객체 외곽선의 정확한 묘사는 수치지형도, 건물모델, 공간정보 데이터베이스와 같은 공간정보 성과물을 신뢰성 있게 제공하기 위해 중요하다. 라이다 데이터에서 건물의 실제 경계는 지붕에 있는 최외곽점들과 건물 주변의 지표면 상에 있는 점 사이에 존재한다. 그러므로 건물 지붕에 있는 점들 만으로 결정된 외곽선은 건물의 실제 경계와 일치하지 않는다. 본 논문은 라이다 데이터를 이용하여 건물의 실제 외곽선에 근접한 외곽선을 추정하는 것이 목적이며, 격자화 되지 않은 원래 데이터에서의 건물과 지표면 데이터로부터 최종 외곽선을 결정하였다. 최종 외곽선 결정방법은 두 영역 간의 해상 경계선 결정에 적용하는 방법과 유사하다. 제안한 방법은 분할된 데이터로부터 초기 외곽선을 결정하고, 지붕의 점들과 지표면 상의 점들을 이용한 외곽선을 추정하였다. 또한 점밀도가 극히 낮은 데이터에도 적용하여 제안한 방법의 신뢰성을 검증하였다. 시뮬레이션 및 실제 라이다 데이터를 이용하여 실험을 수행하여 타당성과 효용성을 검증하였지만, 향후 개선되고 향상될 부분이 있다고 사료된다.
객체 외곽선의 정확한 묘사는 수치지형도, 건물모델, 공간정보 데이터베이스와 같은 공간정보 성과물을 신뢰성 있게 제공하기 위해 중요하다. 라이다 데이터에서 건물의 실제 경계는 지붕에 있는 최외곽점들과 건물 주변의 지표면 상에 있는 점 사이에 존재한다. 그러므로 건물 지붕에 있는 점들 만으로 결정된 외곽선은 건물의 실제 경계와 일치하지 않는다. 본 논문은 라이다 데이터를 이용하여 건물의 실제 외곽선에 근접한 외곽선을 추정하는 것이 목적이며, 격자화 되지 않은 원래 데이터에서의 건물과 지표면 데이터로부터 최종 외곽선을 결정하였다. 최종 외곽선 결정방법은 두 영역 간의 해상 경계선 결정에 적용하는 방법과 유사하다. 제안한 방법은 분할된 데이터로부터 초기 외곽선을 결정하고, 지붕의 점들과 지표면 상의 점들을 이용한 외곽선을 추정하였다. 또한 점밀도가 극히 낮은 데이터에도 적용하여 제안한 방법의 신뢰성을 검증하였다. 시뮬레이션 및 실제 라이다 데이터를 이용하여 실험을 수행하여 타당성과 효용성을 검증하였지만, 향후 개선되고 향상될 부분이 있다고 사료된다.
Delineation of accurate object boundaries is crucial to provide reliable spatial information products such as digital topographic maps, building models, and spatial database. In LiDAR(Light Detection and Ranging) data, real boundaries of the buildings exist somewhere between outer-most points on the...
Delineation of accurate object boundaries is crucial to provide reliable spatial information products such as digital topographic maps, building models, and spatial database. In LiDAR(Light Detection and Ranging) data, real boundaries of the buildings exist somewhere between outer-most points on the roofs and the closest points to the buildings among points on the ground. In most cases, areas of the building footprints represented by LiDAR points are smaller than actual size of the buildings because LiDAR points are located inside of the physical boundaries. Therefore, building boundaries determined by points on the roofs do not coincide with the actual footprints. This paper aims to estimate accurate boundaries that are close to the physical boundaries using airborne LiDAR data. The accurate boundaries are determined from the non-gridded original LiDAR data using initial boundaries extracted from the gridded data. The similar method implemented in this paper is also found in demarcation of the maritime boundary between two territories. The proposed method consists of determining initial boundaries with segmented LiDAR data, estimating accurate boundaries, and accuracy evaluation. In addition, extremely low density data was also utilized for verifying robustness of the method. Both simulation and real LiDAR data were used to demonstrate feasibility of the method. The results show that the proposed method is effective even though further refinement and improvement process could be required.
