ارائه یک روش مورفولوژی مبنا جهت فیلترینگ ابرنقاط برای استخراج مدل رقومی زمین

مدل رقومی زمین ازجمله مهم ترین محصولات مکانی است که از دیرباز پایه بسیاری از پروژه های کاربردی مرتبط با اطلاعات مکانی می باشد. امروزه می توان با استفاده از تکنولوژی سنجنده لایدار به ابرنقطه ای متراکم از سطح زمین دست یافت. درواقع ابرنقطه حاصل، یک مدل رقومی سطحی است که حاوی عوارض زمینی و غیرزمینی است. هدف از این مقاله، ارائه روشی کارآمد برای استخراج مدل رقومی زمین از مدل سطحی به دست آمده از ابرنقاط می باشد. در این راستا، ابتدا با انجام پیش پردازش، نویز موجود در داده ها حذف گشته و سپس داده های نامنظم ابرنقاط به داده ای منظم و رستری تبدیل شدند. در مرحله بعد با پیشنهاد روش تورم ژئودزیک تدریجی به همراه روش جستجو و برچسب زنی، به شناسایی و حذف عوارض غیرزمینی پرداخته شد. اساس این روش افزایش المان ساختاری به صورت مرحله ای، بررسی میزان ناهمگنی ارتفاعی و حذف تدریجی عوارض غیرزمینی است. همچنین بهره گیری از روش ابتکاری جستجو برچسب زنی که براساس میزان تغییر شیب عمل می نماید، به حذف بهتر و دقیق تر عوارض غیرزمینی کمک شایان توجهی نمود. در نهایت با حذف عوارض غیرزمینی و درون یابی مناطق ازدست رفته، مدل رقومی زمین به دست می آید. جهت ارزیابی الگوریتم پیشنهادی از داده های مرجع ارائه شده توسط سازمان بین المللی فتوگرامتری و سنجش از دور (isprs) استفاده شد. با ارزیابی در 5 ناحیه مطالعاتی به ترتیب مقادیر 2.87%، 8.61%، 3.62% و 89.68% برای میانگین خطای نوع اول، خطای نوع دوم، خطای کلی و خطای کاپا به دست آمد که نشان از توانایی الگوریتم پیشنهادی در حذف عوارض غیرزمینی داشت.

Presenting a morphological based approach for filtering the point cloud to extract the digital terrain model

The Digital terrain model is an important geospatial product used as the basis of many practical projects related to geospatial information. Nowadays, a dense point cloud can be generated using the LiDAR data. Actually, the acquired point cloud of the LiDAR, presents a digital surface model that contains ground and nonground objects. The purpose of this paper is to present a new approach of extracting the digital terrain model from the digital surface model. In the first step, noises were removed by preprocessing; then the irregular point cloud was converted to raster data. In the next step, the proposed gradual geodesic dilation and labeling approaches scan were applied in order to detect and eliminate the nonground objects. The basis of gradual geodesic dilation approach was to increase the structural element size in each step, investigate the height heterogeneity and remove the nonground objects, gradually. Also, utilizing the innovative scan labeling approach which operated based on slope differential helped to remove the nonground objects completely. Finally, the nonground objects were removed and the lost regions were retrieved and the digital terrain model was generated by interpolation. For analyzing the proposed approach, the reference data of the ISPRS was employed. The analyzing results in the five test areas indicated 4.61%, 6.97% and 3.17% for Type I, Type II and total errors, respectively. These results clarify the good performance of the proposed approach for detecting the nonground objects.