Προσέγγιση εξαγωγής (μοντέλων) κτιρίων βασισμένη στον συνδυασμό Point Cloud (νέφους σημείων) από LiDAR και χαρακτηριστικών

Από RemoteSensing Wiki

Έκδοση στις 17:17, 1 Μαρτίου 2024 υπό τον/την Eva Christina Dimoula (Συζήτηση | Συνεισφορές/Προσθήκες)
('διαφορά') ←Παλιότερη αναθεώρηση | εμφάνιση της τρέχουσας αναθεώρησης ('διαφορά') | Νεώτερη αναθεώρηση→ ('διαφορά')
Μετάβαση σε: πλοήγηση, αναζήτηση

Πρότυπος Τίτλος Προσέγγιση εξαγωγής (μοντέλων) κτιρίων βασισμένη στον συνδυασμό Point Cloud (νέφους σημείων) από LiDAR και χαρακτηριστικών υφής από χάρτη υψομέτρου

Τίτλος A Building Extraction Approach Based on the Fusion of LiDAR Point Cloud and Elevation Map Texture Features

Ημερομηνία δημοσίευσης 07/2019

Πηγή https://www.mdpi.com/2072-4292/11/14/1636

Συγγραφείς Xudong Lai, Jingru Yang, Yongxu Li, Mingwei Wang

Λέξεις κλειδιά LiDAR Point Clouds (νέφη σημείων LiDAR), εξαγωγή κτιρίων, χάρτης υψομέτρου, φίλτρο Gabor, συνδυασμός χαρακτηριστικών

Πίνακας περιεχομένων

Σύνοψη

Η εξαγωγή (μοντέλων) κτιρίων αποτελεί σημαντική μέθοδο απόκτησης πληροφοριών στον αστικό σχεδιασμό. Το γεγονός ότι η τηλεπισκόπηση έχει πλεονεκτήματα όπως η μεγάλη κάλυψη και η λήψη δεδομένων σε πραγματικό χρόνο, την καθιστά σημαντική για την εξαγωγή μοντέλων κτιρίων, ειδικότερα μέσω των νεφών σημείων LiDAR. Στο παρόν άρθρο περιγράφεται η εξαγωγή μοντέλου κτιρίου μέσω του συνδυασμού Point Cloud και χαρακτηριστικών υφής τα οποία εξάγονται με τη χρήση χάρτη υψομέτρου, με τα πειραματικά αποτελέσματα να δείχνουν ότι η μέθοδος αυτή επιτυγχάνει καλύτερα αποτελέσματα σε σύγκριση με άλλες μεθόδους και λογισμικά, με ακρίβεια άνω του 87%.

Εισαγωγή

Η τηλεπισκόπηση επιτρέπει την απόκτηση πληροφοριών χωρίς φυσική επαφή με αντικείμενα ή φαινόμενα. Η τεχνολογική πρόοδος στη χωρική και χρονική ανάλυση των εικόνων τηλεπισκόπησης τις κάνει κύρια πηγή δεδομένων για την εξαγωγή αντικειμένων όπως βλάστηση, παράκτιες ζώνες και δρόμους. Η εξαγωγή κτιρίων μέσω τηλεπισκόπησης έχει πλέον αναδειχτεί, λόγω της ταχύτητάς της, τις δυνατότητες κάλυψης σε μεγάλη κλίμακα και έκταση αλλά και για οικονομικούς λόγους.

Η τεχνολογία LiDAR (Light Detection And Ranging) χρησιμοποιεί παλμικό λέιζερ για την μέτρηση αποστάσεων μεταξύ αισθητήρα και διαφορετικών αντικειμένων. Πολλές μελέτες χρησιμοποιούν το LiDAR για την εξαγωγή κτιρίων, με ικανοποιητικά αποτελέσματα σε διάφορα περιβάλλοντα. Υπάρχουν διάφορες τεχνικές εξαγωγής βασισμένες στα χαρακτηριστικά των εικόνων και του LiDAR, που επιτρέπουν ακριβείς χαρτογραφήσεις κτιρίων.

Το Point Cloud ενδέχεται να οδηγήσει σε απώλεια ορισμένων χαρακτηριστικών μιας και δύσκολα διακρίνει αντικείμενα με παρόμοια ύψη, ωστόσο είναι ικανό να εξάγει διαφορετικά αντικείμενα με τα χαρακτηριστικά των υφών τους σε δισδιάστατες εικόνες. Ο χάρτης υψομέτρων σαν δισδιάστατη εικόνα που προκύπτει από την προβολή του Point Cloud σε επίπεδο, μπορεί να παρέχει χαρακτηριστικά υφής και έχει χρησιμοποιηθεί στον τομέα εξαγωγής κτιρίων. Τα πειραματικά αποτελέσματα της διαδικασίας αυτής ήταν αποτελεσματικά όσον αφορά την εξάλειψη των δέντρων και την εξαγωγή κτιρίων διαφορετικής κλίμακας. Επίσης, αρκετά ακριβείς ήταν και οι χάρτες υψομέτρων με θέμα την κάλυψη και τις χρήσεις γης που προέκυψαν από δεδομένα τηλεπισκόπησης συγκριτικά με τα δεδομένα της επίγειας καταγραφής. Η οργάνωση των δεδομένων LiDAR σε τρεις χάρτες (χάρτης πυκνότητας βάθους, ύψους και κανονικών επιφανειών) αποδείχτηκε ότι ανακτά με επιτυχία την ιεραρχία και την ακεραιότητα των αντικειμένων, ανεξάρτητα από την πυκνότητα και τις απώλειες δεδομένων. Επιπλέον, η εξαγωγή χαρακτηριστικών υφής από τον χάρτη υψομέτρων μπορεί να χρησιμοποιηθεί για να ανιχνεύσει κτίρια από δορυφορικές εικόνες με καλύτερη απόδοση από άλλες σύγχρονες μεθόδους.

Η εργασία αναφέρεται στο συνδυασμό των χαρακτηριστικών του Point Cloud και της υφής για την εξαγωγή κτιρίων. Στην εργασία υποστηρίζεται ότι η επιλογή χαρακτηριστικών μπορεί να γίνει με τη χρήση αλγορίθμων νοημοσύνης σμήνους, όπως ο αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization - PSO).

Η διάρθρωση της εργασίας περιγράφεται παρακάτω. Στην Ενότητα 2, αναλύονται η βασική μέθοδος και οι βασικές αρχές της παρούσας έρευνας. Τα βήματα της μεθόδου περιγράφονται στην ενότητα 3. Στην ενότητα 4 περιγράφονται τα πειράματα που πραγματοποιούνται σύμφωνα με τη μέθοδο, τα πειραματικά δεδομένα, τα τελικά αποτελέσματα και η αξιολόγηση της ακρίβειας. Στην ενότητα 5 συνοψίζονται τα βήματα της παρούσας εργασίας και οι ερευνητικές προοπτικές.

Βασική θεωρία φίλτρων Gabor

Όσον αφορά τις δισδιάστατες εικόνες, το φίλτρο Gabor είναι μία αποτελεσματική τεχνική φιλτραρίσματος και βασίζεται σε ένα ημιτονοειδές επίπεδο κύμα. Το φίλτρο Gabor μπορεί να χαρακτηρίσει τη δομή της χωρικής συχνότητας μιας εικόνας, αλλά και να διατηρήσει πληροφορίες χωρικής σχέσης. Επιπλέον, καθώς το φίλτρο Gabor είναι αναλλοίωτο σε ζουμ, περιστροφή και μετάθεση, είναι κατάλληλο για την αναπαράσταση και αναγνώριση υφής. Στο χωρικό πεδίο, ένα 2D φίλτρο Gabor είναι μια γκαουσιανή συνάρτηση πυρήνα διαμορφωμένη από ένα ημιτονοειδές επίπεδο κύμα, το οποίο αποτελείται από ένα πραγματικό μέρος και ένα φανταστικό μέρος που αντιπροσωπεύει την ορθογώνια κατεύθυνση. Αυτά τα δύο μέρη μπορούν είτε να σχηματίσουν μια πολλαπλότητα είτε να χρησιμοποιηθούν ξεχωριστά.

Η εξαγωγή χαρακτηριστικών υφής με τη χρήση του φίλτρου Gabor περιλαμβάνει δύο κύριες διαδικασίες: το σχεδιασμό του φίλτρου και την εξαγωγή συνόλων χαρακτηριστικών υφής. Η διαδικασία απόκτησης χαρακτηριστικών υφής από μια εικόνα με χρήση του φίλτρου Gabor έχει ως εξής. Πρώτον, η εικόνα εισόδου διαιρείται σε μπλοκ. Δεύτερον, δημιουργούνται οι τράπεζες φίλτρων Gabor και, τρίτον, συντίθενται τα πρότυπα φίλτρων Gabor με κάθε μπλοκ εικόνας στο χωρικό πεδίο. Τέταρτον, κάθε μπλοκ εικόνας διέρχεται από τις εξόδους των προτύπων φίλτρων Gabor και "συμπυκνώνεται" στο χαρακτηριστικό υφής του μπλοκ εικόνας.

Εξαγωγή κτιρίων με βάση τη συνένωση του Point Cloud και των χαρακτηριστικών υφής

Χαρακτηριστικά του Point Cloud

Το σύστημα LiDAR παράγει έναν αριθμό σημείων θορύβου κατά την απόκτηση δεδομένων, τα οποία εμφανίζονται συνήθως ως ανωμαλίες στο υψόμετρο και επηρεάζουν την ακρίβεια της εξαγωγής κτιρίων. Για την αποθορυβοποίηση του Point Cloud και το φιλτράρισμα των ανωμαλιών, εφαρμόζεται διαδικασία επεξεργασίας. Έπειτα, εξάγονται τα χαρακτηριστικά του Point Cloud, τα οποία περιλαμβάνουν διάφορες ιδιοτιμές. Αντίθετα με τα ιδιοδιανύσματα, οι ιδιοτιμές διατηρούνται αναλλοίωτες κατά την περιστροφή και χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών για τα κτίρια. Επιπλέον, η πυκνότητα και το ύψος είναι κρίσιμα χαρακτηριστικά του Point Cloud. Επομένως, τα χαρακτηριστικά που βασίζονται στις ιδιοτιμές, την πυκνότητα και το ύψος εξάγονται ως δεδομένα αναφοράς.

Η ανάλυση των ιδιοτιμών και ιδιοδιανυσμάτων αποτελεί σημαντικό εργαλείο για τις αποφάσεις εξαγωγής, παρέχοντας πληροφορίες για τη δομή του περιβάλλοντος. Με βάση τα γειτονικά σημεία, υπολογίζεται ο πίνακας συνδιακύμανσης του κεντρικού σημείου, προσδιορίζοντας τις ιδιοτιμές του. Από αυτές, προκύπτουν διάφορα χαρακτηριστικά, όπως το άθροισμα ιδιοτιμών, η συνολική διακύμανση, η ανισοτροπία, η επιπεδότητα, η γραμμικότητα, η τραχύτητα της επιφάνειας και η σφαιρικότητα. Η ομοιομορφία της κατανομής των σημείων σε άξονες βοηθά στο διαχωρισμό δομών, όπως γραμμές ηλεκτροδότησης και κτίρια από τη βλάστηση. Επίσης, η επίπεδη δομή των σημείων έχει υψηλή τιμή επιπεδότητας, ενώ το χαρακτηριστικό αυτό είναι σημαντικό για την ανάκλαση του λέιζερ από την οροφή κτιρίων. Η πυκνότητα του νέφους σημείων στη γειτονιά διεισδυτικών στόχων, όπως η βλάστηση, αντανακλά την κατανομή του Point Cloud.

Ως εκ τούτου, οι προσόψεις των κτιρίων μπορούν να διακριθούν αποτελεσματικά, ενώ οι τυπικές αποκλίσεις των υψομέτρων στις σφαιρικές γειτονιές μπορούν να χρησιμοποιηθούν για τον εντοπισμό του εδάφους και άλλων οριζόντιων επιπέδων. Όλα τα προαναφερθέντα χαρακτηριστικά δείχνουν τις ιδιότητες των Point Clouds από την άποψη των ιδιοτιμών, των υψομέτρων και των πυκνοτήτων.

Εξαγωγή χαρακτηριστικών υφής βασισμένη στο χάρτη υψομέτρου

Η μελέτη πραγματοποιήθηκε με σκοπό τη μετατροπή του Point Cloud σε χάρτη υψομέτρων, προκειμένου να εξαχθούν χαρακτηριστικά υφής. Η διαδικασία μετασχηματισμού βασίστηκε στην κατανομή του υψομέτρου κάθε σημείου και πραγματοποιήθηκε με σχετική ευκολία. Αρχικά, οι συντεταγμένες των σημείων μετατράπηκαν σε εικόνα (ραστεροποίηση) σε έναν χάρτη υψομέτρων με κάναβο 1 μέτρου. Έπειτα, ορίστηκε ένα κατώφλι ύψους και υπολογίστηκε η υψομετρική διακύμανση κάθε εικονοστοιχείου. Σε περιπτώσεις όπου η διακύμανση ήταν χαμηλή, η μέση τιμή του υψομέτρου χρησιμοποιήθηκε ως τιμή αναφοράς. Σε αντίθετη περίπτωση, επιλέχθηκε ένα ενδιάμεσο σημείο στην κατανομή του ύψους ως τιμή αναφοράς. Σε πλέγματα με λίγα ή καθόλου σημεία, χρησιμοποιήθηκε η διάμεση τιμή ύψους των σημείων στον κοντινότερο γείτονα. Τέλος, οι τιμές αναφοράς κανονικοποιήθηκαν σε μια κλίμακα 0-255, δημιουργώντας έναν χάρτη υψομέτρου που αντανακλά την αρχική συλλογή σημείων (εικ. 1).

Wiki3 Pict1.png

εικ. 1 Απόδοση εικόνας από Point Cloud και χάρτης υψομέτρων

Αφού δημιουργήθηκε ο χάρτης υψομέτρων, αντίστοιχα χαρακτηριστικά υφής εξήχθησαν για την ανάλυση κτιρίων. Η μέθοδος του φίλτρου Gabor επιτρέπει την καταγραφή χαρακτηριστικών που αντιστοιχούν σε διάφορες χωρικές συχνότητες και προσανατολισμούς, κάνοντας δυνατή τη διάκριση μεταξύ των εικόνων. Στην παρούσα μελέτη, επιλέχθηκε ένα φίλτρο Gabor 2D για την ανάλυση χαρακτηριστικών υφής.

Επιλογή χαρακτηριστικών για τη μείωση του αριθμού των χαρακτηριστικών

Στην παρούσα εργασία, χρησιμοποιήθηκε ο αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization - PSO) για την επιλογή χαρακτηριστικών για τη μείωση της διάστασης των δεδομένων. Έχει παρατηρηθεί ότι τα μέλη μιας ομάδας φαίνεται να μοιράζονται πληροφορίες μεταξύ τους, γεγονός που οδηγεί σε αυξημένη αποδοτικότητα της ομάδας. Ένα σωματίδιο κινείται προς το βέλτιστο με βάση την τρέχουσα ταχύτητά του, την προηγούμενη εμπειρία του και την εμπειρία των γειτόνων του.