Delineation of accurate object boundaries is crucial to provide reliable spatial information products such as digital topographic maps, building models, and spatial database. In LiDAR(Light Detection and Ranging) data, real boundaries of the buildings exist somewhere between outer-most points on the roofs and the closest points to the buildings among points on the ground. In most cases, areas of the building footprints represented by LiDAR points are smaller than actual size of the buildings because LiDAR points are located inside of the physical boundaries. Therefore, building boundaries determined by points on the roofs do not coincide with the actual footprints. This paper aims to estimate accurate boundaries that are close to the physical boundaries using airborne LiDAR data. The accurate boundaries are determined from the non-gridded original LiDAR data using initial boundaries extracted from the gridded data. The similar method implemented in this paper is also found in demarcation of the maritime boundary between two territories. The proposed method consists of determining initial boundaries with segmented LiDAR data, estimating accurate boundaries, and accuracy evaluation. In addition, extremely low density data was also utilized for verifying robustness of the method. Both simulation and real LiDAR data were used to demonstrate feasibility of the method. The results show that the proposed method is effective even though further refinement and improvement process could be required.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 건물과 지표면을 분류하여 건물의 최외각점을 추출하고 최외각점에서 가장 근접한 거리의 지표면 점을 탐색하여 효율적으로 최종 외곽점을 결정하는 방법을 제안하였다. 제안한 방법의 타당성을 검증하기 위해 시뮬레이션 데이터와 실제 데이터에 적용하였으며, 점밀도를 변화시켜 정확도를 분석하였다.
제안 방법
(3) 결정된 최근린 점이 건물의 최외곽에 위치하는지를 판단하기 위해 최근린 점을 기준으로 GSD의 1.2배 이내의 점들을 탐색하여 그 중 하나 이상의 점이 지표면에 존재하는지 확인한다(Fig. 6(c)).
1). 건물의 높이 또는 지 표면의 높이가 정확하지 않아서 발생할 수 있는 오류를 줄이 기 위해 평면거리를 이용하였다. 중간점으로부터 획득하고자 하는 값은 최종 외곽점의 평면(X, Y)값이며, 최종 외곽점의 높이(Z)값은 초기 외곽점의 높이(Z)값을 이용하였다.
건물의 분할 경계선을 결정하고, 초기 외곽선 내부에 존재하는 라이다 데이터(즉, 건물의 라이다 점)와 건물 주변의 지표면에 있는 라이다 데이터를 이용하여 건물의 실제 외곽선에 근접한 외곽선을 추정하였다. 즉, 건물의 정확한 외곽선을 결정하기 위해서 격자화되지 않은 불규칙한 분포의 원래 라이다 데이터에서 건물의 외곽선을 추출하여야 한다.
실제와 근접한 건물의 외곽선을 결정하는 방법을 시뮬레이션 데이터와 실제 데이터에 적용하였다. 다양한 모양의 건 물을 묘사한 시뮬레이션 라이다 데이터와 경기도 동탄지역의 중학교 건물과 캐나다 캘거리 대학의 건물에 대해 획득한 실제 데이터를 이용하여 건물의 외곽선을 결정하였다. 최종 외 곽선의 정확도를 분석하고, 라이다 데이터의 점밀도가 정확도 에 미치는 영향을 분석하기 위하여 원래 데이터의 결과와 점 밀도를 1/2및 1/4로 낮추어서 실험을 수행하였다.
