Система экономичного подбора параметров классификации облаков точек лазерного сканирования для построения ЦМР
АКТУАЛЬНОСТЬ
Наземное лазерное сканирование позволяет получать подробную трёхмерную информацию о местности и объектах. В результате образуется облако точек — большой набор измерений, который описывает форму пространства. Чтобы построить модель рельефа, необходимо отделить точки земли от точек зданий, деревьев и других объектов. От настроек обработки зависит качество модели, время работы программы и объём последующей ручной проверки.
Параметры часто выбирают по опыту специалиста и уточняют пробными запусками. При этом требования к результату зависят от будущей карты или плана: не всегда нужна максимально подробная обработка. Проект направлен на поиск режима, который обеспечивает достаточное качество картографического материала и требует меньше времени и вычислительных ресурсов.
ИДЕЯ ПРОЕКТА И ЕГО ЦЕЛЕВАЯ АУДИТОРИЯ
Предлагается разработать методику и небольшой инструмент для сравнения нескольких способов и настроек выделения точек земли. Задача команды — провести сопоставимые эксперименты, определить влияние настроек и найти правило, по которому можно выбирать подходящий режим обработки для разных облаков точек.
Целевой аудиторией считаем специалистов геодезических и картографических организаций, занимающихся обработкой данных лазерного сканирования и созданием цифровых моделей рельефа. Также инструмент может быть полезен студентам и молодым специалистам, которым необходимо получать качественные картографические материалы без лишних затрат времени и вычислительных ресурсов.
ПЛАН РАБОТЫ
Сначала отберём несколько имеющихся облаков лазерного сканирования с разным рельефом и характером покрытия. Для классификации земли можно использовать открытые алгоритмы, например CSF и SMRF через PDAL. Затем в QGIS и GDAL построим модели рельефа и горизонтали. Для каждого варианта зафиксируем время обработки, использование памяти и показатели качества.
По результатам сравнения определим, какие настройки дают приемлемый результат при меньших затратах и сохраняется ли найденная закономерность на других данных. Если подход покажет пользу, перебор параметров и подготовку отчёта можно будет автоматизировать небольшим скриптом. При наличии доступа к нужному программному обеспечению дополнительно сравним классические методы с нейросетевой классификацией; для основной работы нейросеть не обязательна.
ОЖМДАЕМЫЙ РЕЗУЛЬТАТ
Результатом станет проверенная методика выбора настроек обработки облаков точек для построения цифровых моделей рельефа и горизонталей, таблица сравнительных экспериментов и небольшой прототип. Он поможет подобрать режим обработки и показать, сколько времени и ресурсов потребовалось. Успех проекта будет оцениваться по тому, удаётся ли получить картографический результат приемлемого качества с меньшими затратами, чем при исходном режиме.
Куратор проекта команды МИИГАиК
| Молоков Павел Вячеславович |
