برچسب گذاری معنایی سه بعدی ابرنقاط براساس قطعه بندی گسترش ناحیه و توصیفگرهای هندسی و ساختاری

امروزه پردازش خودکار ابرنقاط ازجمله موضوعات مهم و پرچالش در فتوگرامتری و سنجش ازدور می باشد. لایدار به عنوان یک سنجنده فعال توانایی اخذ مستقیم ابرنقطه دارای مختصات سه بعدی با دقت بالا را دارد. با گسترش تکنولوژی و نرم افزارهای پردازش تصویر امکان تولید ابرنقاط با دقت بالا براساس تناظریابی چگال از مناطق همپوشانی تصاویر هوایی نیز فراهم گشته است. پردازش های مربوط به ابرنقاط نظیر قطعه بندی و کلاسه بندی عموما دارای هزینه محاسباتی بالایی بوده و زمان بر می باشند. ازاین رو ارائه روندی کاربردی که بتواند با سرعت پردازش بالا به دقت مناسبی دست یابد، همواره مطلوب کارشناسان بوده است. در این مقاله روندی با رویکردی متفاوت جهت قطعه بندی ابرنقاط مطرح شد و سپس با بهره گیری از مفهوم شی ءگرایی روندی برای کلاسه بندی قطعات شناسایی شده، ارائه گشت. در این راستا، ابتدا تراکم ابرنقاط کاهش یافته و سپس قطعه بندی براساس گسترش ناحیه و با استفاده از میزان انحنا و بردار نرمال صورت گرفت. با برچسب گذاری نقاط کنارگذاشته شده در مرحله کاهش تراکم براساس جستجوی دقیق اطراف نقاط قطعه بندی شده، نتیجه نهایی قطعه بندی حاصل گشت. در مرحله بعد برای قطعات شناسایی شده، توسیف گرهایی براساس ویژگی های هندسی و ساختاری عوارض مختلف معرفی و تولید شد. درنهایت نیز برای کلاسه بندی قطعات شناسایی شده از الگوریتم KNN استفاده شد. روند پیشنهادی در 6 ناحیه مطالعاتی پیاده سازی شده و مورد ارزیابی قرار گرفت. ارزیابی نتایج دقت متوسط %42/91 برای شناسایی سه کلاس ساختمان، پوشش گیاهی و سطح زمین را نشان داد که حاکی از قدرت بالای روند پیشنهادی است.