데이터 분할 및 건물의 분할경계선 추출을 위해 Park et al. (2012)의 적응적 객체 형상 서술자(adaptive shape descriptor) 인3D 체인코드를 적용하여 라이다 데이터를 분할, 객체분류, 수목제거, 건물 집단화를 수행하였다. 기존의 체인코드는 객체묘사 방법으로서 객체 윤곽선의 방향과 길이 성분을 일련의 코드로 부호화하여 표현하며, 객체의 경계선을 따라 코드를 생성하여 객체의 모양과 특성을 인식하는 방법이다.
2에 요약되어있다. 데이터 분할과 분할 경계선 추출은 선행 연구인 3D 체인 코드에 의한 라이다 데이터 분할(Park et al., 2012) 방법을 적용하였으며, 건물의 최외곽점을 추출하고 모든 최외곽점에 대해서 지표상의 최근린 점을 탐색하여 최외곽점과 최근린 점사이에 있는 건물의 외곽선 결정을 수행하였다.
동탄지역은 1/5,000 수치지형도(평면 정확도: 2.0m)를 이용하였으며, 캘거리 대학은 Google Earth(평면 정확도: 1.80m, 수직 정확도: 1.70m, Mohammed et al., 2013)에서 검사점을 측정하였다. 정확도 검사에 사용된 데이터의 사양은 정확도 분석을 위해서 정확도는 낮지만, 국가기본도(1/5,000 수치지형도) 갱신에 사용될 수 있으므로 정확도 검사의 기준으로 하였다.
두 번째 방법으로 정확도를 측정하기 위해 시뮬레이션 데이터에서 검사점은 좌표값을 알고 있는 건물 모서리점을 선정하였으며, 실제 데이터는 수치지도에서 획득한 건물 모서리 점 좌표로부터 직선을 생성하고, 최종 외곽선을 구성하는 점의 좌표와 비교하였다. 실제 건물의 모서리점과 중간 및 최종건물 외곽선의 평면거리 차이를 계산한 결과를 Table 5에서 보여주고 있다.
또한, 점밀도를 줄인 데이터의 결과를 이용하여 원래 점 밀도로 결정한 최종 외곽선과의 정확도를 비교하였다. 이를 위하여 원래 점밀도에서의 평균 RMSE와 1/2과 1/4로 줄인 점 밀도에서의 평균 RMSE 차이를 계산하였다(Table 8).
기존의 체인코드는 객체묘사 방법으로서 객체 윤곽선의 방향과 길이 성분을 일련의 코드로 부호화하여 표현하며, 객체의 경계선을 따라 코드를 생성하여 객체의 모양과 특성을 인식하는 방법이다. 라이다 데이터에 적용하기 위하여 체인코드를 3차원으로 확장하여 중심점을 기준으로 26개의 방향을 표현하는 큐브(cube) 형태의 체인코드를 생성하였다. 큐브를 두 개의 수평 방향(X, Y)과 두 개의 대각선 방향(N-E, S-W)으로 적용하여 체인 코드를 생성하고 객체를 분할하고 형태를 분석하였다.
추정하여야 한다. 본 논문에서 적용한 방법은 두 지역사이의 해상 및 하천 경계선을 결정하는 방법(demarcation of maritime boundary)과 유사하다. Fig.
분할된 데이터로부터 근사적인 외곽선을 결정하고, 격자화되지 않은 원래 데이터로부터 건물의 최외곽 점들을 추출하고 모든 최외곽 점들을 중심으로 일정 범위 내에 있는 지표면상의 점들을 탐색하여 건물의 최외곽 점과 건물 주변 지표면상의 점 사이에 실제 존재하는 외곽선을 추정한다. 건물의 초기 외곽선 추정은 다음과 같은 단계로 수행하였다.
실제와 근접한 건물의 외곽선을 결정하는 방법을 시뮬레이션 데이터와 실제 데이터에 적용하였다. 다양한 모양의 건 물을 묘사한 시뮬레이션 라이다 데이터와 경기도 동탄지역의 중학교 건물과 캐나다 캘거리 대학의 건물에 대해 획득한 실제 데이터를 이용하여 건물의 외곽선을 결정하였다.
