實際地面光達資料

本部份採國立台灣大學校本部大門警衛室之 地面光達資料進行測試，點雲密度約 5000 pt/m²。 研究區域如圖 26 所示，該區主要由結構物與植被 等地物構成。其中，結構物包含建物與小型結構 (例如：告示牌、售票機與交通錐等)；植被則包含 樹、樹叢、樹幹等。鑒於於地面光達提供較多地物 細節資訊，本實驗選用建物 (building)、小型結構 物 (small structure)、樹 (tree)、樹叢 (grove)、樹 幹 (trunk) 作為分類標的，設計分類程序。有鑑於 分析程序與空載光達測試方式大致相同，以下僅簡 述各階段處理成果。

4.2.1 點雲分割

在此同樣利用 LASTOOL 進行地面/非地面點 分類，再以三維叢聚分割法進行物件初步分割，成 果如圖 27 由點雲分割成果來看，以點密度推得之 CT 值能將不鄰近的物件有效區隔。然而，在部份 區域因距離過於鄰近，仍出現類別混合情況，因此

後續需再行細分。

4.2.2 分類規則設計與分類成果

在此同樣以人工方式篩選各類別樣本物件，訓 練物件特徵值，選定 Model Ratio、Cylinder Ratio、

Mean Z_n、Std Z、Area 作為分類用之依序。首先可 利用 Model Ratio 於結構物、混合物與植被類別的 高分辨力初步分類點雲物件為(1) 結構物、(2) 混 合物與(3) 無模型三類別。其中，當混合物件於 Cylinder Ratio、Std Z 及 Area 符合門檻要求時，

即分類給樹幹類別。接續針對結構物的部份，設一 面積門檻即可分出建物與小型結構物；針對無模型 的部分，設定 Mean Zn 門檻即可分類出本場景之 樹與樹叢。最後將不符合決策條件的物件，歸為未 分類。然而因場景複雜度高，且此區地物大多過於 鄰近，許多物件為混合類別，因此本研究在此同樣 採模型導向之 RANSAC 分割法針對混合物件進 行再分割。基於上述方式，可設計分類規則如圖 28。

表 4 OBPCA 與 LASTOOL 之空載光達分類 Error Matrix (單位：點數)

OBPCA / LASTOOL

Ground Truth

Structure Tree Total

Classified

Structure 345525 / 97144 2251 / 80 347776 / 97224

Tree 14078 / 27742 744095 / 305546 758173 / 333288 Total 359603 / 124886 746346 / 305626 1105949 / 430512

表 5 OBPCA 與 LASTOOL 之空載光達分類精度 OBPCA / LASTOOL Structure Tree

Commission 0.65 % / 0.08 % 1.86 % / 8.32 % Omission 3.91 % / 22.21 % 0.30 % / 0.03%

Overall Accuracy 98.52 % / 93.54 % Kappa 0.9660 / 0.8322

(a) 近景影像 (b) 光達資料(intense image) 圖 26 地面光達實驗區域

(a) 地面/非地面點分類 (藍：地面點 紅：非地面點)

Step:5.0 m Spike:0.3 m Stddev:0.05 m Offset:0.02 m

(b) 非地面點分割 CT:0.014 m

圖 27 地面光達點雲分割成果

圖 28 地面光達分類規則

分類成果如圖 29，以本研究之二次分割程序 確實能提升處理複合型物件之可行性，確實將物件 中的細節取出，如盆栽中結構物部份即可與上端樹 叢有效分離。而在植被的分類上，對於樹、樹幹而 言，亦有不錯的分類成效，僅於樹叢的部份受人為 修剪過於規則影響，在二次分割中仍可能從植被中 萃取出模型，造成判釋錯誤，仍分類為混合物的情 況。

