Classification of photogrammetric point cloud data with machine learning

Year 2022, Volume 9, Issue 2, 137 - 149, 01.11.2022

Muhammed Enes ATİK Ömercan GÜNGÖR Engin KESKİN Zaide DURAN

https://doi.org/10.9733/JGG.2022R0010.T

Abstract

Today, thanks to the development of science and technology, the three-dimensional earth reality has been modeled and a new page has been opened in map production. Especially with the development of photogrammetric methods, point clouds have started to be used in many areas. Extraction of information from point clouds has become important with the growth of data sizes and the spread of usage areas. Since point cloud data consists of a large number of points, learning-based approaches have been used to classify these data. When learning-based approaches are used for the classification process, the distinguishability of the objects in the point cloud from each other increases and provides convenience and reliability for studies. The usage of machine learning, which has powerful mathematical algorithms, comes first in order to analyze complex data. Within the scope of this study, point cloud data was produced by using aerial photographs taken from unmanned aerial vehicle of the region determined in Istanbul Technical University Ayazağa Campus and classified according to four classes (building, tree, vehicle and ground level objects). This classification process has been done by using Random Forest (RF) and Multi-Layer Perceptron (MLP) algorithms from machine learning algorithms. The overall accuracy was 78.54% with the RF algorithm, and 89.88% with the MLP algorithm.

Keywords

Photogrammetry, Point cloud, Machine learning, Unmanned aerial vehicle, Accuracy assessment

Fotogrametrik nokta bulutu verisinin makine öğrenmesi ile sınıflandırılması

Abstract

Günümüzde bilim ve teknolojinin gelişmesi sayesinde üç boyutlu yeryüzü gerçekliği modellenebilmiş ve harita üretiminde yeni bir sayfa açılmıştır. Özellikle fotogrametrik yöntemlerin gelişmesi ile nokta bulutları birçok alanda kullanılmaya başlanmıştır. Veri boyutlarının büyümesi ve kullanım alanlarının yaygınlaşması ile nokta bulutlarından bilgi çıkarımı önemli hale gelmiştir. Nokta bulutu verileri çok sayıda noktadan oluştuğundan dolayı bu verilerin sınıflandırılması için öğrenme temelli yaklaşımlar kullanılmaya başlanmıştır. Sınıflandırma işlemi için öğrenme temelli yaklaşımlar kullanıldığında, nokta bulutunda yer alan objelerin birbirinden ayırt edilebilirliği artmakta ve model üzerinden yapılacak çalışmalar için kolaylık ve güvenilirlik sağlamaktadır. Karmaşık yapıdaki verinin çözümlenmesi için güçlü matematiksel algoritmalara sahip olan makine öğrenimi kullanımı ilk sıralarda gelmektedir. Bu çalışma kapsamında İstanbul Teknik Üniversitesi Ayazağa Kampüsü içerisinde belirlenen bölgeye ait insansız hava aracı fotoğrafları kullanılarak nokta bulutu verisi üretilmiş ve dört sınıfa (bina, ağaç, araç ve yer seviyesi objeleri) göre sınıflandırılmıştır. Bu sınıflandırma işlemi, makine öğrenmesi algoritmalarından Rastgele Orman (RO) ve Çoklu Katman Algılayıcı (ÇKA) algoritmaları kullanılarak yapılmıştır. Kullanılan bu iki farklı algoritmadan RO algoritması ile genel doğruluk %78.54, ÇKA algoritması ile genel doğruluk %89.88 oranında elde edilmiştir.

Keywords

Fotogrametri, Nokta bulutu, Makine öğrenmesi, İnsansız hava aracı, Doğruluk analizi

References

• Abdullah, M. H. A., Othman, M., Kasim, S., Saharuddin, S. S., & Mohamed, S. A. (2020). A spiking neural networks model with fuzzy-weighted K-nearest neighbour classifier for real-world flood risk assessment. In International Conference on Soft Computing and Data Mining, 222-230.
• Akar, Ö., & Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
• Alpaydin, E. (2010). Introduction to machine learning (2nd Edition). MIT press.
• Arı, A., & Berberler, M. E. (2017). Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı. Acta Infologica, 1(2), 55-73.
• Atik, M. E., & Duran, Z. (2021). Classification of Aerial Photogrammetric Point Cloud Using Recurrent Neural Networks. Fresenius Environmental Bulletin, 30(4 A), 4270-4275.
• Atik, M. E., Duran, Z., & Seker, D. Z. (2021). Machine Learning-Based Supervised Classification of Point Clouds Using Multiscale Geometric Features. ISPRS International Journal of Geo-Information, 10(3), 187.
• Becker, C., Rosinskaya, E., Häni, N., d'Angelo, E., & Strecha, C. (2018). Classification of aerial photogrammetric 3D point clouds. Photogrammetric Engineering & Remote Sensing, 84(5), 287-295.
• Belgiu, M., Tomljenovic, I., Lampoltshammer, T. J., Blaschke, T., & Höfle, B. (2014). Ontology-based classification of building types detected from airborne laser scanning data. Remote Sensing, 6(2), 1347-1366.
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
• Cabo, C., Ordóñez, C., Sáchez-Lasheras, F., Roca-Pardiñas, J., & de Cos-Juez, J. (2019). Multiscale supervised classification of point clouds with urban and forest applications. Sensors, 19(20), 4523.
• Donmez, S. O., Ipbuker, C. (2018) Investigation on Agent Based Models for Image Classification of Land Use and Land Cover Maps, Proceedings. 39th Asian Conference on Remote Sensing: Remote Sensing Enabling Prosperity, ACRS 2018, 4, pp. 2005–2008.
• Guo, B., Huang, X., Zhang, F., & Sohn, G. (2015). Classification of airborne laser scanning data using JointBoost. ISPRS Journal of Photogrammetry and Remote Sensing, 100, 71-83.
• Hastie, T., Tibshirani, R., & Friedman, J. (2010). The elements of statistical learning: data mining, inference, and prediction (Second Edition). Springer Science & Business Media.
• Li, X., Cheng, X., Chen, W., Chen, G., & Liu, S. (2015). Identification of forested landslides using Lidar data, object-based image analysis, and machine learning algorithms. Remote sensing, 7(8), 9705-9726.
• Lin, C. H., Chen, J. Y., Su, P. L., & Chen, C. H. (2014). Eigen-feature analysis of weighted covariance matrices for Lidar point cloud classification. ISPRS Journal of Photogrammetry and Remote Sensing, 94, 70-79.
• Plaza-Leiva, V., Gomez-Ruiz, J. A., Mandow, A., & García-Cerezo, A. (2017). Voxel-based neighborhood for spatial shape pattern classification of Lidar point clouds with supervised learning. Sensors, 17(3), 594.
• Qin, W., Guo, W., Liu, X., & Zhao, H. (2019). A Novel Scheme for Recruitment Text Categorization Based on KNN Algorithm. In International Conference on Smart Computing and Communication, 376-386.
• Vosselman, G., Coenen, M., & Rottensteiner, F. (2017). Contextual segment-based classification of airborne laser scanner data. ISPRS journal of photogrammetry and remote sensing, 128, 354-371.
• Weinmann, M., Jutzi, B., Hinz, S., & Mallet, C. (2015). Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers. ISPRS Journal of Photogrammetry and Remote Sensing, 105, 286-304.
• URL-1: https://scikit-learn.org/stable/modules/neural_networks_supervised.html