Dissertationen - DGK

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