결정한 최종 외곽선과의 정확도를 비교하였다. 이를 위하여 원래 점밀도에서의 평균 RMSE와 1/2과 1/4로 줄인 점 밀도에서의 평균 RMSE 차이를 계산하였다(Table 8). 점밀도 변화에 따른 정확도의 차이(∆RMSE)는 0.
위한 외곽선 결정은 중요하다. 이를 위하여, 라이다데이터로 부터 건물을 분할하고 건물 주변의 지표면으로 분류된 데이터를 이용하여 건물의 실제 외곽선에 근접한 외곽선 추정 방법을 제안하고 다음과 같은 결론을 얻었다.
점밀도가 정확도에 미치는 영향을 분석하기 위해 원래 점밀도 데이터와 점밀도를 인위적으로 줄인 점밀도 1/2 및 점밀도 1/4데이터에도 적용하여 정확도를 분석하였다(Table 6 and 7). 원래 데이터에서의 최종 외곽점의 평균 RMSE는 최소 0.
, 2013)에서 검사점을 측정하였다. 정확도 검사에 사용된 데이터의 사양은 정확도 분석을 위해서 정확도는 낮지만, 국가기본도(1/5,000 수치지형도) 갱신에 사용될 수 있으므로 정확도 검사의 기준으로 하였다. 검사점에서 계산한 최종 외곽선의 RMSE는 최소 0.
첫 번째 방법은 추정한 외곽점들 중에서 모서리점으로 정확하게 식별하고 판단하기 어려운 문제점이 있으므로, 두 번째 방법을 추가적으로 적용하여 정확도를 산정하여 비교 분석하였다. 첫 번째 방법의 정확도를 측정하기 위해 시뮬레이션 데이터는 이미 정확하게 알고 있는 건물 모서리점을 선정하였으며, 실제 데이터는 수치지도에서 건물 검사점 좌표를 획득하여 최종 외곽선의 좌표와 비교하였다(Fig.
첫 번째 방법의 정확도를 측정하기 위해 시뮬레이션 데이터는 이미 정확하게 알고 있는 건물 모서리점을 선정하였으며, 실제 데이터는 수치지도에서 건물 검사점 좌표를 획득하여 최종 외곽선의 좌표와 비교하였다(Fig. 11).
초기 근사 외곽선을 기반으로 최종 외곽선을 결정하였다. 최종 외곽선의 추정은 라이다 데이터로부터 추출된 건물의 외곽선과 주변 지표면 점 사이에 건물의 실제 외곽선이 존재하며, 확률적으로 중간점으로 결정하면 타당하다.
다양한 모양의 건 물을 묘사한 시뮬레이션 라이다 데이터와 경기도 동탄지역의 중학교 건물과 캐나다 캘거리 대학의 건물에 대해 획득한 실제 데이터를 이용하여 건물의 외곽선을 결정하였다. 최종 외 곽선의 정확도를 분석하고, 라이다 데이터의 점밀도가 정확도 에 미치는 영향을 분석하기 위하여 원래 데이터의 결과와 점 밀도를 1/2및 1/4로 낮추어서 실험을 수행하였다. Table 1에 데 이터의 사양과 특성을 요약하였다.
최종 외곽선을 결정하기 위해서 초기 외곽선을 구성하는 모든 외곽점으로부터 지표면의 점들 중 외곽점과 가장 가까 운 거리에 있는 지표면 점을 탐색하였다. 식생 등에 의해 폐색 이 발생하여 탐색범위 내에 지표면 점이 존재하지 않는 경우에는 원래의 건물 외곽점을 이용하였다.
