امروزه پردازش خودکار ابرنقاط ازجمله موضوعات مهم و پرچالش در فتوگرامتری و سنجش‌ازدور می‌باشد. لایدار به‌عنوان یک سنجنده فعال توانایی اخذ مستقیم ابرنقطه دارای مختصات سه‌بعدی با دقت بالا را دارد. با گسترش تکنولوژی و نرم‌افزارهای پردازش تصویر امکان تولید ابرنقاط با دقت بالا براساس تناظریابی چگال از مناطق همپوشانی تصاویر هوایی نیز فراهم گشته است. پردازش‌های مربوط به ابرنقاط نظیر قطعه‌بندی و کلاسه‌بندی عموماً دارای هزینه محاسباتی بالایی بوده و زمان‌بر می‌باشند. ازاین‌رو ارائه روندی کاربردی که بتواند با سرعت پردازش بالا به دقت مناسبی دست یابد، همواره مطلوب کارشناسان بوده است. در این مقاله روندی با رویکردی متفاوت جهت قطعه‌بندی ابرنقاط مطرح شد و سپس با بهره‌گیری از مفهوم شی‌ءگرایی روندی برای کلاسه‌بندی قطعات شناسایی شده، ارائه گشت. در این راستا، ابتدا تراکم ابرنقاط کاهش‌یافته و سپس قطعه‌بندی براساس گسترش ناحیه و با استفاده از میزان انحنا و بردار نرمال صورت گرفت. با برچسب‌گذاری نقاط کنارگذاشته شده در مرحله کاهش تراکم براساس جستجوی دقیق اطراف نقاط قطعه‌بندی شده، نتیجه نهایی قطعه‌بندی حاصل گشت. در مرحله بعد برای قطعات شناسایی شده، توسیف‌گرهایی براساس ویژگی‌های هندسی و ساختاری عوارض مختلف معرفی و تولید شد. درنهایت نیز برای کلاسه‌بندی قطعات شناسایی‌شده از الگوریتم KNN استفاده شد. روند پیشنهادی در 6 ناحیه مطالعاتی پیاده‌سازی شده و مورد ارزیابی قرار گرفت. ارزیابی نتایج دقت متوسط %42/91 برای شناسایی سه کلاس ساختمان، پوشش گیاهی و سطح زمین را نشان داد که حاکی از قدرت بالای روند پیشنهادی است.
Amini Amirkolaee H, Arefi H. 3D Semantic Labeling using Region Growing Segmentation Based on Structural and Geometric Attributes. JGST 2017; 7 (2) :1-16 URL: http://jgst.issgeac.ir/article-1-578-fa.html
امینی امیرکلائی حامد، عارفی حسین. برچسب‌گذاری معنایی سه‌بعدی ابرنقاط براساس قطعه‌بندی گسترش ناحیه و توصیفگرهای هندسی و ساختاری . علوم و فنون نقشه برداری. 1396; 7 (2) :1-16