O PSO χρησιμοποιήθηκε για την εξαγωγή όσο το δυνατόν μεγαλύτερης ακρίβειας με λίγα χαρακτηριστικά. Για να βελτιωθεί η διαδικασία εκπαίδευσης, ο συνδυασμός χαρακτηριστικών ρυθμίστηκε από τον PSO και τα βελτιστοποιημένα αποτελέσματα μπορούσαν να ληφθούν επιλέγοντας τον συνδυασμό χαρακτηριστικών με το ελάχιστο σφάλμα ως τον καταλληλότερο. Τελικά, προέκυψε ένας λογικός συνδυασμός χαρακτηριστικών νέφους σημείων και υφής για την εξαγωγή κτιρίων και η όλη διαδικασία παρουσιάζεται στην εικόνα 2.

Wiki3 Pict2.png

εικ. 2 Η διαδικασία για το συνδυασμό χαρακτηριστικών

Ορισμός της αντικειμενικής συνάρτησης

Η παρούσα εργασία προτείνει τη χρήση μιας αντικειμενικής συνάρτησης προς επίτευξη υψηλής ακρίβειας εξαγωγής με ταυτόχρονη μείωση του αριθμού των χαρακτηριστικών. Η συγκεκριμένη συνάρτηση βασίζεται στο κριτήριο διάκρισης Fisher, το οποίο έχει αποδειχθεί ότι είναι αποτελεσματικό στην εξαγωγή κτιρίων. Η συνάρτηση αυτή μεγιστοποιεί τις διαφορές μεταξύ των κατηγοριών και ελαχιστοποιεί τις διαφορές εντός των κατηγοριών, προσδιορίζοντας με ακρίβεια την κατηγορία-στόχο από άλλες κατηγορίες.

Η μετατροπή των χαρακτηριστικών του Point Cloud σε διανύσματα είναι αναγκαία για την ανάλυση τους. Τα χαρακτηριστικά υφής παριστάνονται ως δισδιάστατες εικόνες, οι οποίες μπορούν να μετασχηματιστούν σε διανύσματα. Στη συνέχεια, αυτά τα δύο είδη χαρακτηριστικών ενσωματώνονται σε ένα διάνυσμα, ενώ μπορεί να ληφθεί μια υψηλότερη διάσταση διανύσματος χαρακτηριστικών κάθε σημείου με τον συνδυασμό των δύο διανυσμάτων. Επιπλέον, η αξία της αντικειμενικής συνάρτησης αποτελεί ένδειξη της ποιότητας της ταξινόμησης, με μεγαλύτερη τιμή να υποδηλώνει καλύτερη ποιότητα.

Εφαρμογή της προτεινόμενης μεθόδου

Η προτεινόμενη μέθοδος ήταν εύκολο να εφαρμοστεί και τα βασικά ζητήματα της εξαγωγής κτιρίων ήταν η συγχώνευση των χαρακτηριστικών του Point Cloud και της υφής, καθώς και η επιλογή των χαρακτηριστικών. Η διαδικασία της προτεινόμενης μεθόδου παρουσιάζεται ως εξής:

Βήμα 1: Εισαγωγή των εικόνων δοκιμής και υπολογισμός των διανυσμάτων χαρακτηριστικών του Point Cloud. Δημιουργία χαρτών υψομέτρων και εξαγωγή χαρακτηριστικών υφής μέσω του φίλτρου Gabor από αυτά.

Βήμα 2: Δημιουργία των δειγμάτων εκπαίδευσης και δοκιμής με βάση τη συγχώνευση του Point Cloud και των χαρακτηριστικών υφής,

Βήμα 3: Τυχαία δημιουργία του αρχικού πληθυσμού του PSO στο εύρος -10-10 μέσω δεκαδικής κωδικοποίησης και μετατροπή του σε δυαδική κωδικοποίηση,

Βήμα 4: Εξαγωγή κτιρίων και υπολογισμός της τιμής καταλληλόλητας κάθε σωματιδίου,

Βήμα 5: Λειτουργία του PSO:

Βήμα 5-1: Ενημέρωση της ταχύτητας κάθε σωματιδίου,

Βήμα 5-2: Αλλαγή του πληθυσμού σε μορφή δυαδικής κωδικοποίησης,

Βήμα 6: Διεξαγωγή εξαγωγής κτιρίων και υπολογισμός της τιμής καταλληλόλητας κάθε σωματιδίου,