라이다 데이터에 적용하기 위하여 체인코드를 3차원으로 확장하여 중심점을 기준으로 26개의 방향을 표현하는 큐브(cube) 형태의 체인코드를 생성하였다. 큐브를 두 개의 수평 방향(X, Y)과 두 개의 대각선 방향(N-E, S-W)으로 적용하여 체인 코드를 생성하고 객체를 분할하고 형태를 분석하였다. 적용한 3D 체인코드는 객체의 회전에 불변한 rotation invariance 장점이 있는 효율적인 방법이다.
제안한 방법의 타당성을 검증하기 위해 시뮬레이션 데이터와 실제 데이터에 적용하였으며, 점밀도를 변화시켜 정확도를 분석하였다. 특히 인위적으로 점밀도를 극단적으로 낮춘 데이터에도 적용하여 신뢰성을 분석하였다.
데이터처리
9). 수치지도와 비교하여 시뮬레이션 데이터는 건물의 모서리점에 근접한 외곽선 상의 점과 모서리점의 좌표를 비교하여 RMSE(Root Mean Square Error)를 계산하였으며, 수치지도의 건물 외곽선과 추정한 외곽점 간의 이격 법선거리에 대한 RMSE를 계산하였다.
정확도 분석은 시뮬레이션의 경우 기준이 되는 외곽선과 모서리 점의 정확한 위치와 좌표를 알고 있으므로 용이하게 수행할 수 있었으며, 실제 데이터의 경우에는 수치지도와 비교하여 정확도를 계산하였다(Fig. 9). 수치지도와 비교하여 시뮬레이션 데이터는 건물의 모서리점에 근접한 외곽선 상의 점과 모서리점의 좌표를 비교하여 RMSE(Root Mean Square Error)를 계산하였으며, 수치지도의 건물 외곽선과 추정한 외곽점 간의 이격 법선거리에 대한 RMSE를 계산하였다.
제안한 방법의 타당성을 검증하기 위해 시뮬레이션 데이터와 실제 데이터에 적용하였으며, 점밀도를 변화시켜 정확도를 분석하였다. 특히 인위적으로 점밀도를 극단적으로 낮춘 데이터에도 적용하여 신뢰성을 분석하였다.
성능/효과
(1) 건물 데이터의 최외곽 점과 지표면에 속한 점들간의 중간점들을 추정하여 실제 건물 외곽선에 근접한 결과를 얻을 수 있었으며, 점밀도의 영향을 받지 않고 정확하게 외곽선을 결정할 수 있음을 확인하였다.
(2) 격자화된 데이터는 보간에 의한 데이터 손실이 발생할 수 있으므로 격자화 되지 않은 실제 데이터를 이용하여 외곽선을 결정하여야 정확한 결과를 얻을 수 있다.
(3) 건물에 의한 폐색이나 높이가 낮은 건물에서는 벽면 데이터를 획득하기 어려우므로 주변의 지표면 점을 이용하여 외곽선의 정확도를 향상시킬 수 있는 효과적인 방법이다.
그러므로 건물 주변의 지표면 데이터를 고려하여 결정하게 되면 정확도가 향상된 건물 외곽선이 추출될 수 있다(Yoo and Lee, 2016b). 건물 데이터만을 이용하여 건물의 외곽선을 결정하면, 점밀도(또는 지상 해상도(GSD; Ground Sampling Distance))가 낮을수록 건물의 외곽선이 실제보다 더 안쪽에 위치하게 되므로 정확도가 떨어지지만, 건물 주변의 지표면 데이터와 건물 데이터를 동시에 고려하면 점밀도와 거의 무관하게 실제 외곽선에 근접한 결과를 얻을 수 있다.
44m이었다. 그러므로 분석결과 점밀도에 의한 정확도 저하는 거의 없음을 확인할 수 있었다.
33m이었다. 또한 초기 외곽선과 최종 외곽선의 RMSE를 분석하면, 0.02m~0.07m의 정확도 향상이 있음을알 수 있다(Table 4).
