Classification of point clouds acquired through mobile laser scanner in urban areas using geometric and shape features
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Geomatik Mühendisliği A.B.D., Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: İngilizce
Öğrenci: SEMANUR SEYFELİ
Danışman: Ali Özgün Ok
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.