Dissertationen - DGK

68 4. Straßenextraktion für SAR-Bilddaten
Clipping
Die letzte getestete Methode zur Skalierung ist das Beschneiden des Grauwertbereichs (Clipping), d.h.
Messwerte außerhalb definierter Grenzen werden durch einen Minimal- bzw. Maximalwert ersetzt (Abbildung
4.15(c)). Bei SAR-Daten sind gerade einzelne, sehr große Amplituden- bzw. Intensitätswerte,
z.B. bei metallischer Reflexion, für die hohe Dynamik verantwortlich. Bei einem Clipping ausschließlich
der hohen Messwerte auf einen Sättigungswert wird die Erkennbarkeit von Straßen nicht beeinflusst,
da es sich um dunkle Objekte handelt. Innerhalb des Minimal- und Maximalwertes werden die SAR-
Messwerte linear auf 8bit skaliert. Die Vollständigkeitsrate der Straßenextraktion ist ähnlich hoch wie
bei den linear skalierten Multilook-Amplitudendaten. Zudem hat sich gezeigt, dass durch das Clipping
die Einstellung der Parameter für den Kontrast bei der Linienextraktion wesentlich erleichtert wird,
da der Kontrast stärker hervortritt als in linear skalierten Daten.
Zusammenfassend kann für die Skalierung der SAR-Messwerte für die Straßenextraktion festgehalten
werden:
• Die Log-Intensität eignet sich wegen der Spreizung der Grauwerte im unteren Grauwertbereich
schlechter für die Straßenextraktion als linear skalierte Messwerte.
• Eine lineare Dynamikreduzierung wirkt sich nicht auf die Linienextraktion aus. Dadurch kann bei
Bedarf eine Transformation der Grauwerte auf 8bit vorgenommen werden.
• Ein Beschneiden der Grauwerte auf den relevanten Grauwertbereich erleichtert die Extraktion
von Linien und Straßen, da die Schwellwerte leichter einzustellen sind.
Auf Basis dieser Ergebnisse wird für die Straßenextraktion das Clipping auf relevante Grauwertbereiche
mit einer anschließenden linearen Skalierung eingesetzt.
4.4 Ausrichtung auf relevante Bildbereiche
Eine Einschränkung des Suchbereichs auf relevante Bildbereiche erhöht die Zuverlässigkeit der Extraktion
und reduziert den Rechenaufwand. Mögliche Suchbereiche lassen sich durch eine Klassifikation
oder Segmentation von Gebieten ermitteln. So ist es beispielsweise möglich, über Kontextgebiete Regionen,
die von Interesse sind oder für die die Straßenextraktion vorrangig eingesetzt werden soll,
automatisch auszuwählen. Nach dem Kontextmodell aus Abschnitt 3.1.2 werden für Straßen die globalen
Kontexte Siedlung, offene Landschaft und Wald unterschieden. Für das vorgestellte Verfahren
ist eine Extraktion von Straßen im offenem Gelände am erfolgversprechendsten. Daher wird in den
Verfahrensablauf eine Klassifikation der globalen Kontexte integriert, damit die Straßenextraktion gezielt
in der offenen Landschaft durchgeführt werden kann. Des Weiteren kann durch die Verwendung
der Eigenschaft, dass Straßen in SAR-Bilddaten dunkel erscheinen, der Suchraum weiter eingeschränkt
werden. Die Voraussetzung für diese Einschränkungen des Suchbereichs ist allerdings, dass Kontextgebiete
und potentielle Straßenregionen mit ausreichender Zuverlässigkeit extrahiert werden können. Es
folgt eine Beschreibung der Extraktion dieser Bereiche.
4.4.1 Klassifikation von Kontextgebieten
Die Klassifikation von Kontextgebieten basiert auf der Grundlage eines X- und L-Band Datensatzes
bestehend aus den Polarisationen HH, HV, VV und VH im L-Band und der HH- und VV-Polarisation
im X-Band. Dabei wird der Einfluss des lokalen Einfallswinkels als korrigiert vorausgesetzt. Die Klassifikation
wurde von Herrn cand. geod. Stefan Kühn auf Basis der eCognition Software erarbeitet
(Definiens, 2005; Kühn, 2001).
Zunächst wird eine Segmentierung des Bildes vorgenommen. Darauf aufbauend erfolgt eine Klassifikation
der Klassen „Siedlung“, „Wald“, „Schatten- und Wasserflächen“ sowie „niedrige Vegetation“. Die
Klassifikation basiert auf einem vierstufigen Regelwerk. In der ersten Stufe werden in dem vorsegmentierten
Bild die Klassen „Siedlung“, „Wald“, „Schatten“ und „Vegetation“ aufgrund frequenzabhängiger