최종 외곽선을 이루는 외곽점들은 대부분 건물 데이터만으로 결정된 초기 윤곽점보다 바깥 쪽에 위치하여 실제 외곽선에 근접함을 확인할 수 있었다. 또한, 점 밀도를 1/2과 1/4로 낮추어서 실험한 결과를 원래 점밀도 데이터 결과와 비교하면 점밀도의 변화에 거의 무관함을 알 수 있다.
40m이었다. 점밀도를 낮춘 경우에는, 1/2 점밀도 데이터의 평균 RMSE는 최소 0.21m이고 최대 0.43m 이었고, 1/4 점밀도 데이터의 평균 RMSE는 최소 0.23m이고 최대 0.44m이었다. 그러므로 분석결과 점밀도에 의한 정확도 저하는 거의 없음을 확인할 수 있었다.
40m이었다. 초기 외곽선과 최종 외곽선의 RMSE를 계산하여 그 차이를 분석하여 정확도 향상은 최소 0.04m이며 최대 0.12m 이었다.
Table3에서 파란점은 초기, 빨간 점은 최종 외곽점 결과를 나타낸다. 최종 외곽선을 이루는 외곽점들은 대부분 건물 데이터만으로 결정된 초기 윤곽점보다 바깥 쪽에 위치하여 실제 외곽선에 근접함을 확인할 수 있었다. 또한, 점 밀도를 1/2과 1/4로 낮추어서 실험한 결과를 원래 점밀도 데이터 결과와 비교하면 점밀도의 변화에 거의 무관함을 알 수 있다.
결정하였다. 최종 외곽선의 추정은 라이다 데이터로부터 추출된 건물의 외곽선과 주변 지표면 점 사이에 건물의 실제 외곽선이 존재하며, 확률적으로 중간점으로 결정하면 타당하다. 최종 외곽선 결정과정은 Fig.
실제 건물의 모서리점과 중간 및 최종건물 외곽선의 평면거리 차이를 계산한 결과를 Table 5에서 보여주고 있다. 최종 외곽선의 평균 RMSE는 최소 0.20m이고 최대 0.40m이었다. 초기 외곽선과 최종 외곽선의 RMSE를 계산하여 그 차이를 분석하여 정확도 향상은 최소 0.
후속연구
본 논문에서는 정확한 최외곽점을 결정하는 것에 중점을 두었으며, 향후에는 기존에 많은 연구가 진행된 건물의 기하학적 조건(building hypotheses)과 정규화(regularization) 방법을 적용하여 보다 실제적인 외곽선을 생성하여 건물 모델링과 수치지도 갱신 등에 활용할 수 있을 것으로 사료된다.
참고문헌 (25)
Cheng, L., Gong, J., Chen, X., and Han, P. (2008), Building boundary extraction from high resolution imagery and LiDAR data, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences , Vol. 37, Part B3b., pp. 693-698.
Cho, H., Cho, W., Park, J., and Song, N. (2008), 3D building modeling using aerial LiDAR data, Journal of The Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Vol. 24, No. 2, pp.141-152.
Cho, H., Lee, K., Choi, H., Cho, W., and Cho, Y. (2013), Extracting building boundary from aerial LiDAR points data using extended χ algorithm, Journal of The Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Vol. 31, No. 2, pp. 111-119.
Duckham, M., Kulik, L., Worboys, M., and Galton, A. (2008), Efficient generation of simple polygons for characterizing the shape of a set of points in the plane, Pattern Recognition , Vol. 41, Issue. 10, pp. 3224-3236.
Han, S., Lee, J., Yu, K., Kim, Y., and Lee, B. (2005), A study on segmentation of building points utilizing scan-line characteristic of airborne laser scanner, Journal of the Korean society for geo-spatial information system , Vol. 13, No. 4, pp. 33-38.
Kim, K. and Shan, J. (2011), Building footprints extraction of dense residential areas from Lidar data, ASPRS 2011 Annual Conference , May 1-5, Wisconsion, USA, unpaginated CD-ROM.
