基于相对梯度角域量化的建筑多边形估计
计算机视觉与模式识别
2020-07-14 v1
摘要
遥感数据中的建筑足迹提取惠及诸多重要应用，如城市规划与人口估计。近来，卷积神经网络（CNNs）的快速发展与开源高分辨率卫星建筑图像数据集进一步推高了自动化建筑提取的性能边界。然而，CNN方法常生成不精确的建筑物形态，包括含噪边缘与圆角。本文中，我们利用CNN的性能，提出一个模块，使用建筑拐角的先验知识从CNN分割输出创建有角且简洁的建筑多边形。我们描述一种新变换——相对梯度角变换（RGA Transform），将物体轮廓从时间对空间转换为时间对角。我们提出一种新的形状描述子——边界方向关系集（BORS），用以描述RGA域中边之间的角度关系，如正交与平行。最后，我们开发了一个能量最小化框架，利用BORS中的角度关系拉直边缘并重建尖角，所得角点构成多边形。实验结果表明，我们的方法将CNN输出从圆滑近似精炼为更清晰利落的建筑物足迹角度形状。
引用
@article{arxiv.2007.05617,
title = {Quantization in Relative Gradient Angle Domain For Building Polygon Estimation},
author = {Yuhao Chen and Yifan Wu and Linlin Xu and Alexander Wong},
journal= {arXiv preprint arXiv:2007.05617},
year = {2020}
}