Βήμα 7: Εάν η λύση είναι καλύτερη, αντικατάσταση του τρέχοντος σωματιδίου- διαφορετικά, διατήρησή του,

Βήμα 8: Αν έχει επιτευχθεί ο μέγιστος αριθμός επαναλήψεων μετάβαση στο βήμα 9, διαφορετικά, μετάβαση στο βήμα 5,

Βήμα 9: Εξαγωγή του βέλτιστου συνδυασμού χαρακτηριστικών και σύγκρισή του με άλλες μεθόδους εξαγωγής κτιρίων μέσω της ακρίβειας εξαγωγής.

Πειραματικά αποτελέσματα και συζήτηση

Το πειραματικό περιβάλλον σε αυτή τη μελέτη ήταν ένας υπολογιστής με CPU 2,30 GHz και 8 G RAM. Η λειτουργία επεξεργασίας δεδομένων πραγματοποιήθηκε με τη χρήση του λογισμικού MATLAB 2016a και VS2017. Η χειροκίνητη διαδικασία εξαγωγής πραγματοποιήθηκε με τη χρήση λογισμικού LiDAR και οπτικής ερμηνείας από ερευνητές με σχετική εργασιακή εμπειρία.

Πειραματική πλατφόρμα και πληροφορίες δεδομένων

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή τη μελέτη ήταν δεδομένα Point Cloud που ελήφθησαν από έναν σαρωτή λέιζερ Riegl LMS-Q780 στο Fuzhou της Κίνας. Τα πειραματικά δεδομένα περιλάμβαναν πέντε μη επικαλυπτόμενες αστικές περιοχές, οι οποίες περιείχαν κτίρια, βλάστηση και άλλους τύπους αντικειμένων. Δεδομένου ότι η υψηλή πυκνότητα του πειραματικού Point Cloud μπορεί να οδηγήσει σε μεγάλο όγκο υπολογισμών, ήταν απαραίτητο να μειωθεί η δειγματοληψία των δεδομένων προκειμένου αυτός να μειωθεί. Σύμφωνα με την πυκνότητα του Point Cloud μετά την υποδειγματοληψία, οι περιοχές δεδομένων χωρίστηκαν σε περιοχή χαμηλής πυκνότητας 1 και 2 (Low Density Region 1, 2 – LDR1, LDR2), περιοχή μέσης πυκνότητας (Medium Density Region - MDR), περιοχή υψηλής πυκνότητας 1 και 2 (High Density Region 1,2 – HDR1, HDR2).

Τα πειραματικά δεδομένα χρωματίστηκαν σύμφωνα με την υψομετρική απεικόνιση και τα αποτελέσματα της χειροκίνητης εξαγωγής φαίνονται στις εικόνες 3 έως 7.

Wiki3 Pict3.png

εικ. 3 Χρωματισμός υψομέτρου LDR1 και αποτελέσματα χειροκίνητης εξαγωγής

Wiki3 Pict4.png

εικ. 4 Χρωματισμός υψομέτρων LDR 2 και αποτελέσματα χειροκίνητης εξαγωγής

Wiki3 Pict5.png

εικ. 5 Χρωματισμός υψομέτρων MDR και αποτελέσματα χειροκίνητης εξαγωγής

Wiki3 Pict6.png

εικ. 6 Χρωματισμός υψομέτρων HDR 1 και αποτελέσματα χειροκίνητης εξαγωγής

Wiki3 Pict7.png

εικ. 7 Χρωματισμός υψομέτρων HDR 2 και αποτελέσματα χειροκίνητης εξαγωγής

Εξαγωγή χαρακτηριστικών υφής

Η διαδικασία εξαγωγής χαρακτηριστικών υφής με τη χρήση του φίλτρου Gabor στην παρούσα μελέτη παρουσιάζεται παρακάτω:

Στην εικόνα 8 παρουσιάζεται η διαδικασία του φίλτρου Gabor, όπου διαμορφώνεται με βάση διαφορετικές τιμές των παραμέτρων προσανατολισμού και συχνότητας. Διαφορετικά χαρακτηριστικά υφής μπορούν να προκύψουν μετά από συνένωση του χάρτη υψομέτρων με πρότυπα. Παρουσιάζεται μια ομάδα αποτελεσμάτων συνδυασμού παραμέτρων με την ίδια τιμή συχνότητας 0,2 και τον προσανατολισμό να κυμαίνεται από 0-5𝜋/6 μέσω βημάτων 𝜋/6, ενώ η τοπική απεικόνιση του κοινού μέρους παρουσιάζεται στη δεξιά πλευρά. Μπορεί να εξαχθεί το συμπέρασμα ότι η μεταβολή του συνδυασμού παραμέτρων προκάλεσε την αλλαγή της μονάδας συνέλιξης και είχε ως αποτέλεσμα διαφορές στα χαρακτηριστικά υφής, ειδικά στις ακμές και τις κορυφές των κτιρίων.

Wiki3 Pict8.png

εικ. 8 Εξαγωγή χαρακτηριστικών υφής με χρήση του φίλτρου Gabor

Συγκριτική ανάλυση και αξιολόγηση της ακρίβειας της εξαγωγής κτιρίων

Προκειμένου να αποδειχθεί η αποτελεσματικότητα της προτεινόμενης μεθόδου, τα πειραματικά αποτελέσματα συγκρίθηκαν με εκείνα που προέκυψαν με τη χρήση των GLCM (Gray Level Co-occurence Matrix), LBP (Local Βinary Patterns) και HoG για την εξαγωγή χαρακτηριστικών υφής. Στην παρούσα εργασία συγκρίθηκαν επίσης εκείνα της εξαγωγής κτιρίων με βάση μόνο τα χαρακτηριστικά του Point Cloud (On Point Cloud Features), της εξαγωγής κτιρίων χωρίς επιλογή χαρακτηριστικών (No Feature Selection) και της εξαγωγής κτιρίων με χρήση του λογισμικού ENVI (Environment for Visualising Images). Οι θέσεις εξαγωγής κτιρίων από διάφορες πειραματικές περιοχές παρουσιάζονται στις εικόνες 9 έως 13.

