Journal of Geospatial Information Technology

fa ارائه روشی نوین به منظور حذف نویز از ابر نقطه سه‌بعدی، به کمک خوشه بندی به روش انتقال میانگین A novel approach to de-noising 3D point clouds using mean-shift based clustering algorithm فتوگرامتری Aerial Photogrammetry پژوهشي Research ابرنقطه خام معمولا شامل نویز و نقاط پرت است، بنابراین چالشهایی برای مدلسازی و شبکهبندی سطوح با استفاده از این دادههای سهبعدی وجود خواهد داشت. همچنین حفظ جزئیات، در حین حذف نویز ضروری است. روشهای زیادی بمنظور حذف نویز از ابر نقطه، توسعه یافتهاند اما تنها تعداد کمی از آنها برای حفظ جزئیات در حین حذف نویز مناسباند. این مقاله، سعی بر ارائه یک روش حذف نویز آماری نوین، با قابلیت حفظ جزئیات را دارد. در روش پیشنهادی ارائه شده، ابتدا ابرنقطه با بکارگیری روش انتقالمیانگین خوشهبندی میشود و ازآنجاییکه نتیجه خوشهبندی به اندازه پنجره جستجو بستگی دارد، اندازه بهینه این پنجره از طریق روش بهینهسازی تپهنوردی، محاسبه میگردد. سپس در هر خوشه، فاصله بین هر نقطه با میانگین سایر نقاط آن خوشه محاسبه و با حدآستانه گذاری روی این فواصل و تعداد اعضای هر خوشه، نقاط نویز شناسایی و با حفظ جزئیات مانند لبهها، حذف میشوند. نتایج تجربی حاصل از پیادهسازی روش پیشنهادی بر روی سه دسته داده سهبعدی تهیه شده توسط لیزراسکنر، نشان میدهد که این روش نسبت به روش مشابه مطرح شده در پیشینه تحقیق از بهبود دقتی بالغ بر 1 درصد در ضریب صحیح بودن، 13 درصد در ضریب کامل بودن و 5/12 درصد در ضریب کیفیت، برخوردار بوده است. Raw point clouds usually include noise and outliers. Also, the point clouds generated by photogrammetry methods are noisier than the point clouds that are derived from active methods such as laser scanners, hence many challenges for reconstructing and meshing surface using these three-dimensional data would be possible. Also, maintaining sharp features is essential during the process of noise removal. Many techniques have been developed to remove noise from the point cloud, but only a few of them are suitable for maintaining Sharp features during the noise removal process. This paper tries to provide a new statistical method with the ability to maintain sharp features, to remove noise. In the proposed method, first, the point cloud is clustered using the mean-shift clustering algorithm. As the clustering accuracy depends on the kernel size, the optimal size of the window is achieved through the hill climbing optimization. Then, in each cluster, the distance between each point and the mean of the other points of that cluster is calculated; next, appropriate thresholds are used to detect and remove noise from point cloud by applying them on the number of members of each cluster and computed distances. So the sharp features, such as the edges, are preserved. The experimental results obtained from the implementation of the proposed method on the three sets of 3D data ,provided by the laser scanner, illustrate that this method ,compared with the other methods presented in the literature review, increases the accuracy about 4% in noise removing and 5.19 percent in maintaining sharp features. کلمات کلیدی: ابرنقطه, حذف نویز, جزئیات, خوشه‌بندی, بهینه‌سازی, حدآستانه‌گذاری point cloud, noise removal, sharp feature, clustering, Optimization, threshold 1 18 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-52-2&slc_lang=fa&sid=1 sahar kamalou سحر کمالو saharkamalou@yahoo.com 10031947532846009255 10031947532846009255 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی mohammad javad valadan zoej محمدجواد ولدان زوج valadanzouj@kntu.ac.ir 10031947532846009256 10031947532846009256 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی ali hosseini naveh علی حسینی نوه 10031947532846009257 10031947532846009257 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی fahime youssefi فهیمه یوسفی 10031947532846009258 10031947532846009258 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی