PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
100 KAPITEL 8. EVALUIERUNG DES HPGCL-ALGORITHMUS<br />
(a) Grauwerte des Testbilds im rgb-Raum<br />
(b) 3D Ansicht der gefundenen Cluster<br />
Abbildung 8.17: Testbild als 3D-Punktmenge<br />
8.4.2 3D-Laserdaten (Abstandsdaten)<br />
Die eingeschränkte Verwendbarkeit der Vergrößerung der äußeren Abstände (Modus 3, 4, 7 und 8) aufgrund<br />
der starken Übersegmentierung zeigen auch die Ergebnisse für die 3D-Abstandsdaten (siehe Abb. 8.19).<br />
Überraschend gute Ergebnisse ergeben die Modi 2 und 6, wenn man berücksichtigt, dass kein explizites<br />
Flächenmodell (z.B. Krümmungsverhalten) vorliegt. Auch die feineren Zerlegungen der Modi 1 und 5 sind<br />
erwartungsgemäß, wenn man berücksichtigt, dass die Laserdaten, wie in Abbildung 8.5 zu sehen, mehr oder<br />
weniger große Lücken aufweisen.<br />
8.4.3 Gebäudedatensatz<br />
Die für die manuelle Clusterauswertung verwendeten Punktmengen (Abb. 8.1) sind zwei Teilmengen der in<br />
Abb. 8.3 dargestellten Punktmenge. Die Ergebnisse des HPGCL-Algorithmus zu diesen Testdaten für Modus<br />
1 bis 8 sind in den Abbildungen 8.20 und 8.21 dargestellt. Wie diese Abbildungen zeigen, liefern auch hier<br />
die Modi 2 und 6 die kompaktesten Zerlegungen, die auch gut vergleichbar mit den manuellen Auswertungen<br />
(siehe Anhang A) sind. Die automatischen Ergebnisse für den ersten Testdatensatz stimmen relativ gut mit<br />
den manuellen Ergebnissen überein. Für den zweiten Testdatensatz ergibt sich besonders für das Ergebnis aus<br />
Abbildung 8.21(b) eine relativ gute Übereinstimmung mit den manuellen Auswertungen in den Abbildungen<br />
A.2(a), A.3(a)(d) und A.4(b).<br />
Der zweite Testdatensatz zeigt ebenfalls, dass die Segmentierung einer Punktmenge auch für den Menschen nicht<br />
eindeutig ist, da die Segmentierungsergebnisse hier stärker voneinander abweichen als im ersten Testdatensatz.<br />
Es zeigt sich jedoch, dass der HPGCL-Algorithmus generell stärker segmentiert als die manuellen Auswerter,<br />
d.h. die Anzahl der Cluster ist höher. Bei den manuellen Auswertungen wurden im ersten Testdatensatz im<br />
Mittel zwischen 11 und 15 Cluster bestimmt. Dagegen lieferte der HPGCL-Algorithmus 19 Cluster im Modus 2<br />
und 22 Cluster im Modus 6. Im Falle des zweiten Testdatensatzes ergaben sich bei den manuellen Auswertungen<br />
zwischen 11 und 22 Cluster. Die automatische Auswertung lieferte hier 49 Cluster im Modus 2 und 48 Cluster<br />
im Modus 6.<br />
Besonders am zweiten Testdatensatz zeigt sich, dass bei der automatischen Segmentierung mehr linienförmige<br />
Cluster erkannt werden als bei den manuellen Auswertungen, die überwiegend aus flächenförmigen Clustern