Various methods for automatic building extraction from remote sensing data including light detection and ranging (LiDAR) data have been proposed over the last two decades but a standard metric for evaluation of the extracted building boundary has not been found yet. An extracted building boundary from LiDAR data usually has a zigzag pattern with missing detail, which makes it hard to compare the boundary with its reference. The existing metrics do not consider the significant point (e.g., corner) correspondences, therefore, cannot identify individual extralap and underlap areas in the extracted boundary. This article proposes an evaluation metric for the extracted boundary based on a newly proposed robust corner correspondence algorithm that finds one-to-one true corner correspondences between the reference and extracted boundaries. Assuming a building has a rectilinear shape, corners and lines are first detected for the extracted boundary. Then, corner correspondences are obtained between the extracted and reference boundaries. Each corner has two corresponding lines on its two sides that ideally are perpendicular to each other. The corner correspondences are finally ranked based on their distance, angle, and parallelism of corresponding lines. The metric is defined as the average minimum distance $d_{\mathrm{avg}}$ from the extracted boundary points to their corresponding reference lines. Extralap and underlap areas are identified by comparing the point distances with $d_{\mathrm{avg}}$. In experiments, the proposed metric performs more realistic than the existing metrics and finds the individual extralap and underlap areas effectively.

中文翻译：

---

从遥感数据中提取建筑物边界的稳健性能评估指标

在过去的二十年中，已经提出了从包括光检测和测距 (LiDAR) 数据在内的遥感数据中自动提取建筑物的各种方法，但尚未找到用于评估提取的建筑物边界的标准度量标准。从 LiDAR 数据中提取的建筑物边界通常具有缺失细节的锯齿形图案，这使得很难将边界与其参考进行比较。现有的度量不考虑重要的点（例如，角点）对应关系，因此，无法识别提取边界中的单个外重叠和下重叠区域。本文提出了一种基于新提出的鲁棒角对应算法的提取边界的评估度量，该算法在参考边界和提取边界之间找到一对一的真实角对应。假设建筑物具有直线形状，首先检测提取边界的角和线。然后，获得提取边界和参考边界之间的角点对应关系。每个角在其两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。首先为提取的边界检测角和线。然后，获得提取的边界和参考边界之间的角点对应关系。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较，可以识别出重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。首先为提取的边界检测角和线。然后，获得提取边界和参考边界之间的角点对应关系。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。在提取的边界和参考边界之间获得角对应。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。在提取的边界和参考边界之间获得角对应。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。每个角的两侧都有两条对应的线，理想情况下，它们彼此垂直。角对应最终根据它们的距离、角度和对应线的平行度进行排序。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较，可以识别出重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。该度量定义为从提取的边界点到其相应参考线的平均最小距离 $d_{\mathrm{avg}}$。通过将点距离与 $d_{\mathrm{avg}}$ 进行比较来识别超重叠和下重叠区域。在实验中，所提出的指标比现有指标表现得更真实，并有效地找到了个别的外重叠和下重叠区域。