English Version

L’outil de clusterisation détecte les objets en utilisant 2 paramètres:

Distance de séparation: La distance de séparation minimale entre les regroupements de points. Plus cette valeur est élevée, plus il est probable que le logiciel détecte et “fusionne” des regroupements de points à proximité. Une plus petite distance de séparation, par contre, pourrait séparer un objet en 2 ou plusieurs clusters.
Nombre de points minimum: Le nombre minimal de points pour qu’un regroupement de points soit considéré en tant que cluster. Plus cette valeur sera petite, plus il sera probable que les objets contenant peu de points seront considérés en tant que clusters.

Il existe également une option de sous-échantillonnage lors de la détection des clusters. Cette option accélérera le processus de détection car moins de points seront analysés pendant la détection. L'option de sous-échantillonnage conserve 1 point par cellule et supprime le reste des points pendant la détection. La taille de la cellule est déterminée par la valeur inscrite pour la "Simplifier par grille". Plus cette valeur est élevée, plus la taille de cellule utilisée est grande; par conséquent, moins de points seront analysés. Une taille de sous-échantillon plus petite éliminera moins de points pour la détection; ainsi détectant les clusters avec plus de précision tout en prenant plus de temps de traitement.

La zone à analyser doit être considérée avant la détection. L'utilisateur peut segmenter le nuage de points à l'aide de l'outil de clôture ou de la boîte de clipping, l'outil de clusterisation ne fonctionnera alors que sur les points visibles. De plus, des classes peuvent être fermées comme le sol (ce qui est fortement recommandé) afin que les points de ces classes ne soient pas traités. L'utilisateur peut également créer une extraction d'une zone dans le nuage de points. La détection de clusters dans une extraction accélère le processus de détection en raison de la quantité réduite de points considérés.

L'option "Petit cluster vers classe" permet de classer les points qui apparaîtraient dans les clusters avec moins de points que le minimum requis pour qu'ils soient conservés tels quels. Il s'agit généralement de classer un petit groupe de points comme du bruit.