ارائه يك روش مورفولوژي مبنا جهت فيلترينگ ابرنقاط براي استخراج مدل رقومي زمين

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

مدل رقومي زمين ازجمله مهم‌ترين محصولات مكاني است كه از ديرباز پايه بسياري از پروژه‌هاي كاربردي مرتبط با اطلاعات مكاني مي‌باشد. امروزه مي‌توان با استفاده از تكنولوژي سنجنده لايدار به ابرنقطه‌اي متراكم از سطح زمين دست يافت. درواقع ابرنقطه‌ حاصل، يك مدل رقومي سطحي است كه حاوي عوارض زميني و غيرزميني است. هدف از اين مقاله، ارائه روشي كارآمد براي استخراج مدل رقومي زمين از مدل سطحي به‌دست آمده از ابرنقاط مي‌باشد. در اين راستا، ابتدا با انجام پيش‌پردازش، نويز موجود در داده‌ها حذف گشته و سپس داده‌هاي نامنظم ابرنقاط به داده‌اي منظم و رستري تبديل شدند. در مرحله بعد با پيشنهاد روش تورم ژئودزيك تدريجي به‌همراه روش جستجو و برچسب‌زني، به شناسايي و حذف عوارض غيرزميني پرداخته شد. اساس اين روش افزايش المان ساختاري به‌صورت مرحله‌اي، بررسي ميزان ناهمگني ارتفاعي و حذف تدريجي عوارض غيرزميني است. همچنين بهره‌گيري از روش ابتكاري جستجو برچسب‌زني كه براساس ميزان تغيير شيب عمل مي‌نمايد، به حذف بهتر و دقيق‌تر عوارض غيرزميني كمك شايان توجهي نمود. در نهايت با حذف عوارض غيرزميني و درون‌يابي مناطق ازدست‌رفته، مدل‌رقومي زمين به‌دست مي‌آيد. جهت ارزيابي الگوريتم پيشنهادي از داده‌هاي مرجع ارائه شده توسط سازمان بين المللي فتوگرامتري و سنجش از دور (ISPRS) استفاده شد. با ارزيابي در 5 ناحيه مطالعاتي به ترتيب مقادير 87/2%، 61/8%، 62/3% و 68/89% براي ميانگين خطاي نوع اول، خطاي نوع دوم، خطاي كلي و خطاي كاپا به‌دست آمد كه نشان از توانايي الگوريتم پيشنهادي در حذف عوارض غيرزميني داشت.

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 non-ground 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 non-ground 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 non-ground objects, gradually. Also, utilizing the innovative scan labeling approach which operated based on slope differential helped to remove the non-ground objects completely. Finally, the non-ground 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 non-ground objects.