پیشنهادي ناحیه 6 ناحیه 2 )ج( ناحیه 9 )د( ناحیه 2 )ه( ناحیه 1 )و( ناحیه 1 4-3- ارزیابی روند پیشنهادی جهت ارزيابي روند پیشنهادي مجموعهاي از نقاط کنترل از میان ابرنقاط بهصورت دستي و با ارزيابي بصري در سه گروه ساختمان پوشش گیاهي و سطح زمین در 1 Artificial Neural Network 2 Random Forest 12

نظر گرفته شد. در جدول نتايج ارزيابي روند پیشنهادي در نواحي مطالعاتي آورده شده است. کالس جدول 2 - نتايج ارزيابي خطا در مناطق مطالعاتي ساختمان پوشش گیاهي سطحزمین مجموع دقت نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 )%( ناحیه 6 ساختمان پوششگیاهي سطحزمین مجموع 83/28 88/92 33/69 32/21 69119 3118 66127 92728 12 26 66227 66122 6112 8212 28 3112 62127 6171 12 69172 ناحیه 2 ساختمان پوششگیاهي سطحزمین مجموع 39/81 88/21 38/77 39/22 62299 3111 61113 92138 62 622 61278 61162 872 7387 87 8328 69127 321 22 62191 ناحیه 9 ساختمان پوششگیاهي سطحزمین مجموع 31/61 87/92 31/36 36/22 61862 61612 61291 27612 87 696 61791 61319 6278 69683 292 61616 62227 6782 17 61138 ناحیه 2 ساختمان پوششگیاهي سطحزمین مجموع 87/19 81/77 39/11 83/29 61371 61611 61871 23311 212 81 61782 61179 6831 69371 6126 61366 62871 2121 21 61311 ناحیه 1 ساختمان پوششگیاهي سطحزمین مجموع 88/71 88/31 33/12 32/29 22162 22191 22891 71181 22 618 22712 22881 2721 21287 27 22273 26821 2191 91 29361 ناحیه 1 ساختمان پوششگیاهي سطحزمین مجموع همانطور 81/39 81/89 31/29 83/79 21828 29913 22723 79321 281 12 29821 22632 9132 21118 722 29832 22216 9227 622 21821 که در جدول 6 مشاهده ميشود رودند پیشنهادي براي قطعهبندي و کالسهبندي ابرنقاط با رويکردي شيءگرا عملکرد بسیار مناسبي داشته است. نواحي مطالعاتي به گونهاي انتخاب شدند که از جهات گوناگون متنوع باشند و بهخوبي قدرت عملکرد روند پیشنهادي را در شرايط متفاوت مورد رازيابي قرار دهند. با توجه به نتايج در بیشتر موارد سطح زمین بهخوبي استخراج شده است. زيرا عموم ا سطح زمین به صورت يکپارچه ميباشد. اين يکپارچگي باعث گشت تا در مرحله قطعهبندي سطوح مربوط به زمین بهصورت قطعاتي بزرگ که شامل تعداد زيادي نقطه بودند درآيد. اين عامل سبب سهولت شناسايي در مرحله کالسهبندي شد. بیشترين خطاي کالسهبندي مربوط به درخت و ساختمان بوده است. بهطوريکه نقاط مربوط به اين دو کالس بهاشتباه در کالس مقابل قرارگرفتهاند. همانطور که نیز گفته پیشتر شد در اين مقاله تنها از توصیفگرهاي ساختاري و هندسي استفاده شده است. بهعبارتديگر از تعداد بازگشت پالسهاي اليدار و يا مقادير باندهاي طیفي تصاوير هوايي )هنگامي که از ابرنقاط حاصل از تناظريابي چگال استفاده شود( که ميتوانند در تفکیک درختان از ساختمانها بسیار مؤثر باشند استفاده نشده است. بااينحال توصیفگرهاي هندسي عملکرد بسیار مناسبي داشتند. به دلیل آنکه سقف ساختمانها ميتواند بسیار پیچیده شود. درواقع گاهي پیچیده بودن سقف باعث ميگردد که قطعات شناساييشده در مرحله قطعهبندي بسیار کوچک شوند. و درنتیجه ايجاد تمايز از طريق پارامترهاي هندسي و ساختاري مشکل گردد. در کنارههاي ساختمانها نیز گاه نقاط موجود مربوط به ديوار ساختمان ميباشند که سبب آشفتگي نقاط مرزي ساختمانها سبب ميشود. درواقع نقاطي هستند که نه روي سطح زمین قرار دارند نه با ديگر نقاط سقف داراي بردار نرمال مشابه هستند. اين امر گاه باعث ميشود که در مرحله قطعهبندي اين نقاط به صورت منفرد و يا در نهايت قطعاتي بسیار کوچک قطعهبندي شوند و در کالسهبندي نیز به دلیل ويژگيهاي ساختاري در کالس پوشش گیاهي قرار گیرند. به عالوه زماني که پوشش گیاهي به صورت متراکم و هماندازه باشد در مرحله قطعهبندي قطعات نسبتا بزرگي براي پوشش گیاهي ايجاد شود که اين امر نیز باعث ايجاد خطا در شناسايي ميشود. در شکل 61 نقاطي که به اشتباه در کالس ساختمان قرار گرفتهاند با مستطیل و نقاطي که به اشتباه در کالس درخت قرار گرفتهاند با دايره نشان داده شدهاند. شکل 2 - برخي اشتباهات در شناسايي درختان و ساختمانها 13

برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و يکي از مزاياي ارزشمند روند پیشنهادي اين است که پس از شناسايي ساختمانها صفحات تفکیک شده سقف ساختمان نیز در دسترس است. تفکیک صفحات سقفي از جمله مراحل مهم در بازسازي سهبعدي ساختمانها با استفاده از ابرنقاط ميباشد. در شکل 67 نمونهاي از صفحات تفکیک شده در طي روند کالسهبندي مطابق روند پیشنهادي آورده شده است. 4- نتیجهگیری شکل 9 - تفکیک صفحات سقفي در اين مقاله روندي براي کالسهبندي ابرنقاط مطرح شد. در روند پیشنهادشده شيءگراي ابتدا با ارائه روشي ابرنقاط براساس گسترش ناحیه قطعهبندي گشتند. در اين راستا بهجاي بررسي نقطهبهنقطه که هزينه محاسباتي باال داشته و بسیار وقتگیر است ابتدا تراکم نقاط کاهش يافته و سپس نقاط کاهشيافته با بهرهگیري از بردار نرمال و میزان انحنا قطعهبندي شدند. در مرحله بعد مابقي نقاط براساس نتايج قطعهبندي برچسبگذاري گشتند. بهاينترتیب سرعت پردازش به طرز شگرفي افزايش يافته و نتايج حاکي از دقت باالي اين روند نیز داشت. در اين روش براي قطعات شناساييشده توصیفگرهايي نظیر انحناي متوسط مساحت نسبت تعداد نقطه به مساحت محیط میزان آشفتگي مرز قطعه میزان مسطح بودن قطعه زمیني و يا غیرزمیني بودن قطعه و میزان ارتفاع نسبت به سطح زمین ايجاد شدند. با اخذ داده آموزشي از توصیفگرهاي تولیدشده و بهرهگیري از الگوريتم کالسهبندي KNN نتايج نهايي حاصل شد. با توجه به انتخاب نواحي متفاوت و متنوع مطالعاتي و همینطور بهره نبردن از الگوريتمهاي هوشمند محاسباتي باز هم به نتايج مطلوبي حاصل گشت. بهطوريکه نتايج دقت شناسايي در نواحي مطالعاتي 6 تا 1 به ترتیب 32/21 83/29 36/22 39/22 32/21 و 83/79 بدست آمد. نتايج نشان از قدرت روند شيءگراي پیشنهادي براي کالسهبندي ابرنقاط داشت. در کارهاي آتي بررسي نتايج استفاده از توصیفگرهاي طیفي و يا تعداد بازگشتهاي اليدار مدنظر خواهد گرفت.... مراجع [1] Bhanu, B., Lee, S., Ho, C-C., and Henderson, T. (1986). Range data processing: Representation of surfaces by edges. in Proc. Int. Pattern Recognition Conference. [2] Sappa, A.D. and M. Devy. (2001). Fast range image segmentation by an edge detection strategy. IEEE, Third Conference on International 3-D Digital Imaging and Modeling, Proceedings.. [3] Wani, M.A. and Arabnia, H.R. (2003). Parallel edge-region-based segmentation algorithm targeted at reconfigurable multiring network. The Journal of Supercomputing, 25(1): p. 43-62. [4] Parvin, B. and Medioni, G. (1986). Segmentation of range images into planar surfaces by split and merge. International Conference on Computer Vision and Pattern Recognition (CVPR 86). [5] Xiang, R. and Wang, R. (2004). Range image segmentation based on split-merge clustering, IEEE, 17th International Conference on Proceedings of the Pattern Recognition, ICPR. [6] Sithole, G. and Vosselman, G. (2003) Automatic structure detection in a point-cloud of an urban landscape. 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, IEEE. [7] Zhang, K., Chen, S-C., Whitman, D., Shyu, M-L., Yan, J and Zhang, C. (2003). A progressive morphological filter for removing nonground measurements from airborne LIDAR data. IEEE Transactions on Geoscience and Remote Sensing, 41(4): p. 872-882. 14

نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره هفتم شماره 2 آذر ماه 6931 [8] Vosselman, G. (2000). Slope based filtering of laser altimetry data. International Archives of Photogrammetry and Remote Sensing, 2000. 33(B3/2; PART 3): p. 935-942. [9] Niemeyer, J., Wegner, J. D., Mallet, C., Rottensteiner, F., and Soergel, U. (2011). Conditional random fields for urban scene classification with full waveform LiDAR data, Photogrammetric Image Analysis, Springer. p. 233-244. [10] Awrangjeb, M., G. Lu, and Fraser, C. (2014). Automatic building extraction from LiDAR data covering complex urban scenes. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 40(3): p. 25. [11] Hu, X. and Ye, L. (2013). A fast and simple method of building detection from lidar data based on scan line analysis. ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci, 1: p. 7-13. [12] Vögtle, T. and Steinle, E. (2003). On the quality of object classification and automated building modelling based on laserscanning data. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 34(Part 3): p. W13. [13] Vosselman, G., B. Gorte, and Sithole, G. (2004). Change detection for updating medium scale maps using laser altimetry. