Dissertationen - DGK

106 7. Diskussion und Ausblick
Modellierung und Extraktion von Autobahnen: Eine Stärke des Verfahrens ist die speziell für
Autobahnen entwickelte Extraktion. Die Extraktion basiert auf einer expliziten Modellierung der Eigenschaften
von Autobahnen in SAR-Bilddaten, wie z.B. die helle Mittelleitplanke und die dunklen,
breiten Fahrbahnen. Darauf abgestimmt wurde eine Extraktion entwickelt, die zusätzlich auch das
Erscheinungsbild in verschiedenen Maßstäben berücksichtigt. Die Kombination der Eigenschaften in
den verschiedenen Maßstäben macht die Extraktion sehr robust, was sich in den relativ hohen Werten
für die Vollständigkeit und die Zuverlässigkeit von rund 90 % widerspiegelt. Verglichen mit der Extraktion
ohne Autobahnmodell konnte die Vollständigkeit für die Straßenklasse Autobahn um 30 bis
40% erhöht werden. Aufgrund des multi-skalen Ansatzes können sogar Abschnitte extrahiert werden,
bei denen die markante Mittelleitplanke verdeckt ist. Allerdings kommt es in diesem Fall teilweise zu
Lageungenauigkeiten bei der Extraktion.
Validierung des Ansatzes: Der Ansatz zur Straßenextraktion aus SAR-Bilddaten wurde auf verschiedenen
Testgebieten evaluiert. Es hat sich gezeigt, dass unter Berücksichtigung von SAR-spezifischen
Abbildungseigenschaften und durch Modellierung von Kontextinformation mit der automatischen Straßenextraktion
aus SAR-Bilddaten zufriedenstellend vollständige Ergebnisse (74%–82%) in der offenen
Landschaft erreicht werden konnten. Die Zuverlässigkeit der Ergebnisse (58%–85%) ist jedoch für einen
praktischen Einsatz zu niedrig. Die geometrische Genauigkeit liegt mit rund zwei Metern bei ca. einem
Pixel. Die Extraktionsergebnisse variieren jedoch je nach Komplexität der Szene und der Straßenklasse.
Ländliche und industrielle Gebiete haben mit 73% und 74% eine nahezu gleich hohe Vollständigkeit.
Aber ihre Zuverlässigkeiten variieren zwischen 58% in industriellen und 85% in ländlichen Gebieten.
Die Ursache für den Unterschied in der Zuverlässigkeit lässt sich durch die unkorrekte Extraktion
einer Parkplatzfläche in dem industriellen Gebiet erklären. In Bezug auf die Straßenklassen konnten
Bundesstraßen mit Vollständigkeiten zwischen 88% und 95% extrahiert werden. Für Nebenstraßen
ergaben sich Vollständigkeiten von 69% bis 79%. Dies ist auf die geringere Breite der Nebenstraßen
zurückzuführen, die dazu führt, dass angrenzende Vegetation die Straßen stark verdeckt. Bei Hauptstraßen
kommt es meist nur zu teilweisen Verdeckungen, die zwar zu Lageungenauigkeiten führen, die
Extraktion aber nicht verhindern. Für die gemeinsame Extraktion der Bundesstraßen und Nebenstraßen
gelten die obigen Zuverlässigkeitswerte (58%–85%). Für die Extraktion der Autobahnen konnten
Vollständigkeiten zwischen 89% und 98% erreicht werden bei Zuverlässigkeiten von 87% bis 91%.
Zusammenfassend sind als Stärken des vorgestellten Ansatzes vor allem die SAR-spezifische Vorverarbeitung,
die Nutzung von lokaler und globaler Kontextinformation und die explizite Modellierung
der Autobahn für SAR-Bilddaten sowie die sich daraus insgesamt ergebende erhöhte Vollständigkeit
und Zuverlässigkeit der Ergebnisse zu sehen.
7.3 Ausblick
Trotz der zufriedenstellenden Ergebnisse bei der automatischen Straßenextraktion aus SAR-Bilddaten
gibt es auf diesem Gebiet noch viel Forschungsbedarf. Ein wichtiges Thema ist die Integration von
Kontextinformation in die automatische Straßenextraktion. Die in dieser Arbeit vorgestellte Integration
basiert auf der Annahme, dass die Kontextinformation zuverlässig extrahiert werden kann. Wie sich
gezeigt hat, besteht hier aber noch Forschungsbedarf bei der Entwicklung von Algorithmen zur automatischen
Extraktion von Kontextobjekten, wie Verkehrsschildern, Brücken und bewegten Fahrzeugen.
Ein weiterer, wichtiger Punkt ist eine Kombination von verschiedenen SAR-Szenen aus verschiedenen
Einfalls- und Aspektwinkeln oder auch die Kombination mit optischen Bilddaten, um durch die komplementäre
Information die Zuverlässigkeit und Vollständigkeit der extrahierten Straßen zu erhöhen.
Erste Arbeiten dazu wurden von Hedman et al. (2005a,b) vorgestellt. Ebenso könnte eine Kombination
verschiedener Straßenextraktionsalgorithmen mit den jeweiligen Stärken und Schwächen das Ergebnis
insgesamt noch weiter verbessern. Grundsätzlich sollte bei einer Fusion mehrerer Sichten oder Quellen
die Fusion auf Merkmalsebene gegenüber der Fusion auf Pixelebene bevorzugt werden. Nur so können
die verschiedenen, objektabhängigen Geometrien in Einklang gebracht werden. Bei einer Fusion der