ارائه رويكرد نوين SVM-CRF براي طبقه‌بندي ابر نقاط ليدار هوايي در محيط شهري

طي دهه ­هاي گذشته، رشد شهري به عنوان يك پديده­ جهاني شناخته شده است كه شامل روند گسترده شدن و الگوي گسترش است. همان‌طور كه شهرها به سرعت در حال تغيير هستند، مي­توان به­منظور تجزيه و تحليل كمّي آن­ها و همچنين تصميم­گيري در برنامه­ريزي شهري از مزاياي مدل­هاي ديجيتالي دوبعدي و سه­بعدي استفاده كرد. پيشرفت­هاي اخير در تصويربرداري و تكنولوژي­هاي حسگر غير تصويربردار مانند سيستم تشخيص و رديابي نور (ليدار) هوايي، منجر به ايجاد مقدار زيادي داده­­هاي سنجش از دوري شده است كه مي­تواند براي توليد مدل­هاي دو­بعدي و سه­بعدي به­كار گرفته شود. هدف از اين مقاله ارائه­ رويكرد نوين SVM-CRF براي طبقه­بندي مجموعه داده ابر نقاط ليدار و تصوير و مقايسه كارآيي اين رويكرد نسبت به ديگر رويكردهاي موجود از جمله رويكردهاي گرافيكي احتمالاتي است. لازم به ذكر است كه در اين مقاله از SA به عنوان بهينه ساز SVM-CRF استفاده شد. براي ارزيابي قابليت رويكرد مورد استفاده در اين مقاله از مجموعه داده­ مرجع ISPRS كه براي شهر وايهينگن و به منظور طبقه­بندي شهري و بازسازي ساختمان سه­بعدي توليد شده است؛ استفاده شد. همچنين نتايج تحقيق قبلي نويسنده مقاله پيش­رو كه رويكرد SVM-MRFرا معرفي كرده بود در كنار ديگر تحقيقاتي كه از روش CRF و مجموعه داده مشابه استفاده كرده­اند، براي مقايسه بهتر نتايج آورده شده است. نتايج اين تحقيق نشان مي­دهد كه عملكرد روش SVM-CRF با دقت كلي 06/89 درصد و ضريب كاپا 84/0 درصد از ساير رويكردهاي طبقه­بندي به كار رفته روي مجموعه داده­ مشابه بهتر است.

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 two-dimensional (2D) and three-dimensional (3D) digital models. The recent developments in imaging and non-imaging 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.