Dissertationen - DGK

42 3. Bisherige Arbeiten zur automatischen Straßenextraktion
In dem Ansatz der TUM von Hinz (2001), Hinz und Baumgartner (2003) und Hinz (2004a) werden
im dichten, urbanen Gebiet Straßen automatisch aus hoch auflösenden Luftbildern (< 0.2m) und
einem digitalen Oberflächenmodell (DOM) extrahiert. Die Extraktion beruht auf einer expliziten Modellierung
der Straße samt ihrer Teilobjekte und Kontextbeziehungen.
Mit Hilfe des DOM werden zunächst Straßenschluchten als potentielle Regionen für Straßen in der Nähe
von Häusern detektiert. Für die Lokalisierung von einzelnen Fahrspuren werden Bereiche zwischen
Kanten und gruppierten Fahrbahnmarkierungen auf Homogenität geprüft. Bei Lücken in der Fahrspurdetektion
wird ein spezielles Modul zur automatischen Erkennung von Fahrzeugen und Fahrzeugkolonnen
aufgerufen (Hinz, 2004b), so dass Störungen der homogenen Straßenfläche erklärt werden können.
Die Höheninformation aus dem DOM wird des Weiteren dazu verwendet, Schattenbereiche zu prädizieren
und damit die Parameter für die Schwellwerte in Schattengebieten beispielsweise zur Detektion
von Fahrbahnmarkierungen automatisch anzupassen. Ein anderes Problem sind die in Stadtgebieten
vorkommenden Sichtverdeckungen durch hohe Gebäude. Dies wird mit einem Mehrbildansatz gelöst.
So können aus der Kenntnis der Position der Bildaufnahme über das DOM potentielle Sichtverdeckungen
berechnet und geeignete Bilder ausgewählt werden.
In der hohen Auflösung ist es möglich durch explizite Modellierung und Verwendung von Straßenteilobjekten
und Kontextinformationen eine sehr detaillierte und sogar Fahrbahn genaue Extraktion der
Straßen zu erreichen.
3.2.2 Verfahren für SAR-Bilddaten
Die Verfahren zur Straßenextraktion aus SAR-Daten unterscheiden sich gegenüber optischen Bilddaten
vor allem in der ersten Phase, der Detektion von Linien. Viele Standardverfahren zur Linien- und
Kantenextraktion sind für optische Bilddaten und nicht für SAR-Bilddaten entwickelt worden. Der erste
Teil dieses Abschnittes geht deshalb näher auf Arbeiten zur Extraktion von Linien aus SAR-Bilddaten
ein. Im zweiten Teil werden dann Verfahren zur Straßenextraktion aus SAR-Bilddaten vorgestellt.
Verfahren zur Extraktion von Linien aus SAR-Bilddaten
Zur Extraktion von Linien haben sich generell gradienten- und Template-basierte Ansätze etabliert.
Gradientenbasierte Ansätze betrachten die Bilddaten als verrauschte Werte einer Bildfunktion (Haralick
und Shapiro, 1992). In dieser Bildfunktion werden Linien als Tal- und Rückenlinien detektiert.
Einige der gradientenbasierten Verfahren basieren auf richtungsunabhängigen Ableitungen der Bildfunktion
(Lindeberg, 1998; Steger, 1998a). Hierfür führen sie vorab eine Gauß’sche Glättung der
Bilddaten durch, um die Ableitungen stabil zu ermitteln. Diese Verfahren haben sich insbesondere für
optische Bilder durchgesetzt und sind wissenschaftlich und technisch ausgereift. Bei den Templatebasierten
Ansätzen werden Templates d.h. Masken verwendet. Ein Template zur Detektion von Linien
besteht aus drei Bereichen. Zur Bestimmung der Linie werden z. B. die Differenzen der Mittelwerte der
Bereiche betrachtet. Diese Auswertung erfolgt für mehrere Richtungen. Die Richtung der maximalen
Antwort wird als Linienrichtung angesehen.
Mit den gradienten- und Template-basierten Ansätzen ergibt sich für optische Bilder eine konstante
Fehlalarmrate (Constant False Alarm Rate, CFAR), d.h. die Anzahl der Fehlextraktionen ist unabhängig
vom mittleren Grauwert. Bei SAR-Daten führt die Anwendung dieser herkömmlichen Detektoren
zu „Scheinkanten“, die keine reale Bedeutung haben (Bovik, 1988). Der Grund für dieses Verhalten
liegt im Speckle-Effekt, durch den mit zunehmendem Grauwert die Varianz im gleichen Maße ansteigt.
Dadurch ergeben sich bei der Differenzbildung von Mittelwerten im höheren Grauwertbereich vermehrt
Fehlextraktionen.
Für die Gewährleistung einer konstanten Fehlalarmrate für die Kanten- bzw. Linienextraktion aus
SAR-Bilddaten gibt es nach Borghys et al. (2000) generell zwei Herangehensweisen.
1. Die Verwendung von Operatoren, die auf dem Verhältnis von Intensitäten anstatt der Differenz
basieren. Speziell für SAR-Daten bedeutet dies, dass mit dem Verhältnis von Intensitäten eine
konstante Fehlalarmrate erreicht werden kann.