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