Dissertationen - DGK

3.2. Verfahren zur automatischen Straßenextraktion 41
ein generalisierter Kalman Filter verwendet, der eine Verfolgung paralleler Kanten mittels der Bayes-
Schätzung vornimmt. Lokale Störungen können dadurch überbrückt werden.
Der Ansatz der TUM zur automatischen Extraktion von Straßen aus mittel bis hoch aufgelösten Luftbildern
(Baumgartner et al., 1997, 1999; Baumgarnter und Hinz, 2000; Baumgartner, 2003)
nutzt im Vergleich zu anderen Ansätzen insbesondere das Maßstabsraumverhalten von Straßen sowie
globale und lokale Kontextinformationen.
Vor der Extraktion wird das Bild automatisch mit einer Texturklassifikation in die verschiedenen globalen
Kontextgebiete Siedlung, Wald und offene Landschaft unterteilt. Die Extraktion erfolgt dann für
die offene Landschaft in zwei Auflösungsstufen. In einer hohen Auflösung werden Kanten extrahiert
und in einer niedrigen Auflösung Linien. Diese werden gemeinsam unter Verwendung von explizitem
Wissen über Straßen zu Straßenabschnitten gruppiert. Es folgt ein iteratives, mehrstufiges Verfahren,
in dem die Straßenabschnitte mit geraden Verbindungen und kubischen Bezier-Kurven zu längeren
Straßenabschnitten miteinander verknüpft werden. Die eingefügten Verknüpfungshypothesen werden
anschließend im Bild verifiziert. In einfachen Fällen wird die Hypothese durch die radiometrischen Eigenschaften
bestätigt. Die nächste Verifikationsmöglichkeit besteht durch den Einsatz von so genannten
Ribbon-Snakes, die auch schwache oder stark fragmentierte Kanteninformation nutzen können. Eine
letzte Möglichkeit sieht die Verifikation durch lokalen Kontext vor, z.B. durch Schattenwurf von Bäumen
und Gebäuden. Die Vernetzung der Straßenabschnitte erfolgt über extrahierte Kreuzungen und
Einmündungen. Der Ansatz zeigt eine hohe Zuverlässigkeit und Vollständigkeit, auch in Bereichen mit
lokalen Störungen, die durch die Verifikation der Verknüpfungen aufgrund von Bildinformation und
lokalem Kontext sicher überbrückt werden können.
Ein vergleichbar umfassender Ansatz wurde von Ruskoné et al. (1994) und Ruskoné (1996) für Luftbilder
am Institut Géographique National (IGN) entwickelt. Er validiert ebenfalls sein im wesentlichen
durch eine Straßenverfolgung generiertes Straßennetz durch die Interpretation von lokalem Kontext. Die
Straßenverfolgung basiert auf der Detektion von Startpunkten und der Verfolgung von homogenen, lang
gestreckten Regionen. Zum Verbinden der extrahierten Straßenstücke werden Hypothesen aufgestellt,
die aufgrund von geometrischen Kriterien wie Distanz und Richtung gebildet werden. Das resultierende
Netzwerk wird geometrisch mit Snakes korrigiert. Für die Validierung werden die extrahierten Straßenabschnitte
einer Klassifikation unterzogen. Neben der Klasse „Straße“ dürfen abschnittsweise auch
die Klassen „Kreuzung“, „Schatten“, „Baum“ oder „Feld“ existieren, um die eingefügten Hypothesen zu
bestätigen. In (Ruskoné, 1996) wird darüber hinaus ein Agent-Prinzip vorgeschlagen, d.h. es werden
nach der Klassifikation Detektionsprogramme angestoßen, um die Art der Kontextobjekte genauer
festzustellen. Mit diesem Wissen kann dann die weitere Detektion gesteuert werden.
Bei der Straßenextraktion in städtischen Gebieten spielt die Analyse von Kontextbeziehungen eine
noch wichtigere Rolle. Stilla und Jurkiewicz (1991) realisieren mit einem Blackboard-Ansatz ein
kontext-gesteuertes, automatisches Erkennungssystem zur Interpretation von Straßen und Gebäuden.
Das System arbeitet auf Luftbildern und basiert auf Produktionen, die Objektprimitive miteinander
verknüpfen.
Die Objektprimitive werden aus verschiedenen Binärbildern extrahiert. Ihre Umrisse werden durch
Geradenstücke approximiert. Die bewerteten Objektprimitiven lassen sich zu immer komplexeren Objekten
gruppieren wie zunächst Streifen, dann Rechtecke und schließlich Straßen. Der Aufbau der
Objekte vollzieht sich mit Hilfe geeigneter Produktionen, die das Modellwissen enthalten und als Überprüfungsprogramme
realisiert sind. Ausgehend von einem gefundenen Objekt Straße werden beispielsweise
benachbarte Objektprimitive auf die Objekte Haus, dann Häuserreihe und doppelte Häuserreihe
überprüft und zu dem Objekt „Teilsiedlung“ gruppiert. Somit ergibt sich der Gesamtablauf zu einem
Ableitungsgraphen. Am Ende des Ableitungsgraphen steht das Objekt „Siedlung“. In ihrer Arbeit zeigen
die Autoren, dass die Modellierung mit „graphenproduzierenden“ Produktionen eine einfache und
allgemeine Formulierung des Kontextwissens erlaubt. Die Analyse stützt sich auf eine recht einfache
Vorverarbeitung, die Schwierigkeiten bei der Erfassung aller notwendigen Strukturen hat. Zusätzlich
ergeben sich Fehlinterpretationen durch Schatten und die fehlende 3D-Information von Objekten.