Lidar Nokta Bulutundan Ransac-Tabanlı Bina Çatı Düzlemi Çıkarımı İçin Bir Yaklaşım
Abstract
Son yıllarda önemi hızla artan 3B şehir modellerinde bina modellemesi LiDAR verisinin en yaygın uygulama alanları arasında yer almaktadır. Bu çalışmada, hava LiDAR verisinden 3B RANSAC (RANdom SAmple Consensus) algoritması ile çatı düzlemlerinin çıkarımı ve geriçatımı için veri odaklı bir yaklaşım önerilmiş ve iki farklı alanda (A1 ve A2) test edilmiştir. İlk olarak yer filtreleme yapılmıştır. Sonra, sınıflandırma ile tespit edilen bina sınıfı nokta bulutundan her bir binaya ait nokta kümesini çıkarmak için bölge büyüme bölütleme algoritması uygulanmıştır. Çıkarılan çatı düzlemsel yüzeylerde bulunan gürültü, DBSCAN (Density Based Spatial Clustering of Applications with Noise) algoritması kullanılarak tespit edilmiş ve silinmiştir. Doğruluk analizleri için, duyarlık (precision-p), bütünlük (recall-r) ve F-skor (F-score) değerleri hesaplanmıştır. A1 çalışma alanı için ortalama p, r ve F-skor değerleri sırasıyla, %86, %87 ve %85 olarak bulunmuştur. A2 çalışma alanı için bu değerler sırasıyla, %92, %93 ve %92 olarak bulunmuştur. Nokta yoğunluğunun daha yüksek olması ve bina çatı geometrisinin daha düzgün olması, A2 çalışma alanı sonuçlarını olumlu yönde etkilemiştir. Ayrıca, A2 çalışma alanında gürültünün daha başarılı bir şekilde tespiti sağlanmış ve dolayısıyla bu da doğruluk oranlarını artırmıştır.
Keywords
3B şehir modeli, LiDAR, RANSAC, Yer filtreleme, Bölütleme, Geriçatma
References
- Al-Zand, H. A. R. (2013). Bölümleyici kümeleme algoritmalarının farklı veri yoğunluklarında karşılaştırması (Yüksek Lisans Tezi), Gazi Üniversitesi Bilişim Enstitüsü, Ankara.
- Awrangjeb, M., & Lu, G. (2013, November). Building roof plane extraction from LiDAR data. In International Conference on Digital Image Computing: Techniques and Applications (DICTA), 2013. Proceedings. (pp. 1-8). IEEE.
- Awrangjeb, M., & Fraser, C. S. (2013). Rule-based segmentation of LiDAR point cloud for automatic extraction of building roof planes. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, II-3/W3, 1-6. doi: 10.5194/isprsannals-II-3-W3-1-2013.
- Axelsson, P. (2000). DEM generation from laser scanner data using adaptive TIN models. International Archives of Photogrammetry and Remote Sensing, 23(B4), 110–117.
- Bilgin, T. T., & Çamurcu, Y. (2005). DBSCAN, OPTICS ve K-Means kümeleme algoritmalarının uygulamalı karşılaştırılması. Politeknik Dergisi, 8(2), 139–145.
- Bretar, F. (2008). Feature extraction from LiDAR data in urban areas. J. Shan & C. K. Toth (Eds.), Topographic Laser Ranging and Scanning: Principles and Processing (pp. 403-418), CRC Press.
- Canaz, S., Karsli, F., Guneroglu A., & Dihkan, M. (2015, Mayıs). LiDAR verileri kullanılarak göl sınırlarının otomatik olarak belirlenmesi. TUFUAB III. Teknik Sempozyumu, 2015. (pp. 287–293).
- Carrilho, A., Ivanova, I., & Galo, M. (2017). Quality assessment for automatic LiDAR data classification methods. In XVIII SBSR–Simpósio Brasileiro de Sensoriamento Remoto, Santos–SP, Proceedings. (pp. 6772-6779).
- Chen, B., Shi, S., Sun, J., Gong, W., Yang, J., Du, L., Guo, K., Wang, B., & Chen, B. (2019). Hyperspectral lidar point cloud segmentation based on geometric and spectral information. Optics Express, 27(17), 24043-24059. doi: 10.1364/OE.27.024043.
- Chen, D., Zhang, L., Li, J., & Liu, R. (2012). Urban building roof segmentation from airborne LiDAR point clouds. International Journal of Remote Sensing, 33(20), 6497-6515. doi: 10.1080/01431161.2012.690083.
