Klassifisering av objekt i urbane områder ved bruk av høyoppløselige laserdata
Master thesis
![Thumbnail](/nmbu-xmlui/bitstream/handle/11250/218092/gammelby2014.pdf.jpg?sequence=4&isAllowed=y)
View/ Open
Date
2014-08-26Metadata
Show full item recordCollections
- Master's theses (RealTek) [1826]
Abstract
En trend som har gjort seg gjeldene de siste årene i flybåren laserskanning er etterspørselen etter punktskyer med høyere tetthet. Ved å fly lavere og saktere er det mulig med dagens sensorer å fremstille punktskyer med en tetthet på inntil 50punkt/m2. Med en slik høytetthet åpner det seg en rekke nye muligheter om hva slags informasjon som kan hentes ut
av punktskyene.
I denne oppgaven ble det forsøkt å fremstille metoder, på bakgrunn av forskjellige
programvarer og tilnærminger, for klassifisering av utvalgte objekt i urbane områder ved
bruk av slike høyoppløselige laserdata. I dette tilfellet ble sett nærmere på fortauskanter,
takkanter og fasadeliv. Programvaren som ble benyttet for fremstillingen av metodene var
TerraScan, LIS og GRASS GIS. Den gjennomsnittlige punktettheten til datasettet benyttet
i denne oppgaven var på 43punkt=m2.
For fortauskantene ga metoden utviklet i LIS en tilfredsstillende nøyaktighet, men det
ble observert at objekter som biler og tett vegetasjon påvirket fullstendigheten til det
endelige resultatet.
For takkantene gav ingen av de fremstilte metodene et tilfredstillende resultat. På
bakgrunn av en videre analyse av resultatet kan det se ut til at metoden fra TerraScan kan forbedres hvis det blir funnet en bedre måte å fitrere ut vegetasjonen på.
For fasadelivet ble det konkludert med at til tross for at det var en svært høy punktetthet
i dette tilfellet var det fortsatt vanskelig å få tilstrekkelig med punkt på veggene
grunnet vegetasjon og fl yretningen.
Over the past few years there has been a growing demand for high-resolution LiDAR for
different purposes. By flying lower and slower it is possible with todays systems to collect
point densities up until 50points=m2. Such high point density opens up a whole new world
of classi cation of di erent objects.
The goal of this thesis was to delevope methods, by the use of di erent software and
approaches, for the classi cation of selected objects from high-resolution LiDAR. I this
thesis curbstones, roof edges and the trendline along the building façade were closer examined.
The software chosen for the development of the methods were TerraScan, LIS and
GRASS GIS. The average point density in this dataset was 43points=m2.
For the curbstones the method developed by the use of LIS gained the best result. It
was noticed also that objects like cars and vegetation a ected the completeness of the nal
result.
For the roof edges none of the developed methods gained a precise enough result. Based
on further analysis of the results it would appear that the method of TerraScan can be
used if found a better way to lter out vegetation than used in this thesis.
For the trendline along the building façade it was concluded that despite the fact that
the point density in this case was very high, it was still di cult to get enough points on
the walls due to vegetation and the ight path.