4.2.3 分類品質評估

在此同樣以人工方式將實驗區內人為可辨識 的建物、小型結構物、樹、樹叢及樹幹分出，作為 分類品質評估之地真依據，如圖 30。利用上述地 真資料計算分類成果之誤差矩陣如表 6，並以該表 計算各式分類精度指標，如表 7。由整體分類精度 與 Kappa 值可知，整體分類成效雖未達空載光達 點雲分類品質，但在 OBPCA 之分類模式下，已 可藉由點雲的空間特性搭配人為既有的認知，初步 對地面光達點雲達到不錯的分類成效。

4.2.4 與 LASTOOL 分類成果比較與分析

在此同樣利用 LASTOOL 進行比較分析，分類

成 果 比 較 如 圖 31 。 由 分 類 成 果 可 以 發 現 ， LASTOOL 用於地面光達點雲容易有分類成效不 佳的情況。原因可能在於 LASTOOL 演算法之假 設條件主要適用於空載光達點雲的掃描特性，因此 將其用於地面光達點雲時，受點位間距與空間分佈 特性大幅改變的影響，演算法內之假設條件與實際 點雲分佈行為不符，造成全區點雲資料幾乎都分類 錯誤的情況。反觀本研究以 OBPCA 架構實行點 雲分類時，主要以物件叢集於三維空間中的分佈行 為為依據，與掃描角度特性相關性較低，因此當點 雲數量與分佈足以描述特定地物之幾何變化時，即 可進行分類。此外，在分類之類別數上，以 OBPCA 進行分類時，可較容易地依人為認知增加或刪減分 類類別。不同於以往針對特定地物發展特定演算法 方式，OBPCA 統一以(1) 分割、(2) 物件特徵計 算與(3) 分類的程序執行點雲分類，僅需藉由調變 (1) 分割參數、(2) 特徵與門檻及(3) 分類規則即可 完成，相較於傳統 point-based 方式，OBPCA 在分 類之自由度上有所提升。有鑑於以 LASTOOL 進 行地面光達點雲分類成效相當不佳，在此不另行比 較 OBPCA 與 LASTOOL 之分類品質。

(a) 側視圖(未經二次分割) (b) 側視圖(未經二次分割) (c) 側視圖(未經二次分割)

(d) 側視圖(經二次分割) (e) 側視圖(經二次分割) (f) 側視圖(經二次分割) 圖 29 地面光達分類成果

(紅：建物;黃：小型結構;深綠：樹;淺綠：樹叢;橘：樹幹;淺藍：混合物;卡其：地面點)

(a) 側視圖 (b) 側視圖 (c) 側視圖 圖 30 地面光達地真資料 (紫：建物;紅：小型結構;淺藍：樹;黃：樹叢;深藍：樹幹)

表 6 地面光達分類之 Error Matrix (單位：點數) Ground Truth

Building Small Structure Tree Trunk Grove Total

Classified

Building 527341 0 0 0 61954 589295 Small Structure 38292 10716 0 226 819 50053

Tree 3050 119 104287 0 4788 112244

Trunk 0 0 0 4151 86 4237

Grove 1370 540 38211 1142 161016 202279 Total 570053 11375 142498 5519 228663 958108

表 7 地面光達分類精度

Building Small Structure Tree Trunk Grove Commission 10.51 % 78.59 % 7.09 % 2.03 % 20.40 %

Omission 7.49 % 5.79 % 26.82 % 24.79 % 32.07 %

Overall Accuracy 84.28 %

Kappa 0.7221

(a) OBPCA 分類成果 (側視圖) (c) OBPCA 分類成果(側視圖) (e) OBPCA 分類成果(側視圖)

(b) LASTOOL 分類成果(側視圖) (d) LASTOOL 分類成果(側視圖) (f) LASTOOL 分類成果(側視圖) 圖 31 OBPCA 與 LASTOOL 於地面光達分類成果比較

(紅：建物;黃：小型結構;深綠：樹;淺綠：樹叢;橘：樹幹;淺藍：混合物;卡其：地面點;白：未分類)