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.
3.2. Verfahren zur automatischen Straßenextraktion 39<br />
für die Extraktion von Straßen und geologischen Strukturen aus SPOT Bildern zeigen eine hohe Zuverlässigkeit.<br />
Die Kostenberechnungen beziehen sich jedoch nur recht lokal auf Nachbarschaftspixel.<br />
Objektbezogene Merkmale für ganze Linien werden nicht berechnet.<br />
Auf Markoff-Zufallsfeldern basierend modellieren Stoica et al. (2000, 2004) und Lacoste et al. (2002)<br />
von dem INRIA, Sophia Antipolis in Frankreich die Straßenextraktion. Sie fassen Straßennetze als eine<br />
Realisierung eines Markoff-Zufallsprozesses auf, in denen die Variablen die Straßensegmente sind, die<br />
miteinander interagieren. Die Grundidee ihrer Extraktionsstrategie basiert auf einem interagierenden<br />
Gibbs point process, bei dem zu den extrahierten Segmenten zusätzliche Segmente zufällig ins Bild<br />
„geworfen“ werden, die solange zufällig verschoben werden, bis sie ins Straßennetzwerk passen. Die<br />
Verschiebungen werden über eine Reversible Jump Monte Carlo Markov Chain (RJMCMC) Dynamik<br />
simuliert.<br />
Bei der Modellierung von Markoff-Zufallsfeldern ist eine stochastische Modellierung möglich, in der<br />
auch geometrische Zwänge eingebracht werden können. Das Wahrscheinlichkeitsdichtemodell hat zwei<br />
Komponenten. Zum einen geht die Interaktionsenergie zwischen den einzelnen Segmenten mit ein. Hier<br />
wird das Vorwissen über die geometrischen Eigenschaften eines Straßennetzwerkes wie Kollinearität,<br />
Abstand, Länge und Orientierung von Segmenten modelliert. Zum anderen wird die Datenenergie herangezogen,<br />
die bei der Linien- bzw. Kantendetektion für jedes Segment aus den Grauwerten ermittelt<br />
wird. Die Zugehörigkeit der Segmente zum Netzwerk wird dann mit einem Hypothesentest überprüft.<br />
In Stoica et al. (2004) werden sowohl Ergebnisse für optische Luft- und Satellitenbilder als auch<br />
für Radarbilder (ERS) vorgestellt. Die Hauptstrukturen werden jeweils gut detektiert. Aufgrund der<br />
Template-basierten Linien- und Kantenextraktion ist es jedoch nicht möglich, verschiedene Linienbreiten<br />
oder eine richtungsunabhängige Erfassung der Linien zu realisieren.<br />
Der Straßenextraktionsansatz der Technischen Universität München (TUM) für optische Satellitenbilddaten<br />
mit einer Bodenpixelgröße von ca. zwei Metern (Wiedemann und Hinz, 1999; Wiedemann und<br />
Ebner, 2000; Wiedemann, 2002) beruht auf einem expliziten Straßenmodell. Die Eigenschaften von<br />
Straßen gehen auf drei Ebenen ein: lokale (radiometrische), regionale (geometrische) und globale (funktionale<br />
und topologische) Eigenschaften des Straßennetzes werden berücksichtigt.<br />
In Phase 1 werden Linien aus den Bilddaten mit einem differential-geometrischen Ansatz (Steger,<br />
1998a) unter Berücksichtigung der lokalen, radiometrischen Eigenschaften extrahiert und zu potentiellen<br />
Straßenstücken weiterverarbeitet. Die potentiellen Straßenstücke werden entsprechend ihrer Übereinstimmung<br />
mit einem regionalen, radiometrisch-geometrischen Straßenmodell bewertet. Es besteht<br />
die Möglichkeit mehrere spektrale Kanäle für die Extraktion zu verwenden. Die bewerteten Ergebnisse<br />
aus den einzelnen Kanälen werden anschließend in einem Fusionsschritt zusammengeführt. In Phase 2<br />
wird der beste Pfad zwischen zwei entfernten Orten gesucht. Dazu wird aus den potentiellen Straßenstücken<br />
ein gewichteter Graph erzeugt. Kleinere Lücken zwischen den Straßenstücken werden durch<br />
eingefügte Verknüpfungshypothesen überbrückt, die ebenfalls anhand lokaler, geometrischer Kriterien<br />
bewertet und gewichtet werden (Steger et al., 1997). Die Vereinigung der Pfade der geringsten Kosten<br />
zwischen zuverlässigen Startstücken ergibt das Straßennetz.<br />
In der Arbeit (Wiedemann und Ebner, 2000) werden die Netzwerkeigenschaften von Straßen noch<br />
weiter gehend integriert, indem eine zusätzliche Vervollständigung des Straßennetzwerkes durchgeführt<br />
wird. In das Netz werden aufgrund von berechneten „Umweg-“ bzw. „Verbindungsfaktoren“ neue Verknüpfungshypothesen<br />
eingefügt, die im Bild verifiziert werden. Dadurch kann insbesondere eine bessere<br />
topologische Verknüpfung des Netzwerkes erreicht werden. Bacher und Mayer (2003, 2004) haben<br />
das Verfahren für Multispektraldaten erweitert. Sie schließen nach der Extraktion mit den Verfahren<br />
der TUM verbleibende Lücken mit Hilfe von Snakes. Diese werden nicht direkt auf die Bilddaten<br />
aufgesetzt, sondern auf dem Ergebnis einer multispektralen Fuzzy-Klassifikation aus IKONOS Satellitenbilddaten.<br />
Darüber hinaus führen sie in niedriger aufgelösten IRS-Daten Kanten als Kandidaten für<br />
die Netzwerkgenerierung mit ein. Gerke et al. (2004) und Busch et al. (2005) verwenden das Verfahren<br />
von Wiedemann (2002) als Grundlage für ein semi-automatisches Verfahren zur Aktualisierung<br />
und Qualitätsüberprüfung von Straßendaten.