전기전자학회논문지 (Journal of IKEEE)

  • 제16권2호
  • /
  • Pages.95-101
  • /
  • 2012
  • /
  • 1226-7244(pISSN)
  • /
  • 2288-243X(eISSN)
한국전기전자학회 (Institute of Korean Electrical and Electronics Engineers)
권호 표지
DOI QR코드

DOI QR Code

건물 형태 발생을 위한 3차원 선소의 계층적 군집화

Hierarchical Grouping of Line Segments for Building Model Generation

  • 한지호 (명지대학교 전자공학과) ;
  • 박동철 (명지대학교 전자공학과) ;
  • 우동민 (명지대학교 전자공학과) ;
  • 정태경 (명지대학교 전자공학과) ;
  • 이윤식 (전자부품연구원 시스템반도체연구본부) ;
  • 민수영 (전자부품연구원 시스템반도체연구본부)
  • 투고 : 2012.03.07
  • 심사 : 2012.04.17
  • 발행 : 2012.06.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

위성 영상에서 건물형태를 발생하기위한 새로운 접근방식이 본 논문에서 제안되었다. 제안된 알고리즘은 낮은 수준의 선소들을 연결하고 유사한 개체들을 군집화하기 위해 선소 측정함수가 적용된 신경망이다. 제안된 신경망은 윤곽선 영상에서 추출된 윤곽선들을 군집화 목적으로 사용된다. 본 논문에서는 3차원 선소의 오류에 의한 군집화 결과의 비현실적 건물모델의 발생을 근원적으로 차단하기 위하여, 높이 정보를 이용한 계층적 군집화를 제안하였다. 제안된 새로운 거리척도의 신경망과 군집화를 통해 성공적인 건물모델의 재구성을 실험으로 보여주었다.

A novel approach for the reconstruction of 3D building model from aerial image data is proposed in this paper. In this approach, a Centroid Neural Network (CNN) with a metric of line segments is proposed for connecting low-level linear structures. After the straight lines are extracted from an edge image using the CNN, rectangular boundaries are then found by using an edge-based grouping approach. In order to avoid producing unrealistic building models from grouping lined segments, a hierarchical grouping method is proposed in this paper. The proposed hierarchical grouping method is evaluated with a set of aerial image data in the experiment. The results show that the proposed method can be successfully applied for the reconstruction of 3D building model from satellite images.

키워드

참고문헌

  1. O. Henricsson, "The role of color attributes and similarity grouping in 3-d building reconstruction," CVIU, 2(72), pp. 163-184, Nov 1998
  2. 우동민, 박동철, 호하이느웬, 김태현," 중심신경망 을 이용한 3차원 선소의 군집화에 의한 위성영상의 3차원 건물모델 재구성," 한국원격탐사학회 논문지, 27(2), pp. 121-130, 2011 https://doi.org/10.7780/kjrs.2011.27.2.121
  3. Z. Kim and R. Nevatia, "Automatic description of complex buildings from multiple images," CVIU, 1(96)6, pp. 60-95, 2004
  4. S. Noronha and R. Nevatia, "Detection and modeling of buildings from multiple aerial images," IEEE Tr. on PAMI , 5(23), pp. 501-518, 2001
  5. O. Simonetto and R. Garello,"Rectangular building extraction from airborne radar images," IEEE Tr. on GRS, 10(43), pp. 2386-2395, 2005
  6. A. Katartzis and Sahli, "A stochastic framework for the identification of building rooftops using a single remote sensing image," IEEE Tr. on GRS, 1(46), pp. 259-271, 2008
  7. C. Lin and R. Nevatia, "Building detection and description from a single intensity image," CVIU, Vol 2, no. 72, pp. 101-121, 1998
  8. P. F. M. Nacken. "A metric for line segments.", IEEE Trans on Pattern Analysis and Machine Intelligence, Vol 12, no. 15, pp. 1312-1318, 1993.
  9. D. C. Park. "Centroid neural network for unsupervised competitive learning," IEEE Tr. on Neural Networs, 2(11), pp. 520-528, 2000
  10. C. Darken and J. Moody, "Fast adaptive k-means clustering Some empirical results.", Proc. of IJCNNs, Vol 2, pp. 2:238-242, 1990
  11. D. C. Park and Y. Woo. "Weighted centroid neural network for edge reserving image compression." IEEE Tr. on Neural Networks, Vol 12, pp. 1134-1146, 2001 https://doi.org/10.1109/72.950142
  12. D.-C. Park, O.-H. Kwon, J. Chung, " Centroid Neural Network with a Divergence Measure for GPDF Data Clustering," IEEE Tr. on Neural Networks, 19(6), pp.958-970, 2008. https://doi.org/10.1109/TNN.2007.915115