Key points are not available for this paper at this time.
Die Erkennung von Gebäuden aus hochauflösenden Satellitenbildern ist vorteilhaft für Kartierung, ökologischen Vorbereitungen, Katastrophenmanagement, militärische Planung, Stadtplanung und Forschungszwecke. Das Unterscheiden von Gebäuden in den Bildern ist möglich, kann jedoch ein zeitaufwendiger oder komplizierter Prozess sein. Daher müssen die hochauflösenden Bilder von Satelliten automatisiert werden, um die Gebäude zu erkennen. Darüber hinaus weisen Gebäude mehrere unterschiedliche Merkmale auf, und ihr Erscheinungsbild in diesen Bildern ist ungeplant. Außerdem sind Gebäude in städtischen Umgebungen typischerweise überfüllt und kompliziert. Daher ist es eine Herausforderung, das Gebäude zu identifizieren und sie zu lokalisieren. Um diese Situation zu lösen, wurde ein neuartiges probabilistisches Verfahren vorgeschlagen, das lokale Merkmale und probabilistische Ansätze verwendet. Eine Technik zur extrahierenden lokalen Merkmale wurde implementiert, die verwendet wurde, um die Wahrscheinlichkeitsdichtefunktion zu berechnen. Die Standorte im Bild wurden als gemeinsame Wahrscheinlichkeitsverteilungen dargestellt und verwendet, um ihre Wahrscheinlichkeitsverteilungsfunktion (pdf) zu schätzen. Die Dichte der Gebäudeorte im Bild wurde extrahiert. Die Kerneldichteverteilung wurde ebenfalls verwendet, um den Dichtefluss für verschiedene Metropolen wie Sydney (Australien), Tokio (Japan) und Mumbai (Indien) zu finden, die nützlich für die Verteilung der Intensität und des Musters von Interessenspunkten (POI) ist. Das System kann Gebäude/Dächer erkennen und um unser System zu testen, wählten wir einige Felder mit panchromatischen hochauflösenden Satellitenbildern aus Australien aus und unsere Ergebnisse sehen vielversprechend aus, mit hoher Effizienz und minimaler Rechenzeit zur Merkmalsextraktion. Wir konnten Gebäude mit Schatten und Gebäude ohne Schatten in 0,4468 (Sekunden) bzw. 0,5126 (Sekunden) erkennen.
Munawar et al. (Do,) untersuchten diese Frage.