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 34: p. 1-6. [14] Moussa, A. and El-Sheimy, N. (2012). A new object based method for automated extraction of urban objects from airborne sensors data. in Proceedings of: XXII ISPRS Congress, Melbourne, Australia. [15] Zhao, J. and You, S. (2012). Road network extraction from airborne LiDAR data using scene context. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). [16] Wei, Y. Yao, W, Wu, J, Schmitt, M and Stilla, U. (2012). Adaboost-based feature relevance assessment in fusing lidar and image data for classification of trees and vehicles in urban scenes. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, I-7, p. 323-328. [17] Chen, L.C., Teo, T-A., Shao, Y-X., Lai, Y-C and Rau, J-Y. (2004). Fusion of LIDAR data and optical imagery for building modeling. International Archives of Photogrammetry and Remote Sensing, 35(B4): p. 732-737. [18] Singh, K.K., Vogler, J.B., Shoemaker, D.A. and Meentemeyer, R.K., (2012). LiDAR-Landsat data fusion for large-area assessment of urban land cover: Balancing spatial resolution, data volume and mapping accuracy. ISPRS Journal of Photogrammetry and Remote Sensing, 74, pp.110-121. [19] Minh, N.Q. and Hien, L.P., (2011). Land cover classification using LiDAR intensity data and neural network. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 29(4), pp.429-438. [20] Nguyen, M.Q., Atkinson, P.M. and Lewis, H.G. (2005). Superresolution mapping using a Hopfield neural network with LIDAR data. IEEE Geoscience and Remote Sensing Letters, 2(3), pp.366-370. [21] Charaniya, A.P., Manduchi, R. and Lodha, S.K. (2004), June. Supervised parametric classification of aerial lidar data. In Computer Vision and Pattern Recognition Workshop, 2004. CVPRW'04. Conference on (pp. 30-30). IEEE. [22] Huang, M.J., Shyue, S.W., Lee, L.H. and Kao, C.C. (2008). A knowledge-based approach to urban feature classification using aerial imagery with lidar data. Photogrammetric Engineering & Remote Sensing, 74(12), pp.1473-1485. [23] Munoz, D., Vandapel, N. and Hebert, M. (2008). Directional associative markov network for 3-d point cloud classification. [24] Mountrakis, G., Im, J. and Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), pp.247-259. [25] Blaschke, T., (2010). Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing, 65(1), pp.2-16. [26] Sasaki, T., Imanishi, J., Ioki, K., Morimoto, Y. and Kitada, K. (2012). Object-based classification of land cover and tree species by integrating airborne LiDAR and high spatial resolution imagery data. Landscape and Ecological Engineering, 8(2), pp.157-171. [27] Friedman, J.H., J.L. Bentley, and Finkel, R.A. (1977). An algorithm for finding best matches in logarithmic expected time. ACM Transactions on Mathematical Software (TOMS), 3(3): p. 209-226. [28] Lay, D.C. (2005). Linear algebra and its applications, Pearson. [29] Blackburn, J.K. (2003). Characterizing spatially explicit patterns of antibiotic resistance in the marine environment using top-level marine predators, Faculty of the Louisiana State University and Agricultural and Mechanical College in partial fulfillment of the Requirements for the degree of Master of Science In The Department of Geography and Anthropology, Louisiana State University. 15

[30] Bernardini, F. and Bajaj, C.L. (1997). Sampling and reconstructing manifolds using alpha-shapes. [31] Torr, P.H. and Zisserman, A. (2000). MLESAC: A new robust estimator with application to estimating image geometry. Computer Vision and Image Understanding, 78(1): p. 138-156. [32] Choi, S., T. Kim, and Yu, W. (1997). Performance evaluation of RANSAC family. Journal of Computer Vision, 24(3): p. 271-300. [33] Pingel, T.J., K.C. Clarke, and McBride, W.A. (2013). An improved simple morphological filter for the terrain classification of airborne LIDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 77: p. 21-30.... برچسبگذاري معنايي سهبعدي ابرنقاط براساس قطعهبندي گسترش ناحیه و 16