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