مطالعه تطبیقی و تحلیل راهکارهای فیلترکردن ابرنقاط متراکم برای حذف عوارض غیرزمینی

فیلترکردن ابرنقطه حاصل از فتوگرامتری رقومی و نیز داده‌های lidar یا حذف عوارض غیرزمینی و رسیدن به سطح زمین با هدف تولید dtm صورت می‌گیرد. روش‌های متنوعی توسط محققین مختلف به منظور تفکیک نقاط زمینی و غیرزمینی در داده ابرنقاط پیشنهاد شده است. اکثر روشهای کاملا اتوماتیک یک نقطه ضعف مشترک دارند و آن کارائی آنها فقط برای نوع خاصی از سطح زمین می‌باشد. همچنین، اکثر این الگوریتم‌ها در مناظر ساده نتایج خوبی دارند و در مناظر پیچیده با مشکلاتی مواجه می‌گردند. در این مقاله روشهای فیلترکردن ابرنقاط در قالب سه گروه: اول روشهای سنتی شامل روشهای شیب مبنا، سطح مبنا، مورفولوژی، tin، قطعه‌بندی و غیره، دوم روشهائی که الگوریتم‌های خاصی را مورد بررسی قرار داده و یا الگوریتم‌های موجود را بهبود داده اند و سعی در افزایش کارائی آنها داشته اند، و سوم روشهای فیلترکردن مبتنی بر تکنیکهای نوین یادگیری ماشین و یادگیری عمیق، مورد بررسی قرار گرفته و تجزیه و تحلیل جامعی از نحوه عملکرد این روشها بعمل آمده، چالش ها و مشکلات اجرائی آنها مورد بررسی قرار گرفته و روش هائی که نسبت به سایر روشهای فیلترکردن، کارائی بالاتری برای نواحی مختلف کوهستانی، جنگلی، شهری دارند، شناسائی و مزایا و معایب هر روش ارائه و پیشنهاداتی جهت بکارگیری روشهای مختلف در نواحی متفاوت ارائه گردیده است. نتایج این تحلیل در راستای بهبود عملکرد روشهای فیلترکردن، ترکیب روشهای بهبود یافته و نیز استفاده از روشهای نوین یادگیری ماشین و یادگیری عمیق در این زمینه پیشنهاد می‌گردد.

Comprehensive Analysis of Dense Point Cloud Filtering Algorithm for Eliminating Non-Ground Features

Point cloud and LiDAR Filtering is removing nonground features from digital surface model (DSM) and reaching the bare earth and DTM extraction. Various methods have been proposed by different researchers to distinguish between ground and non ground in points cloud and LiDAR data. Most fully automated methods have a common disadvantage, and they are only effective for a particular type of surface. Also, most of these algorithms have good outcomes in simple landscapes and not suitable in complex scene. In this article, the filtering methods are divided into three groups: First: traditional methods including slopebased methods, surfacebased methods, morphology methods, TINbased method, segmentation methods and other rule based filtering methods, second: methods that have specific algorithms or improved efficiency of existing algorithms and finally third filtering techniques: based on new machine learning and deep learning techniques. Then investigate and analysis comprehensively the operational problems, their challenges and efficiency of this methods for different areas mountain, forest, urban. Identify and advantages and disadvantages of each method and suggestions for using different methods in different areas is presented. The results of this analysis indicate that the combination of improved and new methods of machine learning and deep learning are suggested in order to improve the performance of filtering techniques.