Die semantische Interpretation von 3D-Punktwolken, welche mithilfe von mobilen Laserscanning (MLS) Systemen aufgenommen werden, ist in den Bereichen der Photogrammetrie, Fernerkundung und Computer Vision zu einem wichtigen Thema geworden. In diesem Beitrag wird eine Methodik zur semantischen Interpretation von Punktwolken im Sinne der Zuordnung einer semantischen Klassenzugehörigkeit zu jedem 3D-Punkt präsentiert. Diese Methodik nutzt (1) individuelle Nachbarschaften von optimaler Größe, um für jeden 3D-Punkt aussagekräftige geometrische Merkmale zu erhalten, und (2) eine Abschätzung der Relevanz von Merkmalen, um den Rechenaufwand bezüglich Rechenzeit und Speicherbedarf zu reduzieren.

Im Speziellen basiert der Ansatz zur Abschätzung der Relevanz von Merkmalen auf einer allgemeinen Relevanz-Metrik, welche sich aus sieben verschiedenen Klassifikator-unabhängigen Strategien zur Auswahl von Merkmalen zusammensetzt und dadurch verschiedene intrinsische Eigenschaften der vorliegenden Trainingsdaten erfasst. Die Ergebnisse für einen Standarddatensatz mit etwa 1,3 Millionen 3DPunkten und entsprechenden Referenzwerten bezüglich der Klassenzugehörigkeit zeigen, dass statt der Nutzung von möglichst vielen Merkmalen, um fehlendes Wissen über Szene und Daten zu kompensieren, mit nur wenigen relevanten Merkmalen ein kritischer Schritt wie die semantische Szeneninterpretation durchgeführt werden kann, ohne die Klassifikationsgenauigkeit wesentlich zu verringern.