بازسازی خودکار مدل سه بعدی ساختمان از داده های لیزر اسکنر هوایی با تاکید بر توسعه الگوریتم های خوشه بندی ابر نقاط

هدف از این تحقیق بررسی و توسعه الگوریتم های خوشه بندی جهت بخش بندی ابر نقاط نا منظم لیزر اسکنرهای هوایی برای بازسازی مدل سه بعدی ساختمان می باشد. روش کلی به کار گرفته شده در این پژوهش بازسازی داده مبنا می باشد. هسته اصلی بازسازی داده مبنا الگوریتم خوشه بندی نقاط لیدار است. در این تحقیق چهار روش مطرح خوشه بندی بررسی، پیاده سازی و ارزیابی شده است. این چهار روش عبارتند از خوشه بندی به روش k-means، k-medoids، fcm و som. در الگوریتم توسعه داده شده این پایان نامه دو روش k-means و fcm به وسیله الگوریتم رقابت استعماری بهینه سازی می شوند و بر اساس نتایج خوشه بندی، الگوریتم بهینه k-means عملکرد مناسبی از خود نشان می دهد و به عنوان هسته اصلی الگوریتم بازسازی این تحقیق به کار گرفته می شود. ویژگی مورد استفاده جهت خوشه بندی ابر نقاط، بردارهای نرمال نقطه ای می باشد. الگوریتم توسعه داده شده در این پژوهش بر دو مجموعه داده شبیه سازی شده و واقعی اجرا شد. بر اساس نتایج مجموعه داده شبیه سازی شده، دقت کلی روش خوشه بندی توسعه داده شده در این پایان نامه یعنی روش بهینه k-means، 91.37 درصد می باشد و بهترین نتیجه متعلق به همین روش است. مجموعه داده واقعی به کار برده شده شامل دو مجموعه داده مربوط به داخل کشور و خارج از کشور می باشد. با توجه به نتایج مربوط به مجموعه داده واقعی داخلی و تراکم پایین ابر نقاط این مجموعه داده روش پیشنهادی این پایان نامه عملکرد مناسبی داشته است.