一个大规模的建筑无监督提取方法,利用空载LiDAR点云和基于双P蛇模型的远程传感图像
Zeyu Tian1,2, Yong Fang1, Xiaohui Fang2
1State Key Laboratory of Geo-Information Engineering, Xi'an Research Institute of Surveying and Mapping, Xi'an 710054, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种无监督的算法,用于从LiDAR和遥感数据中提取建筑物. 新的双P蛇模型在复杂的环境中提高了准确性,在基准数据集上实现了高性能.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 计算机视觉 计算机视觉
背景情况:
- 从LiDAR和遥感数据中自动提取建筑物至关重要,但由于复杂的环境和数据限制,这具有挑战性.
- 现有的方法在建筑大小,形状,照明,阴影和遮蔽的变化中扎.
- 由于离散性,稀疏性和不规则分布,LiDAR点云存在挑战.
研究的目的:
- 开发一种新的无监督算法,用于准确的大规模建筑提取.
- 解决处理复杂场景和数据不完美的现有方法的局限性.
- 通过使用集成数据源来提高建筑边界检测的准确性和稳定性.
主要方法:
- 提出了一个名为PBEA (点和像素建筑提取算法) 的新无监督建筑提取算法.
- 引入了一种新的双P蛇模型,一种增强的活性边界模型,利用LiDAR点云和遥感图像.
- 采用多边形化技术与双P蛇模型一起用于精确的建筑提取.
主要成果:
- 在ISPRS Vaihingen数据集上,PBEA算法实现了90.0%的面积质量评估指标.
- 在多伦多数据集上,PBEA算法实现了92.4%的基于区域的质量评估指标.
- 与现有方法相比,表现出优越的性能,特别是在复杂的环境中.
结论:
- 拟议的PBEA算法和双P蛇模型有效地以高精度提取大规模建筑物.
- 双P蛇模型通过内部和外部边界的同时相互作用和融合来增强建筑边界检测.
- 该方法显示了在传感器技术和遥感应用的巨大潜力.
