Optimización de la Clasificación LiDAR: análisis de algoritmos de posprocesamiento
| dc.contributor.advisorTFE | Álvarez Mozos, Jesús | |
| dc.contributor.affiliation | Escuela Técnica Superior de Ingeniería Agronómica y Biociencias | es_ES |
| dc.contributor.affiliation | Nekazaritzako Ingeniaritzako eta Biozientzietako Goi Mailako Eskola Teknikoa | eu |
| dc.contributor.author | Basterra Quijera, Josu | |
| dc.date.accessioned | 2024-09-02T10:32:35Z | |
| dc.date.available | 2024-09-02T10:32:35Z | |
| dc.date.issued | 2024 | |
| dc.date.updated | 2024-08-30T07:58:36Z | |
| dc.description.abstract | La clasificación es uno de los procesos más importantes para poder generar productos cartográficos a partir de datos LiDAR. Aunque en la actualidad existen diversos algoritmos de suavizado de etiquetas, el posprocesamiento es una técnica capaz de mejorar la precisión de la clasificación de manera eficiente y con suposiciones simples. Debido a su bajo costo y facilidad de uso, es ampliamente utilizado en la mejora de los datos LiDAR clasificados con algoritmos de naturaleza diversa. En este estudio, se implementan dos algoritmos de posprocesado: primero, un filtro basado en vecindad con votación por mayoría según la frecuencia relativa de las clases; y segundo, un filtro de características geométricas que emplea la altura normalizada de los puntos para su identificación y reclasificación. Estos dos algoritmos se aplican a una serie de conjuntos de datos LiDAR aéreos diferenciando entornos rurales y urbanos complejos con una densidad media de ~10 puntos/m². Se logran mejoras significativas en la precisión de clasificación, principalmente en las categorías torres eléctricas (10,5%) y puentes (2%), sin que ello perjudique la identificación de elementos minoritarios como fachadas y automóviles. Además, se consigue corregir en un 19% los errores críticos de la clasificación. | es_ES |
| dc.description.abstract | Sailkapena da LiDAR datuetatik abiatuta produktu kartografikoak sortu ahal izateko prozesurik garrantzitsuenetako bat. Gaur egun hainbat sailkapen-algoritmo dauden arren, postprozesamendua sailkapenaren zehaztasuna eraginkortasunez eta suposizio sinpleekin hobetzeko gai den teknika da. Kostu txikia duenez eta erabiltzeko erraza denez, asko erabiltzen da algoritmo anitzekin lortutako sailkapenak hobetzeko. Azterlan honetan, postprozesamendu bi algoritmo inplementatzen dira: lehenik, auzoan oinarritutako filtro bat, gehiengoz bozkatua, klaseen maiztasun erlatiboaren arabera; eta, bigarrenik, ezaugarri geometrikoen filtro bat, puntuen altuera normalizatua erabiltzen duena horiek identifikatzeko eta birsailkatzeko. Bi algoritmo horiek aireko LiDAR datu-multzo batzuei aplikatzen zaizkie, landa- eta hiri-ingurune konplexuak bereiziz, batez besteko dentsitatea ~ 10 puntu/m² izanik. Sailkapenaren zehaztasunean hobekuntza esanguratsuak lortu dira, batez ere dorre elektrikoen ( % 10,5) eta zubien ( % 2) kategorietan, baina horrek ez dio kalterik egingo fatxadak eta automobilak bezalako elementu minoritarioen identifikazioari. Gainera, sailkapeneko akats kritikoak % 19an zuzentzea lortzen da. | eu |
| dc.description.abstract | Classification is one of the most important processes to be able to generate map products from LiDAR data. Although various label smoothing algorithms are currently available, postprocessing is a technique capable of improving classification accuracy efficiently and with simple assumptions. Due to its low cost and ease of use, it is widely used in the improvement of LiDAR data classified with algorithms of various nature. In this study, two post-processing algorithms are implemented: first, a neighborhood-based filter with majority voting according to the relative frequency of classes; and second, a geometric feature filter that employs the normalised height of points for identification and reclassification. These two algorithms are applied to a series of aerial LiDAR datasets differentiating complex rural and urban environments with an average density of ~10 points/m². Significant improvements in classification accuracy are achieved, mainly in the categories electricity pylons (10.5%) and bridges (2%), without detriment to the identification of minority elements such as facades and cars. In addition, 19% of the critical errors in the classification were corrected. | en |
| dc.description.degree | Máster Universitario en Sistemas de Información Geográfica y Teledetección por la Universidad Pública de Navarra | es_ES |
| dc.description.degree | Informazio Geografikoko Sistemetako eta Teledetekzioko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan | eu |
| dc.format.extent | 79 p. | |
| dc.format.mimetype | application/pdf | en |
| dc.identifier.uri | https://academica-e.unavarra.es/handle/2454/51524 | |
| dc.language.iso | spa | |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | |
| dc.subject | LiDAR | es_ES |
| dc.subject | Posprocesado | es_ES |
| dc.subject | Nube de puntos | es_ES |
| dc.subject | Dependencia de vecindad | es_ES |
| dc.subject | Suavizado de etiquetas | es_ES |
| dc.title | Optimización de la Clasificación LiDAR: análisis de algoritmos de posprocesamiento | es_ES |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Publication |