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