این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۵، شماره ۹۸، صفحات ۱۵-۲۳
عنوان فارسی روشی نوین به منظور طبقه بندی داده های چند بازگشتی لایدار با استفاده از اطلاعات هندسی مجاورتی و فضای پدیده
چکیده فارسی مقاله داده‌های اخذ شده توسط سیستم‌های لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتاً بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم می‌آورند. طبقه‌بندی و تفکیک داده‌های ابر نقطه به عوارض سازنده‌ی ‌محیط، نقش مهمی در روند مدلسازی سه‌بعدی عوارض ایفا می‌کند. در مقاله پیش رو، مسأله‌ی تفکیک ابرنقاط بعنوان یک فرایند طبقه‌بندی نظارت‌شده مدنظر قرار گرفته شده است؛ روند اجرایی در روش پیشنهادی مبتنی بر سه گام بوده که در گام نخست، برای هر نقطه‌از ابرنقاط مجموعه‌ای از ویژگی‌ها مبتنی بر تحلیل‌های مجاورتی تولید می‌گردد. در گام دوم، ویژگی‌های بهینه به کمک داد‌ه‌های آموزشی و فضای پدیده استخراج شده و در نهایت، طی یک الگوریتم خوشه‌بندی، با استفاده از ویژگی‌های استخراج شده، داده‌های ابر نقطه به کلاس‌های مد نظر طبقه‌بندی می‌گردند. از این روش بمنظور طبقه‌بندی ابر نقاط چندبازگشتی لایدار مربوط به یک منطقه‌ی شهری استفاده شد که نتایج طبقه‌بندی، دقت کلی معادل 15/93درصد و ضریب کاپای 89/0 را نشان دادند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A novel method for classification of multi returns LiDAR data using geometrical-contextual information and prototype space
چکیده انگلیسی مقاله High accuracy and huge density of 3D points cloud acquired by airborne Lidar makes them as a good and suitable tool in order to analyze of terrain surface. In this procedure, points cloud clustering is a fundamental step in the procedure of information extraction form LiDAR's data. In this paper a novel method is proposed for supervised classification of LiDAR points cloud based on contextual analysis on LiDAR points. The proposed method consists of three main steps. In the first step, a set of contextual features are produced for each points in LiDAR data. In second step, optimum feature selection is done in the modified prototype space using a new strategy. The last step is conducted to a simple k-means clustering on the feature space spanned by optimum contextual clusters. An urban area with the residential texture has been used as the case study to evaluation of the proposed method. The results indicate proper classification accuracies. The overall accuracies and kappa coefficients was 93.15% and 0.89 respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علیرضا صفدری نژاد |
دانشجوی دکترای مهندسی نقشه برداری، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

مهدی مختارزاده |
استادیار گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

محمدجواد ولدان زوج | mohammad javad valadan zoej
استاد گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://www.sepehr.org/article_22127_fe284e3db77cbe97d6e3b29f147b8c8f.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات