شناسايي ساختمان ها در ابر نقاط داده ليدار برمبناي بكارگيري سيستم استنتاج فازي

Building Extraction from LiDAR Point Clouds Using Fuzzy Inference System

شناسايي ساختمان ها از موضوعات مورد علاقه در فتوگرامتري و سنجش از دور است كه مي تواند در مدل سازي سه بعدي شهر ها مورد استفاده قرار گيرد. هدف از اين تحقيق، شناسايي ساختمان ها با استفاده از ابر نقطه ليزر اسكنر هوايي (LiDAR) برمبناي بكارگيري سيستم استنتاج فازي مي باشد. در اين راستا، حذف نويز و داده هاي اشتباه همواره به عنوان يكي از چالش هاي استفاده از ابر نقطه داده ليدار مطرح مي باشد. لذا، در روش پيشنهادي، ابتدا پس از حذف عوارض كم ارتفاع، از يك روش جديد براي حذف نويز داده هاي ليدار استفاده شده است. روش پيشنهاد شده براي حذف نويز مي تواند تقريبا تمامي نقاط نويزي و اشتباه را در هنگام شناسايي ساختمان ها از بين ببرد. پس از انجام پيش پردازش ها عوارض باقي مانده به صورت گروه هاي نقاط از داده ورودي ظاهر خواهند شد. با توجه به وجود عدم قطعيت در تشخيص ساختمان يا غير ساختمان بودن اين گروه هاي نقاط، در اين روش از سيستم استنتاج فازي براي تشخيص گروه هاي نقاط ساختماني استفاده شده است. در سيستم فازي پيشنهاد شده، توصيف گرهاي SumD، Area و Volume، كه از گروه نقاط مختلف استخراج مي شوند، به عنوان ورودي و تشخيص نوع گروه نقاط به عنوان خروجي اين سيستم تعريف شده است. روش پيشنهادي بر روي دو منطقه مجزا در شهري در كشور بلژيك تست و ارزيابي شده است و نتايج به دست آمده توانايي سيستم فازي پيشنهاد شده را در حل عدم قطعيت موجود در تشخيص گروه هاي نقاط ساختماني از غير ساختماني نشان داد. همچنين، استفاده از روش پيشنهادي براي حذف نويز با استفاده از خوشه بندي، موجب افزايش 10 درصدي در صحت و بهبود كيفيت سيستم فازي براي شناسايي ساختمان ها در داده اول شده است اما با توجه به ساختار داده دوم، حذف نويز تاثيري در شناسايي ساختمان ها در اين داده نداشته است.

Building extraction from different data resources, which can be applied in 3D city modeling, is one of the most growing research topics in Photogrammetry and Remote Sensing. The aim of this study is proposing a new method for extracting buildings from LiDAR point clouds using a fuzzy inference system. In the proposed method, first, a pre-processing step is performed to eliminate low altitude points and also noisy points. In this regard, an optimal noise removal technique is used to remove noise and outliers from LiDAR point clouds. The proposed method can almost eliminate all of the noises and outliers from the point clouds. After pre-processing step, only high altitude points in the form of points groups including buildings and trees will remain. Then, due to the uncertainty in distinguishing building groups from tree groups, a fuzzy inference system is designed and implemented. In the proposed fuzzy system, three geometric descriptors of "SumD", "Area" and "Volume" are considered as input variables, and feature type as output variable is defined. In order to evaluate the proposed method, a test area of Belgium is used, and the obtained results proved the ability of the proposed fuzzy inference system in resolving the uncertainty in detecting building points group. Moreover, the proposed noise removal method increased 10% in accuracy and improving the quality of the fuzzy system.