基于超分辨率的Snake模型——一种利用机载LiDAR数据与光学影像进行大规模建筑物提取的无监督方法

城市和住宅场景中建筑物的自动提取自20世纪90年代中期以来，已成为摄影测量与遥感领域日益关注的主题。主动轮廓模型，俗称snake模型，已被研究用于从航空和卫星影像中提取建筑物。然而，由于建筑物尺寸、形状及其周围环境的复杂性，这项任务仍然非常具有挑战性。这种复杂性导致进行可靠的大规模建筑物提取面临主要障碍，因为所涉及的关于建筑物形状、尺寸和颜色的先验信息和假设无法在大范围内推广。本文提出了一种高效的snake模型来克服这一挑战，称为基于超分辨率的Snake模型（SRSM）。SRSM在通过应用于LiDAR数据的超分辨率过程生成的高分辨率LiDAR高程图像（称为z图像）上运行。所涉及的气球力模型也得到改进，能够自适应地收缩或膨胀，而不是持续膨胀snake。该方法适用于城市尺度甚至更大的尺度，同时具有高水平的自动化程度，并且不需要任何先验知识或来自城市场景的训练数据（因此是无监督的）。在各种数据集上测试时，它实现了很高的总体精度。例如，所提出的SRSM在ISPRS Vaihingen基准数据集上产生了平均86.57%的基于面积的质量和81.60%的基于对象的质量。与使用该基准数据集的其他方法相比，即使对于有监督方法，这种精度水平也是非常理想的。在整个魁北克市（总面积656平方公里）上执行所提出的SRSM时，也获得了同样理想的结果，产生了62.37%的基于面积的质量和63.21%的基于对象的质量。