Lach, S. and Kerekes, J. (2008), Robust extraction of exterior boundaries from topographic LiDAR data, IEEE Proc. IGARSS , July 7-11, Boston, USA, Vol. 2, pp. Ⅱ-85-Ⅱ-88.
Lee, J., Han, S., Byun, Y., and Kim, Y. (2011), Extraction and regularization of various building boundaries with complex shapes utilizing distribution characteristics of airborne LiDAR points, ETRI Journal , Vol. 33, No. 4, pp. 547-557.
Lach, S. and Kerekes. J. (2008), Robust extraction of exterior building boundaries from topographic Lidar data, IEEE IGARSS , pp. 85-88.
Lim, S., Kim, J., and Lee, D.C. (2009), Automation of building extraction and modeling using airborne LiDAR data, Journal of The Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Vol. 27, No. 5, pp. 619-628.
Ma, R. (2005), DEM generation and building detection from LiDAR data, Photogrammetric Engineering and Remote Sensing , Vol. 71, No. 7, pp. 847-854.
Maling, D. (1989), Measurements from Maps: Principles and Methods of Cartometry, Pergamon Press, New York, 557p.
Mohammed, N., Ghazi, A., and Mustafa, H. (2013), Positional accuracy testing of Google Earth, International Journal of Multidisciplinary Sciences and Engineering , Vol. 4, No. 6, pp. 6-9.
Miliaresisa, G. and Kokkasb, N. (2007), Segmentation and object-based classification for the extraction of the building class from LiDAR DEMs, Computers & Geosciences , Vol. 33, No. 8, pp. 1076–1087.
Morgan, M. and Habib, A. (2002), Interpolation of LiDAR data and automatic building extraction, ACSM-ASPRS Annual Conf. Proc. , unpaginated CD-ROM.
Neidhart, H. and M. Sester (2008), Extraction of building ground plans from LiDAR data, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences , Vol. 37, Part B2, pp. 405-410.
Park, S., Yoo, E., Lee, D.C., and Lee, Y. (2012), 3D shape descriptor for segmenting point cloud data, Journal of The Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Vol. 30, No. 6, pp. 643-651.
Sampath, A. and Shan, J. (2007), Building boundary tracing and regularization from airborne LiDAR point clouds, Photogrammetric Engineering & Remote Sensing , Vol. 73, No. 7, pp. 805-812.
Sampath, A. and Shan, J. (2008), Building roof segmentation and reconstruction from LiDAR point clouds using clustering techniques, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences , Vol. 37, PART B3a, pp. 279-284.
Shen, W., Zhang, J., and Yuan, F. (2011), A new algorithm of building boundary extraction based on LiDAR data, 19th International Conference on Geoinformatics , Shanghai, China, pp. 1-4.
Wang, Z. and Schenk, T. (2000), Building extraction and reconstruction from LiDAR data, International Archives Photogrammetry Remote Sens ., Vol. 33, part B3, Amsterdam, The Netherlands, unpaginated CD-ROM.
Yoo, E. and Lee, D.C. (2016a), Estimation of building boundaries from airborne LiDAR data, Proceedings of Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Suwon, Korea, pp. 168-171.(Korean with English abstract)
Yoo, E. and Lee, D.C. (2016b), True orthoimage generation by mutual recovery of occlusion areas, GIScience and Remote Sensing , Vol. 53, No. 2, pp. 227-246.
Park, W., Park, S., Jo, S., and Yu, K. (2009), A study on building outline simplifications considering digital map generalizations, Journal of The Korean Society of Surveying, Geodesy, Photogrammetry and Cartography , Vol. 27, No. 1, pp. 13-22.
Zhao, Z., Duan, Y., Zhang, Y., and Cao, R. (2016), Extracting buildings from and regularizing boundaries in airborne LiDAR data using connected operators, International Journal of Remote Sensing , Vol. 37, No. 4, pp. 889-912.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.