Perpustakaan Digital ITB

Point cloud merupakan suatu representasi objek tertentu yang dapat dihasilkan melalui berbagai media dalam suatu sistem koordinat. Salah satu bagian dari pemrosesan point cloud adalah klasifikasi. Klasifikasi yang dilakukan dengan basis intensitas memiliki keterbatasan seperti kondisi objek dan juga tidak semua point cloud memiliki informasi intensitas. Dengan menganalisis perubahan fitur dimensi objek dengan basis sampel secara lokal pada berbagai skala menggunakan canupo, klasifikasi dapat dilakukan untuk seluruh point cloud yang berasal dari media apapun. Perhitungan yang digunakan adalah membangun descriptor masing-masing kelas menggunakan principal component analysis (PCA) pada tiap skala untuk kemudian dipisahkan menggunakan linear discriminant analysis (LDA). Untuk point cloud yang dihasilkan dari unmanned aerial vehicle (UAV) tidak dapat diklasifikasi dengan cukup baik, sementara untuk point cloud yang dihasilkan dari close-range photogrammetry dan terrestrial laser scanner (TLS) dapat diklasifikasi dengan cukup baik akibat kemampuan point cloud tersebut merepresentasikan objek. Ini kemudian dikuantifikasi dengan menggunakan error matrix untuk menilai akurasi klasifikasi. Hasil close-range dan TLS menunjukkan nilai overall accuracy dan koefisien kappa yang lebih baik (>60%) dibandingkan dari hasil UAV (<50%) yang menunjukkan bahwa canupo lebih cocok untuk point cloud terestris karena resolusinya yang lebih baik sehingga menggambarkan detil objek dengan lebih baik. Meski begitu, hasil ini sendiri tergantung pada sampel dan skala yang digunakan.