Sau khi có được DTM, việc dùng độ cao DSMLE trừ đi độ cao của DTM sẽ cho độ cao của các đối tượng ở trên mặt đất.Tất cả các đối tượng đó sẽ giữ được các thơng tin như độ rộng, độ dốc và độ cao.Như vậy, có thể dựa vào các thông tin để tách ra được nhà. Phân biệt nhà với các đối tượng có diện nhưng độ cao lại thấp hơn nhà như oto cần dựa vào các thơng tin độ cao nhà, cịn các thơng tin về diện tích nhà có thể giúp lọc bỏ các đối tượng nhỏ hơn nhà như cây cối của nhà, ngồi ra thơng tin về độ dốc của mái nhà trong khu vực cũng giúp cho việc tách ra được đối tượng nhà thêm chính xác. Tuy nhiên, nhà và cây cối xen lẫn nhau hay một vùng rừng cây
rộng lớn, thiết lập các chỉ số về diện tích và độ cao vẫn chưa đủ, cần thêm thông tin về texture của cây, các gradien sẽ giúp cho việc lọc bỏ cây tốt hơn
2.2.3 Tái tạo mơ hình bề mặt tường nhà
Với dữ liệu Lidar, ảnh máy bay hay ảnh vũ trụ độ phân giải cao, thơng tin và hình ảnh mái thu được rất nhiều nhưng thông tin về các mặt tường bao quanh khối nhà là rất hạn chế và không khả dụng cho mục đích tái tạo bề mặt tường cho mơ hình khối nhà 3D. Đường viền mái không phải lúc nào cũng đúng vào vị trí của tường do đó hoặc phải chấp nhận mơ hình khối nhà đơn giản với mức độ chi tiết không cao và mặc định là đường bao mái đồng thời cũng là đường viền chân nhà hoặc cần có các nguồn thơng tin bổ sung khác để thực hiện công đoạn này.
Thông tin về đường viền chân nhà này cũng có thể được chiết tách từ các CSDL GIS 2D tỷ lệ lớn, CSDL địa chính hay cơ sở dữ liệu nhà (BIM – Building Information management system). Mơ hình bản đồ 3D của Helsinki, Phần Lan cũng là 1 ví dụ thành cơng về việc kết hợp dữ liệu Lidar và CSDL địa lý nền tỷ lệ 1/500. Khi kết hợp dữ liệu Lidar với 1 CSDL địa lý khác, cần phải đặc biệt quan tâm đến tính đồng bộ về hệ qui chiếu, về độ chính xác, về mức độ khái qt hóa và về tính cập nhật của 2 nguồn dữ liệu này.