Punktwolken-Unterklassifizierungen in Global Mapper Pro
Die Möglichkeit, benutzerdefinierte Punktwolkenklassifizierungen zu erstellen, öffnet die Tür zu einer weiteren Ebene der Punktwolkenverwaltung: Unterklassifizierungen.
Die Erstellung benutzerdefinierter Element-Klassifizierungenen in einer Punktwolke ist ein innovatives neues Werkzeug, das ursprünglich in Version 25 von Global Mapper Pro veröffentlicht wurde. Mit dieser neuen Funktionalität können Benutzer Techniken des maschinellen Lernens nutzen, um ein benutzerdefiniertes Modell zu trainieren. Dieses Modell sucht nach bestimmten Elementen in einer Punktwolke zur Klassifizierung. Bei den zugewiesenen Klassifizierungen kann es sich um integrierte Klassen wie Boden oder Gebäude oder um eine neue Klasse wie Gehweg oder Hydrant handeln.
Was passiert aber, wenn eine Klasse weiter verfeinert werden muss oder andere Klassen darin identifiziert werden sollen? In diesem Fall sind Punktwolken-Unterklassifizierungen von Vorteil.
Was ist eine Unterklassifizierung?
Punktwolken-Unterklassen, die Anfang dieses Jahres in Global Mapper Pro v25.1 eingeführt wurden, ermöglichen es den Benutzern, eine bestehende Klasse zu verfeinern. Unterklassen sind Teil einer bereits bestehenden Klasse. Sobald sie als benutzerdefinierte Element-Klassifizierung trainiert wurden, werden die Unterklassen mit einem eigenen Klassifizierungscode, einem Namen und einer Farbe definiert, um das Element von Interesse eindeutig zu identifizieren.
In dieser Punktwolke eines Golfplatzes umfassen die Unterklassifizierungen der Bodenpunkte Cartwege (grau) und Golfgrüns (seegrün).
Unterklassifizierungen können auf eine Vielzahl von Anwendungsfällen angewandt werden, von der Identifizierung von Karrenwegen auf einem Golfplatz bis hin zu bestimmten Dachstrukturen in Gebäuden. Im folgenden Beispiel betrachten wir einen Flughafen und versuchen, Farbmarkierungen auf der Start- und Landebahn zu identifizieren, die bereits als Boden klassifiziert sind.
Erstellen einer Unterklassifizierung
Bei der Erstellung einer benutzerdefinierten Klassifizierung, sei es eine ursprüngliche Klasse oder eine Unterklasse, konzentriert sich der Prozess auf die Verwendung von Attributen der Trainingsmuster, um eine so genannte Signatur zu entwickeln. Diese Attribute ähneln denen, die das Segmentierungs-Werkzeug zur Identifizierung von Punktclustern verwendet: physische Struktur, Return-Nummer usw. Sobald diese Signatur erstellt ist, wird sie verwendet, um nachfolgende Punkte zu identifizieren, die diese Kriterien erfüllen.
Die Punktwolke unten hat RGB-Werte, die ein Schlüsselattribut für die Unterscheidung zwischen Farbe und Landebahn sind. Dieser Prozess kann auch auf Segmentierungsergebnisse zurückgreifen, um Signaturen zu erstellen. Weitere Informationen finden Sie unter: Trainieren einer benutzerdefinierten Punktwolkenklassifizierung in Global Mapper Pro.
Das Ziel dieses Arbeitsablaufs ist es, die gemalten Linien als Unterkategorie der bestehenden Klasse Boden zu klassifizieren.
Der erste Schritt des Prozesses bestand darin, die integrierten automatischen Klassifizierungen anzuwenden. Dies ermöglichte die Identifizierung von Boden und Vegetation sowie von Gebäuden und Stromleitungen (nicht abgebildet). Sie werden feststellen, dass die Bodenklassifizierung Start- und Landebahnen, Grasflächen und andere ähnliche flache, bodennahe Elemente umfasst.
Verwenden Sie zunächst die automatischen Klassifizierungswerkzeuge, um irrelevante Punkte von der Verarbeitung auszuschließen, wie zum Beispiel die hier abgebildete Vegetation.
In vielen Fällen ist die obige Klassifizierung genau das, was beabsichtigt ist. Der Boden wird unabhängig davon klassifiziert, ob er gepflastert, begrünt oder anderweitig befestigt ist. In Situationen, in denen mehr Details erforderlich sind, ist die Unterklassifizierung der nächste Schritt.
Eine Unterklassifizierung wird nahezu identisch mit einer benutzerdefinierten Klassifizierung eingerichtet. Der Hauptunterschied besteht in der Option "Ist Unterklasse von", die in diesem Fall auf "Boden" gesetzt wird. Trainieren Sie die Klassifizierung, indem Sie Punkte auswählen, die das zu klassifizierende Element repräsentieren. In diesem Beispiel ermöglichte die Anzeige der Daten nach RGB bei der Sammlung von Trainingsmustern eine deutlichere Visualisierung der Farbmarkierungen. Die Segmentierung der Punktwolke im Vorfeld kann bei der Erstellung von Punktclustern für die Auswahl helfen.
Die Unterklassifizierung wird auf der Grundlage der Signatur ausgewählter Punkte in der Punktwolke trainiert.
Nach Abschluss des Trainings kann die Klassifizierung erneut ausgeführt werden, wobei er sich diesmal auf die neu erstellte Unterklasse der Startbahnmarkierungen konzentriert, die zuvor erstellt wurde. Das Ergebnis sind die unabhängigen Klassifizierungen der Farbmarkierungen. Die weiße Farbe wurde nach dem Zufallsprinzip zugewiesen und kann vom Benutzer nach Bedarf angepasst werden.
Tipp: Die Klassifizierungsfarbe kann im Abschnitt "Lidar" des Menüs "Konfiguration" bearbeitet werden.
Die weißen Farblinien sind nun eine Unterkategorie des Bodens. Sie sind funktionell die gleiche Klasse, aber dennoch in der Visualisierung und Analyse unterscheidbar.
Nach der Zuweisung einer Klassifizierung können diese Unterklassenpunkte von der übergeordneten Klasse unterschieden werden, ohne von ihr ausgeschlossen zu werden. Wenn wir z. B. ein digitales Geländemodell nur mit Bodenpunkten erstellen würden, würden die Farbpunkte, da sie eine Unterklasse des Bodens sind, ebenfalls in die Modellerstellung einbezogen werden. Unterklassifizierungen geben Ihnen mehr Kontrolle über Ihre Daten zur Feinabstimmung und genaueren Analyse der Ausgabe.