Comparison of selected segmentation algorithms of 3D point clouds

Abstract

Segmentierung ist ein wichtger Schritt in der Analyse von Punktwolken. Sie wird sowohl zur Identifizierung und Extraktion von einzelnen Objekten, als auch als Basis für objektbasierte Klassifikation verwendet. In dieser Arbeit werden zwei Methoden, welche zu den meist zitierten Segmentierungsansätzen für Bilder zählen, auf 3D Punktwolken erweitert und evaluiert. Der erste Ansatz, welcher auf dem Minimum Spanning Tree des Nachbarschaftsgraphes basiert,verfügt über interessante Eigenschaften welche ihn zu einem vielversprechenden Ansatz zur objektbasierten Segmentierung machen. Die zweite Methode, SLIC (Super Linear Iterative Clustering), resultiert in einer starken Übersegmentierung der Punktwolke. Die extrahierten Regionen (so genannte ‘Superpixel) dienen zum einen zur Datenreduktion, können aber auch direkt für eine Klassifikation verwendet werden. Für die Evaluierung werden ausgewählte Referenzdatensätze verwendet. Als Metrik wird ein neues Maß, ‘completeness, eingeführt, welches auf den einzelnen Objekten basiert. Alle durchgeführten Experimente zeigen, dass beide Ansätze für 3D Punktwolken vielversprechende Ergebnisse liefern. Vorallem mit dem graphenbasierten Ansatz können auch Regionen,welche inhomogenere Eigenschaften aufzeigen, segmentiert werden. Der zweite Ansatz, SLIC, scheint speziell für hoch aufgelöste Punktwolken eine interessante Option zu sein. Für komplexere Punktwolken führt vorallem die Kombination beider Methoden zu verbesserten Resultaten.

Segmentation is an important step in the processing pipeline of 3D point clouds. It can be used to identify and extract individual objects or build the base for a subsequent classification. Within this work two methods, so far mainly used in the field of computer vision, are extended to the segmentation of 3D point clouds. The first method, based on the minimum spanning tree of the neighborhood connectivity graph, shows promising properties enabling segmentation on an object-based level. The second method, SLIC (Super Linear Iterative Clustering), is designed to create a strong oversegmentation which can be used to reduce the amount of data in the first place. To evaluate both approaches a new metric, termed completeness, is introduced. In contrast to other commonly used metrics like the number of segments or mean segment size, completeness measures the quality of the segmentation with respect to individual objects. The investigated datasets represent different scenes (urban/rural), show different point densities and contain objects of different size, shape and color. All conducted tests show that both approaches are suitable for the segmentation of 3D point clouds. While the graph-based method improves segmentation in inhomogeneous regions, SLIC is an useful option for point clouds with higher point densities. Particularly their combination seems to be an interesting option for the segmentation of more complex scenes.