elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Building footprint extraction from Digital Surface Models using Neural Networks

Davydova, Ksenia und Cui, Shiyong und Reinartz, Peter (2016) Building footprint extraction from Digital Surface Models using Neural Networks. In: Proceedings of SPIE, 10004, Seiten 1-10. SPIE Remote Sensing 2016, 2016-09-26 - 2016-09-29, Edinburgh. doi: 10.1117/12.2240727.

[img] PDF
2MB

Offizielle URL: http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=2571485

Kurzfassung

Two-dimensional building footprints are a basis for many applications: from cartography to three-dimensional building models generation. Although, many methodologies have been proposed for building footprint extraction, this topic remains an open research area. Neural networks are able to model the complex relationships between the multivariate input vector and the target vector. Based on these abilities we propose a methodology using neural networks and Markov Random Fields (MRF) for automatic building footprint extraction from normalized Digital Surface Model (nDSM) and satellite images within urban areas. The proposed approach has mainly two steps. In the first step, the unary terms are learned for the MRF energy function by a four-layer neural network. The neural network is learned on a large set of patches consisting of both nDSM and Normalized Difference Vegetation Index (NDVI). Then prediction is performed to calculate the unary terms that are used in the MRF. In the second step, the energy function is minimized using a max ow algorithm, which leads to a binary building mask. The building extraction results are compared with available ground truth. The comparison illustrates the efficiency of the proposed algorithm which can extract approximately 80% of buildings from nDSM with high accuracy.

elib-URL des Eintrags:https://elib.dlr.de/108368/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Building footprint extraction from Digital Surface Models using Neural Networks
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Davydova, Kseniaksenia.davydova (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Cui, Shiyongshiyong.cui (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Reinartz, Peterpeter.reinartz (at) dlr.dehttps://orcid.org/0000-0002-8122-1475NICHT SPEZIFIZIERT
Datum:2016
Erschienen in:Proceedings of SPIE
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Ja
Band:10004
DOI:10.1117/12.2240727
Seitenbereich:Seiten 1-10
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Bruzzone, LorenzoNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Bovolo, FrancescaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Status:veröffentlicht
Stichwörter:Building footprint extraction, binary mask, Digital Surface Model, neural networks, Markov Random Fields, Normalized Difference Vegetation Index
Veranstaltungstitel:SPIE Remote Sensing 2016
Veranstaltungsort:Edinburgh
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:26 September 2016
Veranstaltungsende:29 September 2016
Veranstalter :SPIE Remote Sensing
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von: Bittner, Ksenia
Hinterlegt am:25 Nov 2016 13:21
Letzte Änderung:24 Apr 2024 20:13

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.