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.
92<br />
6. Verbesserung der Straßenextraktion für SAR-Bilddaten<br />
Im vorigen Kapitel wurde gezeigt, welche Schwierigkeiten bei der bisherigen Extraktion von Straßen<br />
noch bestehen. Insbesondere benachbarte Objekte stellen für die Straßenextraktion ein Problem dar.<br />
Dieses Problem tritt auch in optischen Bilddaten auf. Verschiedene Arbeiten, die sich mit der Extraktion<br />
von Straßen aus optischen Bilddaten beschäftigen, unterstützen durch die gezielte Einführung von<br />
Kontextwissen die Extraktion. Dieser Ansatz wird in dieser Arbeit auf SAR-Bilddaten übertragen,<br />
denn gerade für die schräg aufgenommenen SAR-Bilder ist die Integration von Kontextwissen besonders<br />
wichtig.<br />
In diesem Kapitel werden für drei SAR-spezifische Problembereiche, die sich aus der Analyse der Ergebnisse<br />
(Kapitel 5) ergeben haben, (Kontext-)Modelle vorgestellt und in die Straßenextraktion integriert,<br />
um damit die Extraktion weiter zu verbessern.<br />
Den ersten Problembereich bilden die Kontextobjekte. Der Einfluss von Kontextobjekten auf die Straße<br />
wird in Abschnitt 6.1 modelliert und entsprechend der funktionalen Zusammenhänge werden die<br />
Objekte Autos, Verkehrsschilder, Brücken und Bäume in die Extraktion integriert.<br />
Der zweite Problembereich besteht in der Auswahl von Startsegmenten in der Nähe von Städten. In<br />
Abschnitt 6.2 wird hierfür globales Kontextwissen eingesetzt, um Startstücke in der Nähe von Städten<br />
zu generieren und zu integrieren.<br />
Ein weiteres Problemfeld stellen die Autobahnen dar. Für das Erscheinungsbild von Autobahnen in<br />
SAR-Bilddaten wird in Abschnitt 6.3 ein explizites Modell aufgestellt. Darauf aufbauend wird ein<br />
Verfahren zur Extraktion von Autobahnen entwickelt, welches das Erscheinungsbild und das Maßstabsraumverhalten<br />
dieser Objektklasse berücksichtigt.<br />
6.1 Nutzen von lokalem Kontext: Kontextobjekte<br />
In diesem Abschnitt wird der Nutzen von lokalem Kontext für die Straßenextraktion untersucht. Wie<br />
Abbildung 6.1 zeigt, stören Kontextobjekte, wie z.B. Bäume oder verschmierte Fahrzeuge, die Extraktion.<br />
Einige der störenden Kontextobjekte beinhalten aber auch ein hohes Maß an Evidenz für<br />
eine Straße, wie z.B. Fahrzeuge, Brücken oder größere Verkehrsschilder. Andere Objekte, wie z.B.<br />
Bäume oder Baumreihen, können sich entweder direkt neben einer Straße oder in größerer Entfernung<br />
zu einer Straße befinden, so dass diese Objekte eher eine geringe Evidenz für Straßen beinhalten. Die<br />
Vorgehensweise zur Integration von Kontextobjekten in die Straßenextraktion wird in Abschnitt 6.1.1<br />
erläutert und die erzielten Ergebnisse werden in Abschnitt 6.1.2 beschrieben (bzw. in Wessel et al.<br />
(2003)).<br />
Bäume<br />
Fahrzeug<br />
mangelnder<br />
Kontrast<br />
Abbildung6.1. Fehlende Extraktion bedingt durch Bäume, mangelnden Kontrast und ein Fahrzeug