2.

1 Clasificarea supervizată a norului de puncte integrat folosind softul Cloud Compare

Clasificarea supervizată este o metodă eficientă de clasificare în mod semi-automat a norilor de

puncte. Se prezintă sub forma unui “plug-in” în softul “Cloud Compare” și permite realizarea
unor clasificatori proprii ce pot fi aplicați pe un nor de puncte. Acești clasificatori permit
separarea în două clase diferite. În urma realizării clasificatorului se obține un parametru ce
indică precizia de clasificare pentru fiecare punct. Clasificatorul este un fișier cu extensia .prm.
Condiția de aplicabilitate pentru un nor a este ca unitatea sa de măsură să fie în concordanță cu
cea pentru care a fost definit clasificatorul.

NORUL DE PUNCTE
LST+UAV
ANALIZA DATELOR ȘI
STABILIREA CLASELOR
PENTRU CLASIFICARE

CLASIFICATORUL 1: CLĂDIRE - NON-CLĂDIRE

PUNCTE PE CLĂDIRE PUNCTE NON-CLĂDIRE

CLASIFICATORUL 2: VEGETAȚIE ÎNALTĂ –

NON-VEGETAȚIE ÎNALTĂ

VEGETAȚIE ÎNALTĂ NON-VEGETAȚIE

ÎNALTĂ

CLASIFICATORUL 3: VEGETAȚIE MEDIE –

NON-VEGETAȚIE MEDIE

VEGETAȚIE MEDIE NON-VEGETAȚIE

MEDIE
(TUFIȘURI)

CLASIFICATORUL 4: VEGETAȚIE JOASĂ – DRUM

VEGETAȚIE JOASĂ DRUM

Figura 2.1 – Fluxul de lucru utilizat pentru metoda de clasificare supervizată

1
Măsurarea distanței dintre puncte
Numărul de puncte al norului ce urmează a fi clasificat este 5 594363.
Pentru măsurarea distanței dintre 2 puncte vom accesa funcția “Point Picking” din meniul
“Tools”, urmat de “Display segment information (length)” (figura 2.2).

Figura 2.2 – Măsurarea distanței dintre 2 puncte vecine

Norul va fi clasificat în 4 clase astfel:

• CLĂDIRE
• NON-CLĂDIRE
I

• VEGETAȚIE ÎNALTĂ (COPACI)

• NON VEGETATIE ÎNALTĂ
II

• VEGETAȚIE MEDIE (TUFIȘURI)

• NON VEGETAȚIE MEDIE
III
• VEGETAȚIE JOASĂ
• DRUM
IV

Figura 2.3 – Etapele parcurse pentru clasificarea norului de puncte integrat

1. Selectarea setului de referință (nor reprezentativ)

Se va realiza selectarea manuală a unor grupuri de puncte de referință pentru clădire, utilizând
funcția “Scissor tool (foarfece)” din Cloud Compare. În urma selectării de subseturi de puncte
reprezentative, acestea vor fi regrupate într-un singur nor, cu ajutorul funcției “Edit-Merge”.

2
 (a) (b)
Figura 2.4 – (a) Subset de puncte pentru clădire, (b) Subset de puncte pentru non-clădire

2. Selectarea scărilor utlizate în clasificare

O scară este diametrul sferei care are centrul în punctul în care este clasificat. Este o metodă
eficientă de clasificare în mod automat a norilor de puncte. În momentul în care se construiește
un clasificator, se specifică o serie de scări ce vor corespunde distanțelor din jurul punctului, ce
vor fi folosite pentru caracterizarea geometrie locale a norului. Cu cât scara maximă va fi mai
mare, cu atât durata calculului va crește implicit.

Figura 2.5 – Sfera vecinătăților [Oniga E. ,2019]

3. Construire clasificator

Se accesează din meniul “Plugins”, funcția “Canupo”, urmat de “TrainClassifier” (figura 2.6).
În prima parte se vor selecta fișierele pe clase: VEGETAȚIE și NON VEGETAȚIE, după care
urmează a fi introduse șirul de scări. Tipul parametrului ce va fi determinat este
“Dimensionally”. Numărul maxim de puncte ce vor fi extrase aleator din norul de puncte intrare
este de 2000, considerat a fi suficient pentru cele mai multe cazuri. Se poate utiliza norul de
puncte original pentru calculul parametrilor de clasificare și totodată există posibilitatea formării
unui alt nor de puncte pentru vizualizare.

Figura 2.6 – Construire clasificator

3
CANUPO va calcula parametrii descriptori pentru fiecare nor și va găsi cea mai bună limită de
clasificare (într-un spațiu bidimensional 2D). Comportamentul clasificatorului este reprezentat
prin proiectarea tuturor descriptorilor calculați în spațiul de clasificare, având ca limită linia de
culoare magenta. Din figura 2.7 se poate observa ca descriptorii corespunzători primei clase sunt
reprezentați cu albastru, iar ceilalți cu roșu. În situația actuală există o serie de opțiuni
disponibile:
— ștergerea unora dintre scări (de regulă se începe cu cele mari eliminând progresiv)
— editarea poziției liniei de delimitare
— respectiv ștergerea liniei.

Figura 2.7 – Vizualizarea clasificării în planul de maximă separabilitate

Din figura 2.8 se pot extrage valorile parametrilor ce sunt folosiți ca și indicatori în evaluarea
rezultatelor.

Figura 2.8– Fereastra „Statistics”

Dacă parametrul BA (BALANCED ACCURACY) > 95%, clasificarea este foarte bună. Se
salvează clasificatorul într-un fișier cu extensia .prm ce va fi utilizat ca și fișier de intrare pentru
metoda “Classify”.

4. Aplicarea clasificatorului
Din meniul ”Plugins”, se accesează prin funcția “Canupo” opțiunea “Classify”. Se selectează
fișierul de tip .prm, după care, la secțiunea “Core points”, este selectat norul pentru care se vor
face calculele. Poate fi utilizat întreg norul, mai puține puncte prin rărirea norului original și mai
există o ultimă opțiune de folosire a unor nori de puncte proprii (figura 2.9). Indiferent de
metoda aleasă la secțiunea “Core points”, întregul nor va fi clasificat.

4
 Figura 2.9 – Aplicarea clasificatorului pe norul de puncte

5. Analiza rezultatelor

Rezultatul obținut în urma aplicării clasificatorului asupra norului de puncte poate fi observat în
figura 2.10. Se observă ca punctelor corespunzătoare clădirii le-a fost atribuită culoarea albastru
și norului rămas, culoarea roșie.

Figura 2.10 – Vizualizarea rezultatului clasificării

5
 (a)

(b)
Figura 2.11 – (a) CANUPO.confidence – Ferestra „Proprietăți”
(b) CANUPO.confidence – Vizualizarea punctelor cu grad înalt de încredere

În continuare se aplică un filtru minim-maxim ce are ca și scop eliminarea punctelor cu precizie

scăzută.

Figura 2.12– Aplicarea filtrului pentru eliminarea punctelor cu precizie scăzută

6. Separarea claselor

Accesând din nouCANUPO.class pentru separarea claselor se introduce în rubrica “Steps”, din
fereastra “Properties” cifra 2, aceasta reprezentând de altfel numărul claselor (figura 2.13).

Figura 2.13– Aplicarea filtrului pentru eliminarea punctelor cu precizie scăzută

6
Are loc o filtrare pentru delimitarea concretă a punctelor CLĂDIRE, de cele NON-CLĂDIRE.
Se va aplica filtrul de minim-maxim.

(a)

(b)
Figura 2.14– (a) Aplicarea filtrului de minim-maxim, (b) Vizualizarea punctelor care aparţin
clasei „clădire”

(a)

(b)
Figura 2.15– (a) Aplicarea filtrului de minim-maxim, (b) Vizualizarea punctelor care aparţin
clasei non-clădire

7
La finalul acestei etape se creează o copie a norului clasificat „non-clădire”, pe care se va aplica
următorul clasificator. Pentru aplicarea celui de-al doilea clasificator, se vor urma aceeași pași ca
și în cazul anterior.
În figura 2.16 se pot vizualiza descriptorii calculați în spațiul de clasificare delimitați de linia de
culoare magenta.
Acuratețea datelor este conferită de parametrii din fereastra ”Statistics”.
 Ba = 100%
 Fdr= 521.854

(a) (b)
Figura 2.16 – (a) Vizualizarea clasificării în planul de maximă separabilitate pentru clasele
„vegetaţie înaltă” şi „non-vegetaţie înaltă”, (b) Fereastra „Statistics”

Figura 2.17– Analiza rezultatelor procesului de clasificare

Se procedează la aplicarea filtrelor de minim-maxim pentru separarea punctelor care aparţin

celor două clase.

8
 Figura 2.18– Punctele care aparţin clasei „vegetație înaltă”

Figura 2.19– Norul rămas (teren și vegetație medie)

Ca și în cazul precedent, se creează o copie a norului rămas fără vegetație înaltă, pe care se va
aplica următorul clasificator.
Rezultatele aplicării clasificatorului pentru vegetație medie se regăsesc în figura 2.20.
Precizia de clasificare este indicată de parametrii din fereastra ”Statistics”.
 Ba = 99.92%
 Fdr= 36.854

(a) (b)
Figura 2.20– (a) Vizualizarea clasificării în planul de maximă separabilitate pentru clasele
„vegetaţie medie” şi „non vegetaţie medie”, (b) Fereastra Statistics

9
 Figura 2.21– Analiza rezultatelor

Figura 2.22–Punctele are aparţin clasei „vegetație medie”

Figura 2.23– Punctele are aparţin clasei “non vegetaţie medie”

Se realizează o copie a norului rămas. Se procedează la crearea ultimului clasificator.

10
 (a) (b)
Figura 2.24– (a) Vizualizarea clasificării în planul de maximă separabilitate pentru clasele
„vegetaţie joasă” şi „stradă”, (b) Fereastra „Statistics”

Precizia de clasificare este indicată de parametrii din fereastra ”Statistics”.

 Ba = 99.95%
 Fdr= 66.566

Figura 2.25– Analiza rezultatelor clasificării

Figura 2.26– Punctele care aparţin clasei ”vegetație joasă”

11
 Figura 2.27– Norul rămas (stradă)

În urma aplicării celor 4 clasificatori asupra norului de puncte, fiecare clasă este reprezentată în
mod distinct (figura 2.28).

Figura 2.28–Norul de puncte clasificat

LEGENDĂ:

- CLĂDIRE
- VEGETAȚIE ÎNALTĂ
- VEGETAȚIE MEDIE
- VEGETAȚIE JOASĂ
- STRADĂ

12