An Efficient Multi-stage Object-Based Classification to Extract Urban Building Footprints from HR Satellite Images
Notice bibliographique
Résumé
Urban building information can be effectively extracted by applying object-based image segmentation and multi-stage thresholding on High Resolution (HR) remote sensing satellite imageries. This study provides the results obtained using this method on the images of Indian remote sensing satellite, CARTOSAT-2S launched by the Indian Space Research Organization (ISRO). In this study, a method is developed to extract urban building footprints from the HR remote sensing satellite images. The first step of the process consists of generating highly dense per pixel Digital Surface Model (DSM) by using semi global matching algorithm on HR satellite stereo images and applying robust ground filtering to generate Digital Terrain Model (DTM). In the second step, multi-stage object-based approach is adopted to extract building bases using the PAN sharpened image, normalized Digital Surface Model (nDSM) derived from DSM and DTM, and Normalised Difference Vegetation Index (NDVI). The results are compared with the manual method of drawing building footprints by cartographers. An average precision of 0.930, recall of 0.917, and f-score of 0.922 are obtained. The results are found to be in a match with the method using the high resolution Airborne LiDAR DSM by providing a solution for large areas, low cost and low time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».