ارائه رویکرد نوین svm-crf برای طبقه‌بندی ابر نقاط لیدار هوایی در محیط شهری

طی دهه های گذشته، رشد شهری به عنوان یک پدیده جهانی شناخته شده است که شامل روند گسترده شدن و الگوی گسترش است. همان‌طور که شهرها به سرعت در حال تغییر هستند، می توان به منظور تجزیه و تحلیل کمّی آن ها و همچنین تصمیم گیری در برنامه ریزی شهری از مزایای مدل های دیجیتالی دوبعدی و سه بعدی استفاده کرد. پیشرفت های اخیر در تصویربرداری و تکنولوژی های حسگر غیر تصویربردار مانند سیستم تشخیص و ردیابی نور (لیدار) هوایی، منجر به ایجاد مقدار زیادی داده های سنجش از دوری شده است که می تواند برای تولید مدل های دو بعدی و سه بعدی به کار گرفته شود. هدف از این مقاله ارائه رویکرد نوین svmcrf برای طبقه بندی مجموعه داده ابر نقاط لیدار و تصویر و مقایسه کارآیی این رویکرد نسبت به دیگر رویکردهای موجود از جمله رویکردهای گرافیکی احتمالاتی است. لازم به ذکر است که در این مقاله از sa به عنوان بهینه ساز svmcrf استفاده شد. برای ارزیابی قابلیت رویکرد مورد استفاده در این مقاله از مجموعه داده مرجع isprs که برای شهر وایهینگن و به منظور طبقه بندی شهری و بازسازی ساختمان سه بعدی تولید شده است؛ استفاده شد. همچنین نتایج تحقیق قبلی نویسنده مقاله پیش رو که رویکرد svmmrfرا معرفی کرده بود در کنار دیگر تحقیقاتی که از روش crf و مجموعه داده مشابه استفاده کرده اند، برای مقایسه بهتر نتایج آورده شده است. نتایج این تحقیق نشان می دهد که عملکرد روش svmcrf با دقت کلی 06/89 درصد و ضریب کاپا 84/0 درصد از سایر رویکردهای طبقه بندی به کار رفته روی مجموعه داده مشابه بهتر است.

Conditional Random Fields for Airborne Lidar Point Cloud Classification in Urban Area

Over the past decades, urban growth has been known as a worldwide phenomenon that includes widening process and expanding pattern. While the cities are changing rapidly, their quantitative analysis as well as decision making in urban planning can benefit from twodimensional (2D) and threedimensional (3D) digital models. The recent developments in imaging and nonimaging sensor technologies, such as airborne Light Detection and Ranging (LiDAR) system, lead to a huge amount of remotely sensed data which can be employed to produce 2D/3D models. Although much of the previous researches have investigated on the performance improvement of the traditional data analyzing techniques, recently, more recent attention has focused on using probabilistic graphical models. However, less attention has paid to Conditional Random Field (CRF) method for the classification of the LiDAR point cloud dataset. Moreover, most researchers investigating CRF have utilized cameras or LiDAR point cloud; therefore, this paper adopted CRF model to employ both data sources. The methods were evaluated using ISPRS benchmark datasets for Vaihingen dataset on urban classification and 3D building reconstruction. The evaluation of this research shows that the performance of CRF model with an overall accuracy of 89.06% and kappa value of 0.84 is higher than other techniques to classify the employed LiDAR point cloud dataset.