بررسی کارایی روشهای طبقه بندی SVM و KNN در استخراج عوارض شهری از ابر نقاط لیدار

امروزه سه بعدی سازی به کمک ابر نقاط لیدار در زمینه هایی از جمله استخراج عوارض شهری، مدیریت شهری، بازی های رایانه ای و ... کاربرد زیادی دارد و از این رو زمینه تحقیق بسیاری را فراهم آورده است. روش های بسیاری برای ایجاد مدل سه بعدی وجود دارد. استفاده از داده های تصویر (تک تصویر، تصاویر استریو، تصاویر چندگانه)، روش های مبتنی بر لیدار و همچنین استفاده از داده های چند سنجنده از جمله روش های ایجاد مدل سه بعدی هستند. در سه بعدی سازی هدف افزایش دقت در بخش بندی و طبقه بندی و بازسازی مدل است، لذا افزایش دقت در هر بخش، افزایش دقت سه بعدی سازی را به همراه خواهد داشت. در همین راستا نیاز به تحقیقات گسترده و دقیق در حوزه ی طبقه بندی داده ها وجود دارد. منظور از طبقه بندی، برچسب گذاری نواحی بر اساس ویژگی های مشابه اشیاء است. لیدار یک تکنولوژی نسبتا جدید برای تولید داده های مکانی به کمک سنجنده فعال و مبتنی بر اشعه لیزر است. لیدار با ارسال اشعه لیزر به سطح اشیاء و محاسبه ی فاصله آن ها اطلاعات سطح اشیاء را جمع آوری می کند. هدف از این تحقیق اجرای الگوریتم های k امین نزدیک-ترین همسایگی (KNN) و ماشین بردار پشتیبان به منظور مقایسه دقت طبقه بندی عوارض شهری و مبتنی بر ویژگی-های لیدار ، تصویر ، مقادیر ویژه و... است. با بررسی نتایج حاصل از پیاده سازی الگوریتم های فوق، الگوریتم SVM با دقت کلی 79.66 و ضریب کاپای 00.72 در طبقه بندی نقاط ابری لیدار کاراتر است.

Keywords:

طبقه بندی , یادگیری ماشین , نقاط ابری , ماشین بردار پشتیبان , K امین نزدیک ترین همسایگی