مطالعه تطبيقي و تحليل راهكارهاي فيلتركردن ابرنقاط متراكم براي حذف عوارض غير زميني

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

فيلتركردن ابرنقطه حاصل از فتوگرامتري رقومي و نيز داده‌هاي LiDAR يا حذف عوارض غيرزميني و رسيدن به سطح زمين با هدف توليد DTM صورت مي‌گيرد. روش‌هاي متنوعي توسط محققين مختلف به منظور تفكيك نقاط زميني و غيرزميني در داده ابرنقاط پيشنهاد شده است. اكثر روشهاي كاملا اتوماتيك يك نقطه ضعف مشترك دارند و آن كارائي آنها فقط براي نوع خاصي از سطح زمين مي‌باشد. همچنين، اكثر اين الگوريتم‌ها در مناظر ساده نتايج خوبي دارند و در مناظر پيچيده با مشكلاتي مواجه مي‌گردند. در اين مقاله روشهاي فيلتركردن ابرنقاط در قالب سه گروه: اول روشهاي سنتي شامل روشهاي شيب مبنا، سطح مبنا، مورفولوژي، TIN، قطعه‌بندي و غيره، دوم روشهائي كه الگوريتم‌هاي خاصي را مورد بررسي قرار داده و يا الگوريتم‌هاي موجود را بهبود داده اند و سعي در افزايش كارائي آنها داشته اند، و سوم روشهاي فيلتركردن مبتني بر تكنيكهاي نوين يادگيري ماشين و يادگيري عميق، مورد بررسي قرار گرفته و تجزيه و تحليل جامعي از نحوه عملكرد اين روشها بعمل آمده، چالش ها و مشكلات اجرائي آنها مورد بررسي قرار گرفته و روش هائي كه نسبت به ساير روشهاي فيلتركردن، كارائي بالاتري براي نواحي مختلف كوهستاني، جنگلي، شهري دارند، شناسائي و مزايا و معايب هر روش ارائه و پيشنهاداتي جهت بكارگيري روشهاي مختلف در نواحي متفاوت ارائه گرديده است. نتايج اين تحليل در راستاي بهبود عملكرد روشهاي فيلتركردن، تركيب روشهاي بهبود يافته و نيز استفاده از روشهاي نوين يادگيري ماشين و يادگيري عميق در اين زمينه پيشنهاد مي‌گردد.

Point cloud and LiDAR Filtering is removing non-ground 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 slope-based methods, surface-based methods, morphology methods, TIN-based 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.