Wiki3 Pict9.png

εικ. 9 Αποτελέσματα εξαγωγής κτιρίων του LDR 1

Wiki3 Pict10.png

εικ. 10 Αποτελέσματα εξαγωγής κτιρίων του LDR 2

Wiki3 Pict11.png

εικ. 11 Αποτελέσματα εξαγωγής κτιρίων του ΜDR

Wiki3 Pict12.png

εικ. 12 Αποτελέσματα εξαγωγής κτιρίων του HDR 1

Wiki3 Pict13.png

εικ. 13 Αποτελέσματα εξαγωγής κτιρίων του HDR 2

Όπως φαίνεται στις εικόνες 9 έως 13, τα πειραματικά αποτελέσματα της προτεινόμενης μεθόδου ήταν ανώτερα από άλλες μεθόδους εξαγωγής υφής, όπως οι GLCM, HoG και LBP, καθώς και από τα λογισμικά NFS, OPCF και ENVI στις πέντε πειραματικές περιοχές, αφού παρήγαγε μικρότερο αριθμό σφαλμάτων. Επιπλέον, η προτεινόμενη μέθοδος διατήρησε καλύτερα το σχήμα και την εσωτερική ακεραιότητα του κτιρίου. Οι HoG και NFS δεν ήταν σε θέση να εξάγουν πλήρη κτίρια στο LDR1 και η προτεινόμενη μέθοδος διατήρησε καλύτερα την ακεραιότητα του μεγάλου σύνθετου κτιρίου στην επάνω αριστερή γωνία από ό,τι η LBP. Για το LDR2, η GLCM και η LBP δεν μπόρεσαν να εφαρμοστούν για την εξαγωγή κτιρίων και η προτεινόμενη μέθοδος παρήγαγε προφανώς πιο σωστά αποτελέσματα, ιδίως στον κόκκινο κύκλο στην εικόνα 10g, από άλλες μεθόδους. Για το MDR, μόνο το λογισμικό ENVI και η προτεινόμενη μέθοδος εξήγαγαν το πλήρες κτίριο στον κόκκινο κύκλο στην εικόνα 11g. Ωστόσο, στην περιοχή του κόκκινου κύκλου, η οποία φαίνεται στο Σχήμα 12δ, περισσότερα μη κτιριακά σημεία εξήχθησαν προφανώς ως κτιριακά σημεία και υπήρχαν επίσης κάποια διακριτά σφάλματα στις μη κτιριακές περιοχές για άλλες μεθόδους, ενώ η προτεινόμενη μέθοδος πέτυχε καλύτερα αποτελέσματα εξαγωγής, όπως φαίνεται στο Σχήμα 12ζ. Επιπλέον, περισσότερα κτίρια εξήχθησαν σωστά από τις μεθόδους GLCM, LBP και OPCF σε σχέση με άλλες μεθόδους στο HDR2, ενώ για την προτεινόμενη μέθοδο αυτό ήταν λιγότερο στις περιοχές του κόκκινου κύκλου στην Εικόνα 13g.

Συμπεράσματα

Στην παρούσα εργασία παρουσιάστηκε μια μέθοδος εξαγωγής κτιρίων που βασίζεται στο συνδυασμό του Point Cloud και των χαρακτηριστικών υφής, με τον υπολογισμό των τιμών των χαρακτηριστικών, του υψομέτρου και της πυκνότητας του Point Cloud και τη μετατροπή του Point Cloud σε χάρτη υψομέτρου. Το φίλτρο Gabor χρησιμοποιήθηκε για την εξαγωγή χαρακτηριστικών υφής με βάση το χάρτη υψομέτρου και τα χαρακτηριστικά μπορούσαν να αποδοθούν ξανά στο Point Cloud. Στη συνέχεια, το Point Cloud και τα χαρακτηριστικά υφής συγχωνεύτηκαν και έγινε επιλογή χαρακτηριστικών για την πραγματοποίηση ακριβέστερης και αποτελεσματικότερης εξαγωγής κτιρίων. Τα πειράματα έδειξαν ότι η συγχώνευση του Point Cloud και των χαρακτηριστικών υφής ήταν σε θέση να επιτύχει υψηλότερη ακρίβεια εξαγωγής από άλλες μεθόδους. Εκτός αυτού, λόγω του μεγάλου αριθμού χαρακτηριστικών, χρησιμοποιήθηκε ο PSO (αλγόριθμος βελτιστοποίησης σμήνους) για την επιλογή ενός καλύτερου συνδυασμού χαρακτηριστικών για την πραγματοποίηση της εξαγωγής κτιρίων από τοPoint Cloud. Σε σύγκριση με τα αποτελέσματα άλλων μεθόδων εξαγωγής κτιρίων, καθώς και των λογισμικών NFS, OPCF και ENVI, η ακρίβεια εξαγωγής με τη χρήση της προτεινόμενης μεθόδου θα μπορούσε να ικανοποιήσει κατά προτίμηση τις πρακτικές εφαρμογές. Συνοπτικά, η προτεινόμενη μέθοδος αποδείχθηκε αποτελεσματική και έγκυρη για την εξαγωγή κτιρίων, με ικανοποιητική ακρίβεια εξαγωγής, η οποία ξεπερνούσε πάντα το 87%. Θα μπορούσε να παρέχει έναν εύχρηστο και αποτελεσματικό τρόπο εξαγωγής κτιρίων σε αστικές περιοχές. Με βάση την παρούσα εργασία, θα πραγματοποιηθούν μελλοντικές εργασίες σχετικά με τη βελτιστοποίηση της μεθόδου εξαγωγής χαρακτηριστικών υφής σε ολόκληρη τη διαδικασία επεξεργασίας δεδομένων.

Προσωπικά εργαλεία