طبقه‌بندي ابر نقاط ليدار به‌كمك ميدان تصادفي ماركوف و تكنيك‌هاي يادگيري ماشين

امروزه در زمينه مديريت شهري، رباتيك، توليد بازي‌هاي رايانه‌اي و مانند آن، از ابرنقاط ليدار در استخراج عوارض شهري و سه‌بعدي‌سازي استفاده گسترده‌اي مي‌شود. خوشه‌بندي و طبقه‌بندي نقاط ابري ليدار يكي از گام‌هاي اصلي براي رسيدن به مدلي سه‌بعدي به‌شمار مي‌رود؛ بنابراين، يكي از اهداف اين تحقيق را مي‌توان ارزيابي كارآيي روش‌هاي طبقه‌بندي k‌اٌمين همسايگي نزديك (knn)، درخت تصميم (dt)، بيز ساده (naïve bayes)، شبكه عصبي مصنوعي (ann)، ماشين بردار پشتيبان (svm) و ميدان تصادفي ماركوف (mrf) در طبقه‌بندي مجموعه داده ليدار و تصاوير هوايي در محيط پيچيده شهري برشمرد. بدين‌منظور، داده‌هايي كه isprs از شهر فايهينگن كشور آلمان فراهم آورده، به‌كار رفته است. سپس همه ويژگي‌هاي هندسي، مقادير شدت ثبت‌شده از سوي ليدار، تصاوير هوايي و نيز ويژگي‌هاي استخراج‌شده مبتني‌بر مقادير ويژه را استخراج و به‌منظور تشخيص پنج كلاس اشياي شهري شامل سطوح نفوذناپذير، ساختمان، گياهان كم‌ارتفاع، درخت و اتومبيل به‌كار برده است. براي محاسبه مقادير ويژه به‌كمك توزيع محلي نقاط، در اين مقاله، يك ساختار مكعبي جديد معرفي شده است كه در تحقيقات گذشته ديده نشده بود. نتايج نهايي تكنيك‌هاي طبقه‌بندي به‌كاررفته در اين تحقيق با استفاده از نقشه‌هاي رفرنس isprs ارزيابي شدند. نتايج ارزيابي اين تحقيق نشان مي‌دهد كه مدل mrf با دقت كلي 88.08% و ضريب كاپاي 0.83 كارآتر از ديگر طبقه‌بندي‌هاست. همچنين، ساختار مكعبي پيشنهادي را مي‌توان، به‌خوبي ساختارهاي كروي و استوانه‌اي، در استخراج ويژگي‌هاي مبتني‌بر مقادير ويژه به‌كار برد.