طبقه‌بندی ابرنقاط لیدار به‌کمک میدان تصادفی مارکوف و تکنیک‌های یادگیری ماشین

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.