УДК: 
DOI: 
10.22389/0016-7126-2020-961-7-47-55
1 Юнусов А.Г.
2 Дждид А.Д.
3 Бегляров Н.С.
4 Елшеви М.А.
Год: 
№: 
961
Страницы: 
47-55

Государственный университет по землеустройству

1, 
2, 
3, 
4, 
Аннотация:
Наземное лазерное сканирование как метод сбора трёхмерной геопространственной информации обладает множеством преимуществ. Главные недостатки этого метода в настоящее время – низкая степень автоматизации камерального этапа и большой объём данных. Поскольку избыточный объём данных необходимо где-то хранить и как-то обрабатывать, возникает вопрос: существует ли наиболее оправданный с технической точки зрения минимальный порог избыточности для применения автоматизированных алгоритмов без привлечения мощностей суперкомпьютеров? В статье рассмотрен один из способов оптимизации затрат на обработку слишком большого объёма данных. Исследованы четыре алгоритма автоматической сегментации при разной плотности облака точек. Результаты исследования проанализированы, и предложены рекомендации по выбору плотности сканирования и методу сегментации с учётом требуемой детальности будущей 3D-модели, а также формы, размера, материалов и цветов моделируемого объекта.

Список литературы: 
1.   Велижев А. Б., Шаповалов Р. В., Потапов Д., Третьяк Л., Конушин А. С. Автоматическая сегментация облаков точек на основе элементов поверхности // GraphiCon. – 2009. – № 5. – С. 241–245.
2.   Джадид А. Контроль качества трёхмерной модели памятника архитектуры, полученной на основе данных наземного лазерного сканирования // Землеустройство, кадастр и мониторинг земель. – 2018. – № 2. – С. 56–63.
3.   Дждид А. Д. Обзор методов сегментации и классификации облака точек архитектурных объектов // Изв. вузов. Геодезия и аэрофотосъёмка. – 2019. – № 1. – С. 52–59. DOI: 10.30533/0536-101X-2019-63-1-52-59.
4.   Комиссаров А. В. Теория и технология лазерного сканирования для пространственного моделирования территорий: Дис. на соиск. уч. степ. д-ра техн. наук: 25.00.34 – Новосибирск: СГУГиТ, – 2015. – 278 c.
5.   Кочнева А. А. Разработка модифицированных цифровых моделей рельефа по данным воздушного лазерного сканирования для проектирования автодорог: Дис. на соиск. уч. степ. канд. техн. наук: 25.00.32 – СПб.: Санкт- Петербургский государственный горный университет, – 2018. – 144 c.
6.   Литвинов К. Ф. Лазерное сканирование архитектурных объектов // Сб. докладов XVIII Междунар. науч.-практ. конф. – 2012. – № 18. – С. 287–288.
7.   Середович В.А., Комиссаров А.В., Комиссаров Д.В., Широкова Т.А. Наземное лазерное сканирование – Новосибирск: СГГА, – 2009. – 261 c.
8.   Тулупьев А. Л., Николенко С. И. Самообучающиеся системы – М.: МЦНМО, – 2009. – 288 c.
9.   Шаповалов Р. В., Велижев А. Б., Баринова О. В., Конушин А. С. Семантическая сегментация данных лазерного сканирования // Программные продукты и системы. – 2012. – № 1. – С. 47–51.
10.   Boardman C. (2018) 3D Laser Scanning for Heritage Historic England, England, Swindon, 119 p.
11.   Castillo E., Liang J., Zhao H. (2013) Point Cloud Segmentation and Denoising via Constrained Nonlinear Least Squares Normal Estimates // Innovations for Shape Analysis. 1, pp. 283-299. DOI: 10.1007/978-3-642-34141-0_13.
12.   Che E., Olsen M. (2017) Fast edge detection and segmentation of terrestrial laser scans through normal variation analysis // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 4, pp. 51-57. DOI: 10.5194/isprs-annals-IV-2-W4-51-2017.
13.   Grilli E., Menna F., Remondino F. (2017) A review of point clouds segmentation and classification algorithms // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 42, pp. 339-344. DOI: 10.5194/isprs-archives-XLII-2-W3-339-2017.
14.   Jagannathan A., Miller E. (2007) Three-dimensional surface mesh segmentation using curvedness-based region growing approach // IEEE Transactions on Pattern Analysis and Machine Intelligence. 29, pp. 2195-2204. DOI: 10.1109/TPAMI.2007.1125.
15.   Kucak R., Ozdemir E., Erol S. (2017) The segmentation of point clouds with K-means and ANN (artifical neural network) // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 42, pp. 595-598. DOI: 10.5194/isprs-archives-XLII-1-W1-595-2017.
16.   Li L., Yang F., Zhu H., Li D., Li Y., Tang L. (2017) An improved RANSAC for 3D point cloud plane segmentation based on normal distribution transformation cells // Remote Sens. 9, pp. 433-449. DOI: 10.3390/rs9050433.
17.   Liu Y., Xiong Y. (2008) Automatic segmentation of unorganized noisy point clouds based on the gaussian map // Computer-Aided Design. 40, pp. 576-594. DOI: 10.1016/j.cad.2008.02.004.
18.   Lu X., Yao J., Tu J., Li K., Li L., Liu Y. (2016) Pairwise Linkage for Point Cloud Segmentation // ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences. 3, pp. 201-208. DOI: 10.5194/isprsannals-III-3-201-2016.
19.   Martino M., Hernandez G., Fiori M., Fernandez A. (2013) A new framework for optimal classifier design // Pattern Recognition-Elsevier. 8, pp. 2249-2255. DOI: 10.1016/j.patcog.2013.01.006.
20.   Nguyen A., Le B. (2013) 3D point cloud segmentation: A survey. Proceedings of the 6th International Conference on Robotics, Automation and Mechatronics. Manila, Philippines pp. 255-230. DOI: 10.1109/RAM.2013.6758588.
21.   Rabbani T., Heuvelb F., Vosselman G. (2006) Segmentation of point clouds using smoothness constraint // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 36, pp. 248-253.
22.   Sithole G., Vosselman G. (2004) Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 59, pp. 85-101. DOI: 10.1016/j.isprsjprs.2004.05.004.
Образец цитирования:
Юнусов А.Г., 
Дждид А.Д., 
Бегляров Н.С., 
Елшеви М.А., 
Оценка влияния изменения плотности облака точек на точность автоматической сегментации // Геодезия и картография. – 2020. – № 7. – С. 47-55. DOI: 10.22389/0016-7126-2020-961-7-47-55