<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>BREZPARAMETRIČNI ALGORITEM GRADNJE DIGITALNEGA MODELA RELIEFA IZ PODATKOV LiDAR</dc:title><dc:creator>Mongus,	Domen	(Avtor)
	</dc:creator><dc:creator>Žalik,	Borut	(Mentor)
	</dc:creator><dc:subject>algoritmi</dc:subject><dc:subject>daljinsko zaznavanje</dc:subject><dc:subject>računalniška geometrija</dc:subject><dc:subject>razpoznava vzorcev</dc:subject><dc:subject>digitalni model reliefa</dc:subject><dc:subject>matematična morfologija</dc:subject><dc:subject>LiDAR</dc:subject><dc:subject>samodejno filtriranje podatkov</dc:subject><dc:subject>klasifikacija</dc:subject><dc:subject>zlepki tankih plošč</dc:subject><dc:description>V doktorski disertaciji opišemo dva postopka gradnje digitalnega modela reliefa iz podatkov LiDAR. Prva metoda iterativno približuje zlepke tankih plošč proti terenu, pri čemer s postopnim zmanjševanjem strukturnega elementa opravlja filtriranje točk glede na njihove viške razlike z interpolacijsko ploskvijo. S cilindrično transformacijo okrepimo nezveznosti v porazdelitvi točk, ki so posledica prisotnosti objektov. Brezparametrično pragovno filtriranje dosežemo samodejno s pragovno vrednostjo, definirano s standardno deviacijo. Rezultati pokažejo, da metoda pravilno določi teren tudi v najzahtevnejših primerih. Pričakovana natančnost metode nad podatki, danes uporabljenimi v vsakodnevni praksi, je več kot 96 %, medtem ko povprečna skupna napaka nad naborom testnih podatkov združenja ISPRS ne preraste 6 %. Druga metoda uporablja prilagodljiv morfološki filter, kjer je velikost strukturnega elementa v vsaki točki določena glede na njeno razdaljo do najbližjega roba. Vhodni nabor podatkov v ta namen najprej razporedimo v mrežo, nad katero izvedemo zaznavo robov z metodo kompas in Sobelovim operatorjem. Z morfološkim polnjenjem regij razdelimo mrežo v regije ospredja in ozadja. Definicijo strukturnega elementa izpeljemo iz transformacije razdalj regij ospredja. Končno filtriranje podatkov opravimo s cilindrično transformacijo in pragovnim filtriranjem. Z rezultati pokažemo, da na ta način v primerjavi s prvo metodo dosežemo 94 % višjo računsko učinkovitost, medtem ko je natančnost metode višja za 20 % nad podatki z nižjo ločljivostjo ter 30 % nad podatki z višjo ločljivostjo.            </dc:description><dc:publisher>[D. Mongus]</dc:publisher><dc:date>2012</dc:date><dc:date>2012-09-27 10:20:06</dc:date><dc:type>Doktorska disertacija</dc:type><dc:identifier>38487</dc:identifier><dc:identifier>UDK: 004.94:004.6(043.3)</dc:identifier><dc:identifier>COBISS_ID: 16270870</dc:identifier><dc:identifier>NUK URN: URN:SI:UM:DK:MX9P2WQB</dc:identifier><dc:language>sl</dc:language></metadata>
