Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching

计算机科学 模板 分割 人工智能 匹配(统计) 模板匹配 模式识别(心理学) 样品(材料) 计算机视觉 航空影像 直线(几何图形) 图像分割 特征提取 可视化 图像(数学) 数学 统计 色谱法 化学 程序设计语言 几何学
作者
Min Wang,Qi Cui,Yujie Sun,Qiao Wang
出处
期刊:Isprs Journal of Photogrammetry and Remote Sensing 卷期号:141: 100-111 被引量:57
标识
DOI:10.1016/j.isprsjprs.2018.04.010
摘要

In object-based image analysis (OBIA), object classification performance is jointly determined by image segmentation, sample or rule setting, and classifiers. Typically, as a crucial step to obtain object primitives, image segmentation quality significantly influences subsequent feature extraction and analyses. By contrast, template matching extracts specific objects from images and prevents shape defects caused by image segmentation. However, creating or editing templates is tedious and sometimes results in incomplete or inaccurate templates. In this study, we combine OBIA and template matching techniques to address these problems and aim for accurate photovoltaic panel (PVP) extraction from very high-resolution (VHR) aerial imagery. The proposed method is based on the previously proposed region–line primitive association framework, in which complementary information between region (segment) and line (straight line) primitives is utilized to achieve a more powerful performance than routine OBIA. Several novel concepts, including the mutual fitting ratio and best-fitting template based on region–line primitive association analyses, are proposed. Automatic template generation and matching method for PVP extraction from VHR imagery are designed for concept and model validation. Results show that the proposed method can successfully extract PVPs without any user-specified matching template or training sample. High user independency and accuracy are the main characteristics of the proposed method in comparison with routine OBIA and template matching techniques.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
yu_jy完成签到,获得积分10
1秒前
无花果应助曾经的安珊采纳,获得10
2秒前
上官若男应助邓文博采纳,获得10
3秒前
lyj完成签到 ,获得积分10
4秒前
yu_jy发布了新的文献求助10
5秒前
典雅涵瑶完成签到,获得积分10
6秒前
善学以致用应助独特寒安采纳,获得10
6秒前
Mircale发布了新的文献求助10
6秒前
WY发布了新的文献求助30
6秒前
7秒前
奈何完成签到,获得积分10
7秒前
勤恳风华完成签到,获得积分10
8秒前
xiaohuihui发布了新的文献求助10
9秒前
bgx完成签到,获得积分20
10秒前
Mircale完成签到,获得积分20
10秒前
大林发布了新的文献求助30
11秒前
退退退上尉完成签到,获得积分10
12秒前
Elsa完成签到,获得积分10
13秒前
夏晴发布了新的文献求助10
16秒前
栗子应助MaYue采纳,获得10
17秒前
Adi完成签到,获得积分10
18秒前
18秒前
深情安青应助科研通管家采纳,获得10
18秒前
FashionBoy应助科研通管家采纳,获得10
18秒前
打打应助科研通管家采纳,获得10
19秒前
不配.应助科研通管家采纳,获得10
19秒前
19秒前
Gauss应助科研通管家采纳,获得30
19秒前
在水一方应助科研通管家采纳,获得10
19秒前
科研通AI2S应助科研通管家采纳,获得10
19秒前
汉堡包应助科研通管家采纳,获得20
19秒前
21秒前
莉莉完成签到 ,获得积分10
24秒前
weiquanfei完成签到 ,获得积分10
26秒前
橙子慢慢来完成签到,获得积分10
27秒前
cqy53完成签到 ,获得积分10
28秒前
科研通AI2S应助Sandy采纳,获得10
28秒前
漂亮的魂幽完成签到,获得积分10
29秒前
高分求助中
Evolution 10000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3147962
求助须知:如何正确求助?哪些是违规求助? 2798966
关于积分的说明 7832977
捐赠科研通 2456063
什么是DOI,文献DOI怎么找? 1307113
科研通“疑难数据库(出版商)”最低求助积分说明 628062
版权声明 601620