深度学习引导的从卫星影像派生点云进行建筑物重建
计算机视觉与模式识别
2020-05-20 v1 机器学习
图像与视频处理
摘要
过去二十年中，从遥感影像进行建筑物的三维城市重建引起了显著关注。虽然航空影像和LiDAR提供更高分辨率，但卫星影像在大范围需求下获取更便宜且更高效。然而，卫星观测的高轨道高度带来了固有挑战，如不可预测的大气效应、多视角、因必要多视图导致的显著辐射差异、场景中多样的地表覆盖与城市结构、小基高比或窄视场，所有这些都可能降低三维重建质量。为应对这些主要挑战，我们提出了一种从多视卫星影像生成的点云进行建筑物模型重建的可靠且有效的方法。我们利用多种类型的基元形状来拟合输入点云。具体而言，采用深度学习方法在复杂且含噪的场景中区分建筑物屋顶形状。对于属于同一屋顶形状的点，提出了一种多线索、分层RANSAC方法，用于高效可靠地分割和重建建筑物点云。在四个选定城市区域（面积0.34至2.04平方公里）上的实验结果表明，所提方法可在噪声数据环境下生成详细的屋顶结构。建筑物形状识别的平均成功率为83.0%，而相对于由机载lidar创建的地面真值，整体完整性与正确性均超过70%。作为满足大规模城市模型生成公共需求的首项努力，该研发已部署为开源软件。
引用
@article{arxiv.2005.09223,
title = {Deep Learning Guided Building Reconstruction from Satellite Imagery-derived Point Clouds},
author = {Bo Xu and Xu Zhang and Zhixin Li and Matt Leotta and Shih-Fu Chang and Jie Shan},
journal= {arXiv preprint arXiv:2005.09223},
year = {2020}
}