Denna studie undersöker möjligheten att kombinera djupinlärning (DL) med objektbaserad bildanalys (OBIA) för att förfina automatiskt detekterade byggnadspolygoner från högupplösta ortofoton. Bakgrunden är Lantmäteriets behov av en effektivare kartuppdateringsprocess, då befintliga DL-modeller kan producera geometriskt oprecisa polygoner som kräver manuell korrigering. Genom att tillämpa OBIA-tekniker för geometrisk förbearbetning, segmentering och regelbaserad klassificering syftar studien till att uppnå mer exakta och kartografiskt korrekta byggnadspolygoner, vilket kan minska behovet av efterarbete.

Syftet var att systematiskt utvärdera hur en sådan hybridmetod (DL+OBIA) presterar jämfört med att enbart använda resultaten från en initial DL-modell (SegFormer-baserad), särskilt vad gäller identifiering av takytor i 25 cm-upplösta ortofoton. Metoden utgick från data över ett testområde och innefattade förbearbetning av DL-polygoner, maskerad Mean Shift-segmentering, och en överlappsbaserad klassificering av de resulterande OBIA-segmenten, följt av geometrisk regularisering. Resultaten utvärderades kvantitativt med mått som precision (träffsäkerhet), recall (återkallningsgrad) och F1-mått (harmoniskt medelvärde av precision och recall), samt area-baserad täckning, och kvalitativt genom visuell granskning.

Studien visar att hybridmetoden DL+OBIA leder till en mätbar ökning i precision (från 80.43% till 83.63%) och F1-Score (från 82.28% till 83.99%) på objektnivå, främst genom en reduktion av falska positiva detektioner, medan recall bibehölls. Medianvärdet för facitobjektens täckningsgrad förbättrades också (från 95.24% till 97.88%). Visuellt observerades ofta förbättrad geometrisk korrekthet och kantdefinition. Kvarstående utmaningar inkluderar hantering av storskaliga fel i den initiala DL-datan och segmenteringsartefakter. Sammantaget indikerar resultaten att den föreslagna hybridmetoden har potential att effektivisera Lantmäteriets uppdateringsprocesser genom att leverera mer förfinade byggnadsgeometrier.

This study investigates the potential of combining deep learning (DL) with object-based image analysis (OBIA) to refine automatically detected building polygons from high-resolution orthophotos. The background is the Swedish Mapping, Cadastral and Land Registration Authority's (Lantmäteriet) need for a more efficient map updating process, as existing DL models can produce geometrically imprecise polygons requiring manual correction. By applying OBIA techniques for geometric pre-processing, segmentation, and rule-based classification, the study aims to achieve more accurate and cartographically correct building polygons, which can reduce the need for post-processing.

The purpose was to systematically evaluate how such a hybrid method (DL+OBIA) performs compared to solely using the results from an initial DL model (SegFormer-based), particularly regarding the identification of rooftops in 25 cm resolution orthophotos. The methodology was based on data from one test area and included pre-processing of DL polygons, masked Mean Shift segmentation, and an overlap-based classification of the resulting OBIA segments, followed by geometric regularization. The results were evaluated quantitatively using metrics such as precision, recall, and F1-Score, as well as area-based coverage, and qualitatively through visual inspection.

The study demonstrates that the hybrid DL+OBIA method leads to a measurable increase in precision (from 80.43% to 83.63%) and F1-Score (from 82.28% to 83.99%) at the object level, primarily through a reduction in false positive detections, while recall was maintained. The median value for the coverage of ground truth objects also improved (from 95.24% to 97.88%). Visually, improved geometric correctness and edge definition were often observed. The remaining challenges include handling large-scale errors in the initial DL data and segmentation artifacts. Overall, the results indicate that the proposed hybrid method has the potential to streamline Lantmäteriet's updating processes by delivering more refined building geometries.