Search

Bina sınırlarını yersel yöntem veya uzaktan algılama verilerinden manuel olarak belirlemek zaman alıcı ve çaba gerektiren bir işlemdir. İlgili veri kaynaklarından bina sınırı çıkarımı harita temel altlığı olması bakımından son derece önemlidir. Eşleştirme ve lazer tarama ile üretilen nokta bulutları, yoğun ve doğruluğu yüksek üç boyutlu (3B) konum bilgisi sağlamaktadır. Binaların 3B nokta bulutundan otomatik çıkarılması oldukça zor bir problemdir. Otomatik veri işleme, harita üretiminde işlem süresi, maliyet ve operatör hatasının azaltılmasına önemli ölçüde katkı sağlamaktadır. Bu çalışmada, sekizdal (Octree) veri organizasyon metodu çalışma prensibi otomatize edilmek suretiyle geliştirilen ve önerilen yeni yaklaşımla (iyileştirilmiş Octree, I-Octree), fotogrametrik görüntülerden üretilen nokta bulutları ve kıyas amaçlı LiDAR nokta bulutları kullanılarak bina detayı otomatik çıkarımı ve sayısallaştırılması hedeflenmiştir. Bu hedefe ulaşmak için: (i) büyük hacimli 3B nokta bulutunun görüntülerden üretilmesi veya LiDAR nokta bulutu temin edilmesi; (ii) nokta bulutundan zemin ve zemin üstü objelerin SMRF ile ayrılması; (iii) DBSCAN algoritması ile bina objelerinin sınıflandırılması; (iv) sekizdal ve iyileştirilmiş sekizdal (I-Octree) yönteminin sınıflandırılan objelere uygulanması ile bina detaylarının çıkarılması ve (v) ABORE ile bina kenarlarının düzgünleştirilmesine odaklanılmıştır. Önerilen yaklaşım, Elazığ ve Erzurum test alanında fotogrametrik nokta bulutları, Kaliforniya test alanında ise LiDAR nokta bulutu üzerinde uygulanmıştır. Tüm test alanları için 1/1000 ve 1/5000 ölçekli hâlihazır haritalar referans verisi olarak kullanılmıştır. Tamlık (Cp), doğruluk (Cr), kalite (Q) ve F-skor (F-1) metrikleri ile obje tabanlı doğrulama yapılmıştır. Test alanlarında doğrulama sonuçları fotogrametrik nokta bulutlarında her bir metrik için maksimum %94 üzerinde iken, LiDAR nokta bulutu test alanında ise bu değer %99 üzerinde olmaktadır. Doğrulama sonucunda, önerilen yaklaşımın test alanlarında seçilen binaları yüksek doğrulukla çıkarabildiği görülmektedir. Sonuç olarak, önerilen yaklaşımla farklı yoğunluktaki nokta bulutlarından otomatik bir biçimde bina detay çıkarımı ve sayısallaştırma işleminin gerçekleştirilebileceği ortaya çıkarılmıştır., Determining the building boundaries manually from terrestrial method or remote sensing data is time-consuming and demanding. Building boundary extraction from relevant data sources is extremely important as it is a map base. Point clouds produced by matching and laser scanning provide dense and highly accurate three-dimensional (3D) position information. Automatic extraction of buildings from the 3D point cloud is a very difficult problem. Automatic data processing contributes significantly to reducing processing time, cost and operator error in map production. In this study, it is aimed to automatically extract and digitize building details by using point clouds produced from photogrammetric images and LiDAR point clouds for comparison purposes, with the new approach (improved Octree, I-Octree) developed and proposed by automating the working principle of the Octree data organization method. To achieve this goal: (i) generating a large volume of 3D point cloud from images or providing a LiDAR point cloud; (ii) separation of ground and above ground objects from the point cloud by SMRF; (iii) classification of building objects by DBSCAN algorithm; (iv) extracting building details by applying the octagon and improved octree (I-Octree) method to classified objects; and (v) smoothing building edges with ABORE is focused. The proposed approach was applied on photogrammetric point clouds in Elazig and Erzurum test area and on LiDAR point cloud in California test area. Reference maps with scales of 1/1000 and 1/5000 were used as reference data for all test areas. Object-based validation was performed with completeness (Cp), accuracy (Cr), quality (Q) and F-score (F-1) metrics. In the test areas, the verification results are above a maximum of 94% for each metric in photogrammetric point clouds, while this value is above 99% in the LiDAR point cloud test area. As a result of the validation, it is seen that the proposed approach can extract the selected buildings in the test areas with high accuracy. As a result, it has been revealed that with the proposed approach, building detail extraction and digitization can be performed automatically from point clouds of different densities.

