Dissertationen - DGK

38 3. Bisherige Arbeiten zur automatischen Straßenextraktion
3.2.1 Verfahren für optische Bilddaten
Die folgende Auswahl verschiedener Verfahren zur Straßenextraktion aus optischen Bilddaten soll einen
Überblick über die Vorgehensweisen geben. Entsprechend ihrer Auflösung kommen unterschiedliche
Verfahren und Modelle zum Einsatz. Daher werden sie in Verfahren für niedrig aufgelöste und Verfahren
für mittel bis höher aufgelöste Bilddaten eingeteilt. Für einen weiter gehenden Literaturüberblick zur
Straßenextraktion aus optischen Bildern sei auf Mayer (1998a), Wiedemann (2002), Baumgartner
(2003) und Mena (2003) verwiesen.
Verfahren für niedrig aufgelöste Bilddaten
Straßen erscheinen in Bilddaten mit niedriger Auflösung als Linien. Die meisten der hier beschriebenen
Ansätze beschränken sich auf die Extraktion von Straßen in der offenen Landschaft.
Eines der ersten Systeme zur vollautomatischen Extraktion von Straßen aus Luftbildern niedriger Auflösung
wurde am SRI International, Menlo Park, in Kalifornien entwickelt (Fischler et al., 1981;
Fischler und Wolf, 1983).
Zur Extraktion von Linien werden zwei verschiedene Typen von Operatoren eingesetzt und anschließend
miteinander kombiniert (Phase 1). Operatoren vom Typ I, wie z.B. der „Duda-Straßenoperator“
(Fischler et al., 1981) zeichnen sich durch eine hohe Zuverlässigkeit in den Ergebnissen aus, dadurch
dass sie nur korrekte Extraktionsergebnisse liefern und keine Fehlextraktionen. Die hohe Korrektheit
der Typ I Operatoren geht zu Lasten der Vollständigkeit. Diese Aufgabe übernehmen die Typ II
Operatoren, die recht vollständige Extraktionsergebnisse liefern, aber zusätzlich zu den Straßen auch
Fehlextraktionen hervorbringen. Für die Kombination der Operatortypen werden die Ergebnisse der
Typ II Operatoren jeweils in einer Kosten-Matrix abgelegt. Die Kosten werden aufgrund von Wissen
über Kontrast und Geradlinigkeit berechnet und können skaliert werden, um miteinander vergleichbar
zu sein. Ausgehend von den weitgehend korrekten Ergebnissen der Typ I Operatoren wird in jeder
Typ II Kostenmatrix die beste Verbindung zwischen zwei Typ I Linienclustern berechnet. Die Suche
nach dem optimalen Pfad erfolgt mit dem F* Algorithmus. Für das endgültige Ergebnis werden diejenigen
Pfade ausgewählt, für die die normierten Kosten am geringsten sind.
Die große Stärke dieses Ansatzes ist die Fusionsstrategie, bei der unterschiedliche Operatoren zur Linienextraktion
miteinander kombiniert werden und Wissen über die Wirkungsweise der Operatoren mit
eingeht. Die Defizite dieses Ansatzes liegen in den teilweise unzureichenden low-level Operatoren und
in der Vernachlässigung der geometrischen Eigenschaften von Straßen.
Der obige Ansatz wurde in mehreren Etappen erweitert (Fischler, 1994; Heller et al., 1998; Fischler
und Heller, 1998). Fischler (1994) entwickelte einen generischen Linker für lineare Strukturen
in verrauschten Bildern, der die Bestimmung des Pfades über einen Minimum Spanning Tree (MST)
durchführt. Weitere Arbeiten (Heller et al., 1998; Fischler und Heller, 1998) beschäftigen sich mit
der Operationalisierung des Systems und haben es zu einem interaktiven, drei Komponenten-System
ausgebaut. Die erste Komponente führt die beschriebene Extraktion von Straßen in niedriger Auflösung
durch. Die Ergebnisse werden an eine zweite, hoch auflösende Komponente weitergegeben. Diese
verfeinert die Position der Straßenmittelachsen mittels eines Mehrbildansatzes zu einer 3D-Position.
Weitere Attribute wie die Oberflächennormale, das Oberflächenmaterial und die Straßenbreite werden
berechnet. Die dritte Systemkomponente bildet eine interaktive Nachbearbeitungseinheit. Die Erfassungszeit
lässt sich mit diesem System um den Faktor 10 gegenüber einer rein manuellen Erfassung
reduzieren.
Merlet und Zerubia (1994, 1996) von der Universität Hebron in Jerusalem und dem INRIA (Institut
National de Recherche en Informatique et en Automatique) in Sophia Antipolis, Frankreich
erweitern den von Fischler et al. (1981) verwendeten F* Algorithmus um Nachbarschaften von mehr
als zwei Pixeln. Dies ermöglicht ihnen den Kontrast, den Grauwert und die Kurveninformation aus
den Nachbarschaften in die Berechnung der Kosten mit einzubeziehen. Die präsentierten Ergebnisse