Klasifikasi Bangunan pada Data LiDAR Menggunakan Cloud Compare (Konsep)

Cloud Compare

Pada artikel sebelumnya, kita belajar mengenai pembuatan model bangunan 3D dari data LiDAR menggunakan software Terrasolid, dimana salah satu tahapannya adalah klasifikasi point cloud sebagai bangunan. Selain Terrasolid, beberapa software juga dapat melakukan proses klasifikasi bangunan, dan salah satu perangkat open source yang bisa melakukannya dengan sangat baik adalah Cloud Compare.

Algoritma yang diterapkan dalam software tersebut dikembangkan oleh Brodu & Lague (2012). Algoritma tersebut berdasarkan dimensi lokal multi-skala untuk memisahkan dua kelas pada bidang pemisahan maksimal. Klasifikasi tersebut mempertimbangkan geometri point cloud dalam sebuah bola pada skala yang ditentukan, kemudian dilakukan perhitungan kombinasi skala terbaik dalam dimensi tertentu. Diameter bola didefinisikan sebagai skala dimana point of interest terletak di pusat bola, sedangkan untuk menentukan apakah titik tersebut secara lokal di skala tertentu telihat sebagai 1D, 2D, atau 3D, digunakan proporsi perbedaan dari eigenvalues yang dihasilkan dari Principal Component Analysis (PCA). 

Neighbourhood ball (Brodu & Lague, 2012)

Algoritma ini menggunakan linear Support Vector Machines (SVM) untuk menentukan solusi pada hyperplane dalam membedakan dan memisahkan dua kelas (misalnya vegetasi dan bangunan). Nilai weight vector (w) dan bias (b) digunakan dalam algoritma tersebut. Bidang pemisahan maksimal dapat memisahkan dua kelas, misalnya menjadi kategori bangunan dan vegetasi. Untuk melakukan klasifikasi, sebelumnya harus dibuat training area yang merepresentasikan kedua kategori tersebut. Kemudian, beberapa nilai parameter harus ditentukan untuk data training tersebut, termasuk skala minimum dan maksimum sebagai batas dari dimensi multi-skala. Gambar di bawah menunjukkan contoh training area dari dua kategori klasifikasi, yaitu bangunan dan vegetasi. Warna merah mengindikasikan area bangunan, sedangkan biru adalah area vegetasi.

Training area untuk masing-masing kategori (bangunan dan vegetasi)

Hasil klasifikasi dari training data ditunjukkan dalam bidang pemisahan maksimal dan garis pemisah. Balanced accuracy (ba) dan Fisher Discriminant Ratio (fdr) digunakan untuk mengkuantifikasi performa dari classifier, dimana nilai ba yang besar mengindikasikan pengenalan objek yang baik, sedangkan nilai fdr yang besar menunjukkan kedua kelas telah terpisahkan dengan baik.

Classifier dalam bidang pemisahan maksimal (Susetyo et al., 2020)