Doktora Tezi, Hava LiDAR (Light Detection and Ranging) nokta bulutlarının filtrelenmesi ve sınıflandırılması için birçok teknik geliştirilmiştir. Hesaplama verimliliği ve doğruluğun iyileştirilmesi, LiDAR nokta bulutları ile çalışırken üzerinde durulması gereken etkenlerin başındadır. Derin öğrenme teknikleri son yıllarda görüntü sınıflandırma alanında yoğun şekilde kullanılmaya başlamıştır. Elde edilen yüksek doğruluk ve son teknoloji grafik işlemcileri sayesinde hesaplama yükünün hafiflemesi ile araştırmacılar LiDAR nokta bulutlarını sınıflandırma çalışmalarını makine öğrenmesi alanına özellikle de derin sinir ağlarına kaydırmıştır. Bu tez çalışmasının amacı derin öğrenme tekniği kullanılarak 3 boyutlu (3B) LiDAR nokta bulutlarının filtrelenmesi ve sınıflandırılmasıdır. Derin öğrenme tekniklerinin görüntü işlemedeki gücünden faydalanmak için 3B LiDAR verisini 2 boyutlu (2B) görüntüye çeviren bir teknik önerilmiştir. LiDAR verilerine derin sinir ağına girdi olarak verilmeden uygulanan ön işlemlerden bahsedilmiştir. Sonraki aşamada piksel bazlı sınıflandırma yapılmış, en son aşamada ise sınıflar tekrar 3B nokta bulutuna aktarılmıştır. Eğitim ve test verisi olarak Norveç'in Bergen şehrine ve Kanada'nın Surrey şehrine ait Dayton Annotated Laser Earth Scan (DALES) LiDAR nokta bulutları kullanılmıştır. Doğruluk metrikleri olarak Precision (Kesinlik), Recall (Duyarlılık) ve F1 puanı hesaplanmış ve Bergen veri seti için sırasıyla ortalama 0.89, 0.84 ve 0.86 ve DALES veri seti için sırasıyla 0.86, 0.89 ve 0.87 değerleri elde edilmiştir. Ayrıca, önerilen yöntemin sınıflandırma performansı çeşitli ticari yazılımların nokta bulutu filtreleme algoritmaları ile kıyaslanmıştır., Many techniques have been developed for filtering and classifying airborne LiDAR (Light Detection and Ranging) point clouds. Computing efficiency and accuracy are key factors that need to be addressed when working with LiDAR point clouds. Deep learning techniques have been used extensively in image classification in recent years. With the resulting high accuracy and reduced computational burden, the researchers shifted their focus to machine learning techiques for classification of LiDAR point clouds , especially deep neural networks. This thesis aims to create a neural network that classify and filter 3D LiDAR point clouds using deep learning techniques. To take the advantage of the power of deep learning techniques in image processing, a new workflow including conversion method of 3D LiDAR data to 2D images was proposed. Before the LiDAR data is given as input to the deep neural network, the preprocessing steps applied to the data are mentioned. In the next stage, pixel-based classification was made, and at the last stage, the class labels were transferred to the 3D point cloud again. LiDAR point cloud of Bergen city of Norway and DALES dataset, which is covering the Surrey city of Canada, were used as training and test data. Precision, Recall, and F1 scores were calculated as accuracy metrics for two dataset and mean values of 0.89, 0.84, and 0.86 for Bergen dataset and 0.86, 0.89, and 0.87 for Surrey were obtained, respectively. In addition, the classification performance of the proposed method is compared with the point cloud filtering algorithms of various commercial software.