Classification of point clouds acquired through mobile laser scanner in urban areas using geometric and shape features
Kentsel alanlarda mobil lazer tarayıcı ile elde edilen nokta bulutlarının geometrik ve şekil özellikleri kullanılarak sınıflandırılması
- Tez No: 694493
- Danışmanlar: DOÇ. DR. ALİ ÖZGÜN OK
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Mühendislik Bilimleri, Geodesy and Photogrammetry, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
Mobil lazer tarayıcılar (MLS), kentsel alanlar için sokak düzeyinde ölçüm yapan bir perspektifte yüksek yoğunlukla, yüksek doğrulukta ve hızlı veri toplama yöntemi olarak hizmet etmektedir. MLS nokta bulutu sınıflandırmasının ana işlem aşamaları, (i) komşuluk seçimi, (ii) özellik çıkarımı ve son olarak (iii) sınıflandırma olarak düşünülebilir. MLS nokta bulutları öznitelik açısından zayıf olduğundan, veri setindeki noktalar arasındaki yerel komşuluk ilişkilerinden türetilen özellikler kullanılarak sınıflandırma aşaması desteklenmelidir. Bu tez çalışması, kentsel alanlarda araç tabanlı MLS aracılığıyla elde edilen nokta bulutlarının geometrik ve şekil özellikleri kullanılarak nokta tabanlı kontrollü sınıflandırılmasını ele almaktadır. Geliştirilen yaklaşımlar, Münih Teknik Üniversitesi (TUM) Şehir Kampüsü'nü temsil eden değerlendirme/kıyaslama veri seti kullanılarak test edilmiştir. Nokta bulutundaki her nokta için yerel geometrik özellikler çıkarılmış ve küresel, silindirik ve k-en yakın komşuluk olmak üzere üç farklı komşuluk tanımı ile değerlendirilmiştir. Sınıflandırma yaklaşımı için, MLS sınıflandırması ile ilgili pek çok çalışmada tercih edilen Rastgele Orman (RF) sınıflandırıcı uygulanmış ve nokta tabanlı kontrollü sınıflandırma ile test edilmiştir. Sınıflandırma sırasında yapay arazi, doğal arazi, yüksek bitki örtüsü, düşük bitki örtüsü, bina, sert peyzaj, yapay yapı ve araç olarak toplam 8 sınıf yer almaktadır. Sonuçlar, her üç yerel komşuluk tipi için farklı parametreler ve özellik kombinasyonları için sınıflandırma olarak değerlendirilmiştir. Elde edilen sonuçlar, literatürde aynı veri setini kullanan ve daha önce yapılan üç çalışma ile karşılaştırılmış ve farklı komşuluk bilgilerinden gelen özelliklerin kombinasyonu, birden fazla sınıfın üretici doğruluğu için önemli iyileştirmelerle (%40'a kadar) beraber genel sonuçları en az %4 oranında artırmıştır.
Özet (Çeviri)
The mobile laser scanners (MLS) serve as a high density, high accurate and faster data collection method for urban areas from a street-level surveying perspective. The major processing phases of a MLS point cloud classification can be considered as (i) the neighborhood selection, (ii) the feature extraction, and finally (iii) the classification. Since MLS point clouds are poor in terms of the attributes, the classification phase must be supported by using features derived from the local neighborhood relations between points in a dataset. This thesis deals with the point-based supervised classification of point clouds acquired through a vehicle-based MLS system in urban areas using local geometric and shape features. The developed approaches are tested using the benchmark dataset representing the Technical University of Munich (TUM) City Campus. The local features of each point in the point cloud were extracted and evaluated through three different neighborhood definitions, i.e. spherical, cylindrical and the k-nearest neighbor. As the classification strategy, the Random Forest (RF) classifier that has been preferred in quite a few studies dealing with MLS classification is applied, and is successively tested for the point-based supervised classification. A total of 8 classes are involved during the classification: artificial terrain, natural terrain, high vegetation, low vegetation, building, hardscape, artifact and vehicle. The results were evaluated as classification for all three local neighborhood types with different parameters, and for various combinations of features. The results achieved were compared with three previous studies utilizing the same data set in the literature, and a combination of the features from different neighborhood information increased the overall results at least 4% with considerable improvements (up to 40%) for the producer's accuracies of multiple classes.
Benzer Tezler
- LİDAR verileri ile SAM üretiminde farklı arazi türlerine göre performans araştırması
Performance research according to the different terrain types in SAM production with LİDAR data
NURAY BAŞ
Doktora
Türkçe
2016
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİLAL GONCA COŞKUN
- Nihai projelerde mekanik sistemlerin otomatik çıkarım yöntemi ile yapı bilgi modelinin oluşturulması
Generating the final bim with automatic extraction method in final projects
AKIN AKCİGER
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Binalarda ve kentsel mekanlarda tepe ışığı kullanımı
Skylighting use in buildings and urban space
LEVENT GÖÇER
Yüksek Lisans
Türkçe
1997
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. YURDANUR DÜLGEROĞLU YÜKSEL
- Nokta tabanlı sınıflandırma yöntemleri ile LiDAR verilerinin sınıflandırılması
Classification of LiDAR data with point based classification methods
ZEHRA ERİŞİR
Yüksek Lisans
Türkçe
2015
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ YASTIKLI
- Automatic extraction of planar objects from lidar point cloud data
Lidar nokta bulutu verilerinden düzlem nesnelerin otomatik olarak çıkarılması
ABU KAMARA
Doktora
İngilizce
2021
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDAT DOĞAN