Rooftops are essential features, extracted from satellite images for their significance in applications such as update of urban geodatabase, risk assessment and rescue map. In this work, a methodology (MBION-SVM) which integrates morphological, spectral, shape and geometrical features with SVM classifier to classify the objects within the satellite image into building rooftops and non-rooftops has been proposed. The probable buildings are detected using Morphological Building Index (MBI). The mislabeled rooftops are eliminated by combining Otsu thresholding and Normalized Difference Vegetation Index (NDVI). Geometrical features computed from identified building rooftops are used to train a support vector machine (SVM), and self-correction is performed for removing any mislabeled rooftops and to provide the data on surface area of the perfect rooftops. Here, we have used Very High Resolution (VHR) images of Worldview-2 and Sentinal-2. We have analyzed the performance of the proposed building extraction approach with classification algorithms such as linear discriminant analysis, logistic regression and SVM. Since the proposed method gives an accuracy around 99%, precision of 89%, a perfect recall of 1 and a F-score of 88%, it can be effectively utilized to extract the buildings from VHR images for any appropriate application.

中文翻译：

---

基于SVM分类器的基于建筑形态指数的卫星影像城市区域建筑面积评估提取

屋顶是从卫星图像中提取的基本特征，因为它们在城市地理数据库更新、风险评估和救援地图等应用中具有重要意义。在这项工作中，提出了一种将形态学、光谱、形状和几何特征与 SVM 分类器相结合的方法（MBION-SVM），将卫星图像中的对象分类为建筑物屋顶和非屋顶。使用形态建筑指数 (MBI) 检测可能的建筑物。通过结合 Otsu 阈值和归一化差异植被指数 (NDVI)，可以消除错误标记的屋顶。从已识别的建筑物屋顶计算出的几何特征用于训练支持向量机 (SVM)，并执行自我校正以去除任何错误标记的屋顶，并提供有关完美屋顶表面积​​的数据。在这里，我们使用了 Worldview-2 和 Sentinal-2 的超高分辨率 (VHR) 图像。我们已经用线性判别分析、逻辑回归和 SVM 等分类算法分析了所提出的建筑物提取方法的性能。由于所提出的方法提供了大约 99% 的准确度、89% 的精度、1 的完美召回和 88% 的 F 分数，因此可以有效地利用它从 VHR 图像中提取建筑物以用于任何适当的应用。逻辑回归和 SVM。由于所提出的方法提供了大约 99% 的准确度、89% 的精度、1 的完美召回和 88% 的 F 分数，因此可以有效地利用它从 VHR 图像中提取建筑物以用于任何适当的应用。逻辑回归和 SVM。由于所提出的方法提供了大约 99% 的准确度、89% 的精度、1 的完美召回和 88% 的 F 分数，因此可以有效地利用它从 VHR 图像中提取建筑物以用于任何适当的应用。