Dissertationen - DGK

36 3. Bisherige Arbeiten zur automatischen Straßenextraktion
bestimmten, globalen Kontextes ist das Erscheinungsbild einer Straße bereits zum Teil im Lokalen beschrieben.
Beispiele für diese drei Kontextgebiete sind in Abbildung 3.3 dargestellt. Im Kontextgebiet Siedlung
sind Straßen umgeben von Objekten wie Gebäuden oder Autos. Die Gebäude stehen dicht und parallel
zur Straße. Im globalen Kontext Wald ist mit einer starken Verdeckung der Straße durch Bäume und
deren Layover und Radarschatten zu rechnen. In der offenen Landschaft sind Verdeckungen seltener.
Aus der Unterschiedlichkeit der Kontextgebiete folgt, dass die Art und Anzahl der Kontextobjekte
jeweils variiert und dass das Modell „Straße“ für die globalen Kontexte in Teilmodelle untergliedert
werden muss. Weiterhin ist nicht jedes Verfahren zur Extraktion zwangsweise für alle globalen Kontexte
gleich gut geeignet. Das Grauwertprofil quer zur Straßenrichtung, wie es in der offenen Landschaft
angenommen wird, trifft beispielsweise nicht für Siedlungsgebiete zu (Bordes et al., 1997).
Bordes et al. (1995, 1997) und Strat und Fischler (1995) sehen zwei Arten wie Kontextgebiete für
die Extraktion genutzt werden können. Zum einen kann das Setzen der Parameter für die Straßenextraktionsalgorithmen
automatisiert werden, indem für die jeweiligen Kontextgebiete bereits optimierte
Parametersätze vorgehalten werden, die dem Anwender ein mit unter aufwändiges Parametertuning
abnehmen.
Zum anderen können Kontextgebiete zur automatischen Auswahl von geeigneten Straßendetektoren
genutzt werden. Eine Auswahl von Detektoren ist deshalb sinnvoll, da in den verschiedenen Kontextgebieten
jeweils unterschiedliche Algorithmen am besten geeignet sind.
3.1.3 Extraktionsstrategie
Die Extraktionsstrategie steuert die Bildinterpretation, indem sie die Art und Reihenfolge der Bildverarbeitungsoperationen
festlegt (Mayer, 1998a). Die Strategie besteht also grundsätzlich aus zwei
Komponenten, zum einen aus der Wahl geeigneter Methoden und zum anderen aus der Festlegung
der Reihenfolge der Methoden für den Erkennungsprozess. Die Wahl der Methoden ist meist stark anwendungsabhängig
und wird deshalb in Abschnitt 3.2 für die Straßenextraktion genauer beschrieben.
Durch eine genaue Planung der Reihenfolge wird festgelegt, wann welches Modellwissen über die Objekte
zur Extraktion genutzt wird. Grundsätzlich unterscheidet man zwischen der datengetriebenen,
der modellgetriebenen und der hybriden oder gemischten Steuerung (siehe z.B. Baumgartner, 2003;
Hinz, 2004a).
Bei Luftbildern von städtischen Gebieten wird meistens eine hybride Extraktionsstrategie verfolgt.
Der Ablauf der Extraktionsstrategie kann nach Clément et al. (1993) in drei Teilschritte unterteilt
werden. In einem ersten Schritte erfolgt eine datengetriebene Merkmalsextraktion, bei der zunächst
leicht extrahierbare Objektteile und kleinere Objekte wie Linien oder Punkte aus den Bilddaten extrahiert
werden. Die Merkmalsextraktion liefert Hypothesen für bestimmte Objekte. Im zweiten Schritt
werden die aufgestellten Hypothesen modellgetrieben validiert und weitere Hypothesen generiert und
zwar auf der Grundlage der Attribute, die aus dem Objektmodell für das Bild abgeleitet worden sind.
Die Hypothesen werden im Laufe der Objektvalidierung angenommen oder abgelehnt. Aber nicht nur
die aufgestellten Hypothesen sind unsicher, auch eine generalisierte und damit unscharfe Beschreibung
des Objektmodells hat ihre Unsicherheiten. Diese Unsicherheiten müssen mit Hilfe von Konfidenzmaßen
mitmodelliert werden. Der letzte Schritt ist die Konfliktauflösung, bei der unter Verwendung von
(Zusatz-)Wissen versucht wird, Mehrdeutigkeiten und Konflikte in der Detektion aufzulösen.
3.2 Verfahren zur automatischen Straßenextraktion
In diesem Abschnitt soll ein kurzer Überblick über Verfahren zur automatischen Extraktion von Straßen
gegeben werden. Die meisten Ansätze zur automatischen Straßenextraktion lassen sich im Wesentlichen
in zwei Phasen unterteilen (Hinz, 2004a):
• Phase 1: lokale Modellierung, in der Straßenstücke detektiert werden