مقايسه توانايي طبقه‌بندي‌كننده‌هاي ماشين‌‌بردار پشتيبان، شبكه عصبي و حداكثر احتمال در بهبود نتايج الگوريتم‌هاي فيلترينگ داده‌هاي ليدار

A Comparison of the SVM, ANN and MLH Classifiers in Improvement the LiDAR Data Filtering Algorithms

بررسي‌هاي اخير نشان داده است كه سيستم ليدار در برداشت سريع و دقيق اطلاعات سه‌بعدي از عوارض، در مناطق شهري توانايي بالايي دارد. از مهم‌ترين پردازش‌هايي كه روي داده‌هاي ليدار صورت مي‌گيرد، فيلترينگ آن‌هاست كه عبارت است از تفكيك نقاط مربوط به عوارض ارتفاعي (ساختمان‌ها و درختان) از نقاط زميني. تاكنون الگوريتم‌هاي فيلترينگ فراواني طراحي شده است، اما هر يك از آن‌ها معايب و نواقصي دارند. مشكل اساسي اين الگوريتم‌ها، ناتواني‌شان در حذف ساختمان و عوارض بزرگ است كه ناشي از عملكرد ناحيه‌اي آن‌هاست. در اين تحقيق تلاش شده است تا با بهره‌گيري از قابليت‌هاي تكنيك‌هاي طبقه‌بندي، راه‌حلي براي اين مشكل ارايه شود. در اين پژوهش ابتدا داده‌هاي ليدار به‌وسيله الگوريتم شيب‌مبنا كه ـ از شناخته‌شده‌ترين روش‌هاي فيلترينگ به‌شمار مي‌آيد‌‌ـ فيلتر شدند. در ادامه، با استفاده از سه ‌روش طبقه‌بندي ماشين‌ بردار پشتيبان، شبكه عصبي مصنوعي،‌ و حداكثر احتمال، داده‌هاي ليدار به پنج كلاس راه آسفالته، درختان، ساختمان، سيمان، و چمن طبقه‌بندي گرديدند. در نهايت، نقاط ساختمان‌هاي بزرگ كه به‌وسيله الگوريتم شيب‌مبنا فيلتر نشده بودند، با نتايج حاصل از روش‌هاي طبقه‌بندي حذف گرديدند. ارزيابي‌ها نشان مي‌دهند كه روش حداكثر احتمال نتايج ضعيفي را ارايه مي‌كند، اما روش‌هاي ماشين بردار پشتيبان و شبكه عصبي مصنوعي نتايج نزديك به‌هم و بسيار خوبي را عرضه كرده‌اند. به‌طور كلي استفاده از اين تكنيك‌هاي طبقه‌بندي براي بهبود نتايج الگوريتم‌هاي فيلترينگ، باعث افزايش ناچيزي در خطاي نوع اول مي‌گردد ولي سبب كاهشي شديد در خطاي نوع دوم و خطاي مجموع مي‌شود. از آنجا كه در فرايند فيلترينگ داده‌هاي ليدار، اهميت خطاهاي نوع دوم و مجموع بيش از خطاي نوع اول است، مي‌توان ادعا كرد كه انجام اين پردازش تكميلي نتايج بسيار مفيدي را دربرداشته است. ارزيابي كمّي دقت نتايج‌ نشان مي‌دهد كه خروجي الگوريتم با آستانه شيب o20 پس از بهبود داده شدن با استفاده از خروجي طبقه‌بندي‌كننده شبكه عصبي مصنوعي، بهترين نتيجه را به دست داده است كه در آن خطاي نوع اول از 98/4 درصد به 04/5 درصد افزايش ولي خطاهاي نوع دوم و مجموع به‌ترتيب از 043/9 درصد و 03/7 درصد به 49/4 درصد و 76/4 درصد كاهش يافته‌اند.

Today, aerial laser scanners (LiDAR) play an important role in 3D data acquisition from features. Filtering is one of the most affecting processes which are done on the LiDAR data. Filtering means distinguish between ground points and object points. Up to now, a lot of algorithms have been developed to automatic filtering of LiDAR data. Each of these algorithms has their own limitations and inefficiencies. One of the weaknesses of these algorithms is disability to remove the large buildings. This is due to their local-based operation. This paper presents a practical approach based on classification techniques to solve this problem. First, the LiDAR data are filtered using slope-based filtering algorithm which is one of the most known filtering algorithms. Afterward, the LiDAR range and intensity data are classified into five classes; road, tree, building, grassland and cement, using three classifiers; Support Vector Machine, Artificial Neural Network and Maximum Likelihood. Finally, the large building points, which had not been filtered by slope-based algorithm, are removed by used classification outputs. The results of accuracy assessment indicate that the Maximum Likelihood gives poor results, but Support Vector Machine and Artificial Neural Network present very good results. Generally, the usage classification techniques in order to improve the results of filtering algorithms causes a negligible increase in type I error and significant decrease in type II and total errors as well. Since, in filtering process, the type II error and total error are more important than type I error, performing of this supplementary process presents an effective result. Quantitative evaluation shows the output of the slope-based algorithm with 20? slope threshold after improving using Artificial Neural Network classifier, presents the best result. In this case type I error increased from 4.98% to 5.04%, type II error reduced from 9.043% to 4.49% and total error decreased from 7.03% to 4.76%.