Classificação De Nuvem De Pontos Laser Utilizando O Conceito De Análise De Componentes Principais E O Fator De Não Ambiguidade

Abstract

Resumo:Este artigo apresenta um método que realiza a classificação automática dos pontos amostrados por um sistema de varredura a LASER aerotransportado (SVLA). Nesse método são utilizados os autovalores da matriz de variâncias e covariâncias (MVC). Para o cálculo da MVC considerase uma vizinhança no entorno do ponto de interesse, a qual é determinada com base no conceito de entropia. A classificação é executada comparando os autovalores calculados, referentes a cada ponto e sua vizinhança, com os autovalores das estruturas ou classes predefinidas. Como medida de similaridade utiliza-se a distância euclidiana no espaço dos autovalores e, com o intuito de eliminar os pontos ambíguos, incorporou-se ao método o fator de não ambiguidade (FNA). Para avaliação do método proposto e implementado, utilizou-se um conjunto de dados LASER referente ao município de Presidente Prudente/SP, cuja densidade aproximada é de 8 pontos/m 2 . Os resultados mostram que mesmo diante da complexidade dos ambientes reais, algumas estruturas foram bem definidas. Com a incorporação do FNA foi possível identificar e eliminar pontos com alta probabilidade de pertencer a duas classes (pontos ambíguos), geralmente amostrados sobre vegetações, regiões com pequena densidade de pontos, próximos das regiões de bordas e sobre linhas de transmissão próximas as edificações. Por meio da avaliação quantitativa verificou-se que a incorporação do FNA ao método de classificação possibilitou diminuir a quantidade de pontos incorretamente classificados, principalmente para os maiores objetos. Além disso, foi possível verificar que o uso do FNA é interessante para áreas de vegetação, uma vez que grande parte dos pontos ambíguos são identificados.Palavras-chave: Classificação de pontos tridimensionais. Análise de componentes principais. Fator de não ambiguidade. Nuvens de pontos LASER.

Classification of Lidar Data Over Building Roofs Using K-Means and Principal Component Analysis

“…In the first three cases, the LiDAR points were classified by the k-means method, considering three different groups of measures, as described in Subsection 2.3 and in Table 2. In the fourth case, the classification step was performed through discriminant analysis, similar to that used by Santos and Galo (2016), using theoretical eigenvalues related to eight different classes, as presented in Gross and Thoennessen (2006). For purposes of comparison, the eight classes were subdivided into two groups: edge and non-edge points.…”

“…( 1)( 2)In this paper, three different groups of measures were explored. The first is composed of eigenvalues (λ1, λ2, λ3), as performed by Gross and Thoennessen (2006), Yang and Dong (2013), and Santos and Galo (2016). The second is formed by linearity and planarity measures (Lλ, Pλ), and the last is composed only by linearity measure (Lλ).…”

“…In this work, the neighborhood is determined considering a sphere with a radius R centered on a point of interest. The radius value is obtained automatically using the concept of entropy, as performed by Demantke et al (2011), Yang and Dong (2013), and Santos and Galo (2016).…”